混凝土强度无损检测数据处理的混沌优化神经网络模型

依据混凝土标准试块强度检测数据，建立了混沌优化的神经网络计算模型，从而克服传统BP网络收敛速度慢、易出现麻痹现象等不足。与混凝土无损检测现行规程规定的方法相比较，谊计算模型简单可行，搜索速度快，预测结果可靠、精度高。     

基于MEA-BP神经网络的6DOF工业机器人逆运动学研究

针对6DOF工业机器人逆运动学求解存在计算量大、通用性差、有奇异性等问题,提出一种基于思维进化算法(MEA)优化BP神经网络的工业机器人逆运动学求解方法。在机器人工作范围内,随机生成若干组关节角度值,通过正运动学方程获得机器人末端连杆位置和姿态,以末端连杆位置和姿态作为模型输入,关节角度作为模型输出,通过对样本数据的训练确定模型参数。使用该模型进行机器人逆运动学求解,并与传统的基于BP和RBF神经网络的求解方法进行比较,结果表明:该求解方法精度高、泛化能力强。     

基于粗糙集BP神经网络的AZ31镁合金挤压力快速预测模型

利用粗糙集、BP神经网络和有限元模拟3种方法有机结合,对AZ31镁合金挤压力进行快速预测。针对BP神经网络结构中隐层神经元个数、输入层至隐层神经元间初始权值大小的确定,提出一种基于粗糙集理论优化BP网络结构的方法,通过粗糙集属性约简、属性权重确定,对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数及输入层至隐层神经元间初始权值,并应用于AZ31镁合金挤压力快速预测中,建立挤压工艺参数与挤压力间的非线性映射关系。与试验对比结果表明,该快速预测模型预测精度高,误差在5%以内;预测时间短,在10s左右。解决了传统挤压力预测中的精度差、效率低的问题。该方法还可推广应用到对挤压出口温度等参数的预测。     

基于DE—BP神经网络的刀具寿命预测研究

引入了BP神经网络技术对刀具寿命进行预测,建立了刀具寿命预测模型.并针对BP神经网络所存在的缺陷,结合差异演化算法,提出了实数编码的DE-BP神经网络预测模型.实验表明,该模型对刀具寿命预测精度高,为刀具需求计划制定、成本核算、切削参数制定提供了理论依据,节约了制造执行系统成本.     

基于MATLAB的BP网络预报2350中板轧制力能参数

应用MATLAB神经网络工具箱训练BP网络的基本原理和方法，建立了2350中板轧机轧制压力和轧制力矩的BP网络。预报计算表明：该BP网络高效简便、计算精度好，所训练好的BP网络预报2350中板轧机的轧制压力和轧制力矩的相对误差小于5％，满足生产控制的要求。     

基于AGA-BP算法的智能故障诊断技术研究

针对传统BP神经网络的不足,提出基于自适应遗传算法的BP神经网络故障诊断算法.在迭代计算前期,采用自适应遗传算法对神经网络的权值和阈值进行全局优化;在迭代计算后期,利用改进的BP算法在近似最优解附近进行局部寻优.将该算法用于磨削烧伤的故障诊断之中,并将结果与基于改进BP网络的诊断结果进行比较,证明该方法的正确性和有效性.     

基于BP神经网络的铸机故障诊断系统研究

为提高铸机故障诊断能力,设计利用BP神经网络实现故障与特征的非线性映射方法。在该映射关系中,分析了BP网络故障诊断思路,并以搬运机械手为例,通过BP神经网络对其网络控制、液压驱动、回转及行走配合过程中的故障进行诊断。通过分析表明,BP网络能解决复杂装备诊断困难等问题。     

