计入空气阻尼的MEMS微谐振器非线性动力学研究

针对横向振动MEMS微谐振器,计入非线性空气阻尼力,对微谐振器非线性动力学特性进行研究.建立微谐振器非线性动力学模型,计入滑移边界条件和稀薄气体效应,利用FLUENT和MATLAB对Navier-Stokes方程和动力学方程进行求解.经过与国外实验对比,可得出考虑非线性阻尼力的平板振幅值非常接近实验值,振幅峰-峰值误差仅为6%,且优于线性动力学的分析结果.为MEMS器件非线性动力学特性分析提供理论依据.     

基于BP-GA算法的微震源反演研究

针对传统非线性反演方法易陷入局部最优,收敛速度慢等问题,研究了一种基于BP神经网络和遗传算法的微震源定位反演方法。重点论述了BP-GA混合算法的理论基础与模型建立,并结合实例进行了3层介质模型微震源定位反演仿真。     

基于角微特征的神经网络识别人脸特征

提出一种利用人脸角微特征几何特性的图像预处理,建立BP神经网络识别人脸特征模型的方法。研究了角微特征提取和具体算法,讨论了BP网络结构的设计,输入、输出层设计和隐藏层节点选取问题。微特征提取,可以降低网络输入维度,对于识别不同角度、不同表情的人脸图像提供了可能性。利用ORL人脸图像数据库做实验,结果表明此方法有效。     

卫星微振动虚拟仿真技术研究及应用

卫星微振动是影响高精度卫星指向精度和成像质量等关键性能的重要因素;文章针对某卫星微振动力学环境展开分析,研究国内外卫星微振动虚拟仿真方法,借鉴IME颤振分析及刚柔耦合动力学建模分析方法,建立一种卫星刚柔耦合多体动力学微振动仿真分析模型,通过微振动地面试验验证了该仿真方法与卫星仿真模型的正确性;借助该模型,预测卫星在轨微振动环境及卫星微振动的影响,得到卫星载荷安装界面微振动量级在0.002g~0.006g之间,为卫星上敏感载荷的研制及其减振方案的设计提供了参考。     

基于系统阻力变化的手术微器械夹持力检测

针对手术机器人微器械的力检测问题,搭建了3自由度微器械的等效实验平台.基于柔索驱动微器械关节完整的动力学模型设计了驱动关节综合阻力模型,并根据实验结果进行了BP （反向传播）神经网络模型的数据拟合,给出综合阻力神经网络模型.最后根据驱动单元综合阻力的变化提出了一种夹持力估计策略,并通过连续加载和阶梯加载实验验证了夹持力检测方法的性能.实验结果显示,夹持力检测的最大绝对误差可以达到0.24 N,在稳定阶段夹持力检测的精度可以达到90%左右.该方法可以成为实现手术机器人微器械力反馈的基础.     

并联微机器人的逆动力学

本文基于牛顿 欧拉法建立了一类PSS副、带柔性铰链的六自由度并联微机器人的 逆动力学方程,这是设计、控制微机器人的前提和基础．所建模型不仅考虑了因柔性铰链的 特殊性,微机器人连杆绕自身轴线转动的内部运动,还分析了柔性球铰弹性变形产生的反力 矩．由于微机器人机构本体以及逆动力学建模过程中所固有的并联特性,对逆动力学可实施 并行算法．最后以一实例进行了仿真分析,仿真结果表明微机器人所需驱动力呈线性变化, 揭示了微机器人在微动情况下的线性本质．     

链节分析法在PVC聚合过程仿真中的应用

以氯乙烯悬浮聚合体系为研究对象,根据氯乙烯聚合反应过程的反应机理,选择了合适的动力学方程式,并以此为依据,将"链节分析法"应用于氯乙烯悬浮聚合体系中,对聚氯乙稀聚合过程中的聚合反应进行分析和模拟,建立了PVC聚合反应的机理模型,从而能更真实地模拟PVC的聚合过程.笔者利用该机理模型对氯乙烯悬浮聚合过程进行了仿真,模拟计算了平均分子量、结构信息、转化率等聚合物的重要性能指标,与实际生产的工艺参数吻合得很好.     

氯乙烯聚合反应动力学模型建立及求解

目前聚氯乙烯(PVC)行业产能过剩,成本较高,需要开发新的工艺技术,促进PVC行业的健康发展。生产工艺中以氯乙烯的聚合为核心,因此建立简单准确的复合引发剂体系下聚合反应动力学模型对新技术的开发具有重要的意义。文中以单一引发剂动力学Xie模型为基础,结合复合引发剂分解动力学模型,建立复合引发剂体系下的氯乙烯(v℃M)悬浮聚合动力学模型。通过模型求解验证的方法,借助FORTRAN语言,采用龙格-库塔算法求解,模拟了在聚合温度57℃,复合引发剂过氧化新癸酸异丙苯酯(简称CNP)和过氧化辛癸酸叔丁酯(简称BNP)下的转化率数据。模拟数据与现场数据计算的转化率数据对比,吻合度较好,转化率达到85%的模拟值计算值是18000 s,与工业生产时间一致,表明该模型可靠性比较高,可用于工业生产操作参数的模拟与优化。     

管道内微机器人弯管运动的动力学稳定性

介绍了一种新型管道内微机器人,根据该机器人建立了有摩擦接触的微机器人受限运动的动力学模型,用奇异摄动法解释了降阶刚体模型接触力稳定性的附加条件,利用该模型分析了管道内微机器人在弯管内运动的稳定性。     

