改进型的神经网络PSD非线性补偿研究

为进一步提高PSD传感器线性度,提出了一种基于改进型神经网络(小生境遗传算法和BP算法的混合算法)的PSD传感器的非线性调校方法,该方法利用神经网络良好的非线性映射能力逼近反非线性函数,从而完成非线性校正.仿真结果表明:与BP算法相比,改进型BP神经网络收敛速度快,而且该方法能有效地消除由于制作工艺及技术等因素对传感器非线性的影响.     

基于BP-AGA的非线性组合预测方法研究

运用神经网络和加速遗传算法建立非线性组合预测模型，在BP算法训练网络出现收敛速度缓慢时启用加速遗传算法(AGA)来优化网络参数，把AGA的优化结果作为BP算法的初始值，再用BP算法训练网络，如此交替运行BP算法和AGA以加快网络的收敛速度，同时改善局部最小问题。最后给出实例研究，结果表明，该方法能明显提高预测精度。     

神经网络对结构地震反应的预测及试验研究

本文基于神经网络对非线性系统具有辨识和预测功能，并结合具有二阶收敛效应的Levenberg—Marquardt算法，采用一多层前馈网络对建筑结构的地震反应进行了预测。首先以一三层钢筋混凝土结构的振动台试验数据对网络结构进行批量训练，然后用未曾训练的地震波数据对结构进行地震反应预测，并与试验数据进行对比，分析结果表明：Lev—enberg—Marquardt算法能快速收敛，神经网络能准确地预测结构的地震反应。     

BP神经网络在测试系统动态补偿中的应用

测试系统的非线性动态补偿是仪器技术的一个重要方面．采用BP神经网络对测试系统进行动态补偿．BP神经网络的结果决定于网络输入、隐层和输出节点．由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性．采用了收敛速度较快的递推预报误差算法训练神经网络．试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求．表明本文的方法是有效的．     

应用神经网络进行短期负荷预测

以某地区购网有功功率的负荷数据为背景,建立了３个BP神经网络负荷预测模型———SDBP,LMBP 及BRBP模型进行短期负荷预测工作,并对其结果进行比较。针对传统的BP算法具有训练速度慢,易陷入局部 最小点的缺点,采用具有较快收敛速度及稳定性的L唱M（Levenberg唱Marquardt）优化算法进行预测,使平均相对误 差有了很大改善,而采用贝叶斯正则化算法可以解决网络过度拟合,提高网络的推广能力。     

基于BP算法与遗传算法的气体识别模型应用

本文采用遗传学习算法和误差反向传播算法（BP 网络）相结合来训练前馈人工神经网络（BPN），使网络收敛速度加快并避免局部极小。依据算法建立网络模型，用小批量训练替代单样本训练和大批量样本训练，提高网络的训练速度。通过模拟，预测结果表明，该算法收敛速度快，预测精度高，为气体模糊识别和预报提供了一种新思路和新方法。     

模拟退火优化BP神经网络在航向控制系统中的应用

目前，广泛运用于神经网络中的误差反向传播算法（BP算法）训练时间较长，且易陷入局部最优．为了克服BP算法的固有缺陷，文中提出了在BP算法中加入模拟退火算法权因子．在航向控制系统中进行了仿真，数据显示该算法比单纯BP算法更能优化控制器性能参数和全局搜索能力，收敛速度更快，精度提高比较明显。     

基于小波包和PSO优化神经网络的刀具状态监测

为改进BP神经网络进行刀具磨损状态识别时训练时间较长、收敛速度较慢、测试精度不够高、甚至完全不能训练等问题,引入一种全局搜索能力强,收敛速度快的算法——粒子群优化算法(PSO),用其来优化BP神经网络参数,改进网络的训练和识别性能。实验证明:经粒子群算法优化后的BP神经网络较原网络有更快的训练迭代收敛速度和更高的测试准确度,达到优化的目标,对实现数控刀具磨损状态的智能化在线监测具有重要意义。     

人工神经网络在建筑物物理力学参数识别中的应用

基于神经网络的BP算法,建立了识别建筑物物理力学参数的数值方法.在经典的BP算法中,网络中的权值的确定是将权值的计算修正过程描述为网络的训练过程,其中迭代步长由经验选定,常常造成收敛速度慢,并且收敛速度与初始权值的选择有关以及引起振荡等问题.在网络的训练过程中采用改进的BP算法,通过对学习算子的优化搜索,大大提高了网络的收敛速度,解决了BP算法迭代过程中目标函数的震荡问题.数值计算表明,所提出的改进的BP算法进行建筑结构物理力学参数识别的收敛速度和识别精度都得到了提高.     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.