基于改进型BP神经网络的并联机构位置正解研究

采用了一种改进型的BP神经网络方法对3-RSR并联机构的位置正解进行了研究,首先通过理论方法对3-RSR并联机构的位置逆解进行求解,然后采用改进型BP神经网络对通过位置逆解得到的数据进行了网络训练,神经网络训练结果与理论结果对比,验证了该方法的合理性。而且,对比改进后的BP神经网络结果与普通BP神经网络结果,发现两种方法均具有非常高的计算效率,且有效避免了复杂的推导和演算,但改进型BP神经网络方法得到的结果精度更高,因而在高精度的工程领域,采用改进型BP神经网络方法更具合理性。     

BP神经网络在铁液预处理脱硫率预测中的应用

水模动力学试验是设计KR脱硫搅拌器结构及优化工艺参数的主要方法之一,此方法存在脱硫率难以提取、试验周期长和成本高的缺点。针对上述问题,提出了一种BP神经网络脱硫率的预测方法。搅拌器在运行过程中,不同的结构参数和操作参数直接影响到脱硫率。基于此,选取叶片厚度、叶片高度、插入深度和搅拌转速作为BP神经网络的输入量,以脱硫率为输出量,构建了3层神经网络预测模型。利用Matlab软件对BP神经网络模型反复训练,训练精度为0.001 02,达到了预设精度。应用该网络模型对脱硫率进行预测,结果表明,建立的模型具有可行性、通用性强等优点,缩短了实验周期,提高了搅拌器的设计效率。     

基于灰色理论和神经网络的自冲铆接头力学性能预测

为研究铆接参数对自冲铆接头力学性能的影响,对AA5052板进行自冲铆接正交试验,采用灰色关联度分析了各铆接参数对接头强度的影响程度,并通过BP神经网络建立了铆接参数与接头强度的神经网络预测模型。利用获得的正交试验数据对网络进行训练,并采用未参加训练的样本验证该预测模型的有效性。结果表明:刺穿压强和整形压强对接头强度影响最大,其中刺穿压强对接头强度起决定作用,适当增大刺穿压强可以提高接头强度。采用LM算法优化的BP神经网络模型具有良好的泛化能力和预测精度,对未参加训练样本预测精度高,其预测最大相对误差为5.48%,预测精度超过90%。     

基于正交试验-BP神经网络的GH4169膜片微束TIG焊接工艺优化

将正交试验与BP神经网络结合用于0.2 mm厚GH4169膜片微束TIG焊接工艺参数优化,根据正交试验结果对神经网络模型进行训练,建立了峰值电流、基值电流、焊接速度、脉冲频率与接头直径、高度、抗拉力的BP神经网络模型. 结果表明,在BP神经网络模型预测的基础上,结合小步长搜索法获得的最佳工艺参数范围为峰值电流11.6 A±0.2 A、基值电流4.3 A±0.1 A、焊接速度4.14 mm/s±0.1 mm/s、脉冲频率52 Hz±2 Hz. 通过试验验证,4组试样各指标试验值均处于模型预测值范围内,抗拉力值均高于先期试验. 试验结果证明,该模型预测精度高,并且该工艺优化方法能有效提高实际工艺设计的效率.     

基于BP网络的非线性系统无模型误差自学习控制

针对未知非线性系统提出了一种基于BP神经网络的无模型误差自学习控制方案，其控制思想是利用BP网络及其冲量BP算法实现对系统输入输出量的速度辨识，同时构造了误差控制器，并通过速度辨识学习器向误差控制器动态传递更新权阵，以实现对未知非线性系统的自学习、自适应无模型控制。作者在matlab6．0平台下进行了仿真实验，其仿真结果令人满意。     

Dynamic Node Creation in Backpropagation Networks

This paper introduces a new method called Dynamic Node Creation (DNC) which automatically grows BP networks until the target problem is solved. DNC sequentially adds nodes one at a time to the hidden layer(s) of the network until the desired approximation accuracy is achieved. Simulation results for parity, symmetry, binary addition, and the encoder problem are presented. The procedure was capable of finding known minimal topologies in many cases, and was always within three nodes of the minimum. Computational expense for finding the solutions was comparable to training normal BP networks with the same final topologies. Starting out with fewer nodes than needed to solve the problem actually seems to help find a solution. The method yielded a solution for every problem tried.     