V型电热硅微致动器动态频率特性

提出了V型电热硅微致动器的弯曲振动力学模型。考虑到微米尺度上的硅梁难以简化为质量块、弹簧振动模型,采用了连续体建模,据此可进行其模态分析及动态频率特性的理论研究。利用自行设计制造的在线动态测试机构,测试了V型电热硅微致器在不同激励电压驱动下的响应输出,结果表明其位移输出也是随交变驱动电压的变化而非同步地发生变化。     

基于神经网络的某超市水产品运营量预测模型研究

随着人工神经网络技术的不断成熟,人工神经网络和预测预报紧密结合起来。结合＂神经网络＋预测＂的开发模式,引入BP人工神经网络学习算法,构建了某超市水产品运营预测模型,并讨论不同结构的BP网络及随机初始化对预测结果的影响,同时进行了神经网络预测方法和其它预测方法的比较。     

神经网络在化工过程故障诊断中的应用

针对现代复杂的化工生产过程,提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE（Tennessee Eastman）模型的故障诊断中。经过诊断结果的比较,得出标准的BP算法在实际应用中具有收敛速度慢等缺点;自适应学习速率动量梯度下降的BP算法以及用L-M（Levenberg-Marquardt）法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点,其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出,L-M优化BP算法在工业实际中具有很大的优势。     

基于BP人工神经网络的信息过滤技术研究

首先介绍了信息过滤中向量空间模型的基本工作原理。针对目前信息过滤技术过滤精度低、速度慢的缺点,利用BP人工神经网络网络稳定、学习能力强的特点,重点研究了BP人工神经网络特征输入数据的取得、网络拓扑结构的选择、BP人工神经网络的训练过程、神经网络产生结果数据的处理方式,在此基础上提出了一种基于BP人工神经网络的信息过滤模型,实验证明,此模型过滤效率有了显著提高。     

基于BP网的中长期负荷预测因素优化选择

基于人工神经网络原理,设计一个由输入层、隐含层和输出层组成的三层BP网络模型,利用神经网络高度非线性建模能力,选取影响电力负荷的一些经济因素作为BP人工神经网络的输入变量,采用新定义的方差贡献法对输入变量进行优化选择,对预测精度的影响进行探讨。仿真结果证明,采用方差贡献法对影响中长期电力负荷预测的相关因素进行优化选择是可行有效的。     

人工神经网络在煤氧化性预测方面的研究

提出了利用人工神经网络技术进行煤氧化速率定量预测的新方法．根据对煤自燃的实际特点和基本规律的综合考虑，研究了影响因素的选取、煤氧化速率预测模型的建立等问题。采用BP神经网络算法对煤氧化速率进行了建模。结果表明，用神经网络模型对煤氧化速率进行模拟预测，具有理论上的可行性和现实意义，说明人工神经网络技术在煤氧化速率预计领域中具有实用价值。     

桌面色彩及照明对阅读影响的神经网络分析

为了综合分析环境中多种物理量对阅读环境质量的影响，建立了公共阅读环境的人工神经网络模型。模型采用三层BP网结构，以照度条件和桌面明度作为网络的输入参数，将一定时间内相对阅读作业总量和相对阅读准确率作为模型的输出参数。该模型可以同时考虑阅读环境中多种参数对阅读作业的共同作用，反映了阅读环境中多种参数的多变量、强耦合性的特征，分析了照度条件和桌面明度条件在不同情况下对阅读作业的影响。     

白腐真菌降解五氯苯酚过程的模拟

利用变步长BP算法,对白腐真菌生物降解五氯苯酚废水过程中污染物浓度变化的时间序列建立了AI神经网络预报模型,并利用该模型对生化降解过程的变化规律及趋势进行了研究。结果表明,模型的计算值与实测值之间的误差很小,对未来时刻数据的预测精度也较高,模型较好地反映了五氯苯酚含量在降解过程的变化规律。     

神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。     

Testing Forecast Accuracy of Foreign Exchange Rates: Predictions from Feed Forward and Various Recurrent Neural Network Architectures

In this research, we work with data of futures contracts on foreign exchange rates for British pound (BP), Canadian dollar (CD), and Japanese yen (JY) that are traded at the Chicago Mercantile Exchange (CME) against US dollars. We model relationships between exchange rates in these currencies using linear models, feed forward artificial neural networks (ANN), and three versions of recurrent neural networks (RNN1, RNN2 and RNN3) for predicting exchange rates in these currencies against the US dollar. Our results on forecast evaluations based on AGS test the tests of forecast equivalence between any two competing models among the entire models employed for each of the series show that ANN and the three versions of RNN models offer superior forecasts for predicting BP, CD and JY exchange rates although the forecast evaluations based on MGN test are in sharp contrast. On the other hand forecast based on SIGN test shows that ANN and all the versions of RNN models offer superior forecasts for BP and CD in exception of JY exchange rates. The results for forecast evaluation for all the models for each of the series based on summary measures of forecast evaluations show that RNN3 model appears to offer the most accurate predictions of BP and RNN1 for JP exchange rates. However, none of the RNN models appear to be statistically superior to the benchmark (i.e., linear model) for predicting CD exchange rates.      

基于模糊模式识别的超圆神经网络模型

模糊模式识别是模糊集理论研究中的重要方向,神经网络是数据挖掘中的一种常用方法。超圆神经网络的学习时间和网络模型理解性都优于BP神经网络,它能以较少的数据量蕴涵同样的信息量。文章依据超圆神经网络模型思想,提出了一种新的基于模糊模式识别的神经网络模型算法,该算法继承了超圆神经网络的优点,能有效地对样本进行学习。