利用人工神经网络预测热连轧精轧机组带钢宽度变化

采用BP神经网络方法代替传统的数学模型预测精轧机组轧制带钢的宽度变化,以提高热轧带钢的宽度精度,并进行了不同网络结构的比较研究。结果表明,BP神经网络方法优于传统数学模型方法,其预测值与实测值的标准差减小了51．9％。     

BP神经网络和数学模型在中厚板板凸度预报中的综合应用

分析中厚钢板板凸度计算模型并给出相应的在线数学模型。为了提高板凸度在线模型预测精度,提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法,科学选取学习样本,解决了样本多、学习速度慢的问题。通过大量在线数据分析,可知这种方法对中厚板板凸度的预报精度有很大改善,能适应不断变化的工艺过程和设备条件。     

结合数学模型的模糊聚类BP网络预报板凸度

分析了中厚板板凸度计算模型并给出了相应的在线数学模型。为了提高板凸度在线模型预测精度，提出了一种基于模糊聚类BP神经网络的板凸度模型影响系数的优化方法。并采用模糊聚类分析方法，科学选取学习样本，解决了由于样本多学习速度慢的问题。通过对大量在线数据分析得出，这种方法对中厚板板凸度的预报精度有很大改善，能适应不断变化的工艺过程和设备条件。     

基于BP和RBF神经网络的表面质量预测研究

目的 研究RBF和BP神经网络在铣削加工中的作用,实现对铣削加工质量的预测,改善铣削性能。方法 对环形铣刀与常用的球形铣刀进行对比,然后基于MATLAB平台,建立以铣削速度、进给量和铣削深度为输入参数,表面粗糙度为输出参数的RBF神经网络模型。通过大量的试验数据对RBF神经网络模型进行训练,然后再用训练好的RBF神经网络模型预测表面粗糙度,将预测值与实测值进行比较,验证RBF神经网络的预测性能。将训练好的BP神经网络模型与RBF神经网络所建模型的预测结果进行比较。结果 发现用RBF方法预测的表面粗糙度相对误差的绝对值不超过6%,最大误差为0.056 098,平均误差为0.022 277,而BP方法的最大误差为0.074 947,平均误差为0.036 578。结论 环形铣刀加工质量更好。RBF神经网络的预测精度较高,具有比BP神经网络更优的预测能力,且拥有建模时间短、收敛速度高、训练过程稳定以及学习速度快等优点,能有效进行铣削质量预测。     

人工神经网络技术及其在板料成形智能化中的应用

本文在概述人工神经网络特性、BP网络模型及BP算法的基础上 ,对BP算法改进、训练样本及网络结构等相关技术进行了总结。重点综述了人工神经网络技术在板料成形专家系统、成形力预测、参数识别、智能控制、故障诊断、缺陷分析、板料成形性能研究和模具优化设计等板料成形智能化相关技术中的应用 ,探讨了应用中存在的问题 ,并展望其发展趋势     

基于BP神经网络的挤压模具磨损预测

基于修正的Archard磨损模型,将人工神经网络与有限元分析相结合,用有限元模拟数据作为学习样本,训练BP神经网络模型,以此模型预测挤压模具的磨损,实现了模具寿命的快速预测,也为模具型腔等磨损设计奠定了基础。     

基于神经网络PID的交流伺服系统位置控制

针对某水中兵器测试装置交流伺服系统具有定位精度高、运行平稳、抗干扰能力强的特点，采用BP神经网络与PID组合自适应控制器来实现该装置中的交流伺服系统控制。研究结果表明，该控制器对某水中兵器测试装置交流伺服系统的控制是合适的，具有鲁棒性强、控制精度高和运行平稳等特点。