频响函数作为神经网络输入参数的应用研究

给出一个BP神经网络,应用频响函数作为神经网络的输入参数,用来识别结构的状态信息.由于频响函数数据量大,直接作为神经网络输入参量容易造成网络训练收敛慢或不收敛.将频响函数在(0,1)范围进行归一化处理,通过用BP网络试验,新方法收敛速度提高了25倍,表明这是一种简单有效的方法.     

量子BP神经网络在发动机故障诊断中的应用

为了解决普通BP神经网络收敛速度慢、分类正确率低等问题,提出一种量子BP神经网络算法。该算法在普通BP神经网络中引入了量子算法,量子BP神经网络结构由输入层、隐含层和输出层组成,其中,量子神经元的输入和传递函数均由量子比特表示,输出结果为实数。首先,该算法将实数值训练样本变换为量子态训练样本,从而作为算法的输入。然后,通过传递函数,计算量子态权值并更新网络参数以达到训练效果。最后,利用训练好的网络进行故障诊断,并将结果以实数值输出。将该方法应用于发动机故障诊断,实验结果表明,与普通BP神经网络相比,量子BP神经网络算法在收敛速度、分类正确率和执行时间等方面具有明显的优势。     

广义回归神经网络在汽车换档机械手运动轨迹测量中的应用

针对换档机械手机构特性,设计了广义回归神经网络(GRNN)模型,输入层为两结点输入,即角位移坐标值α、β输出层为两结点输出,分别对应空间坐标值x,y,网络中间层的神经元传递函数采用径向基元萌数,输出层的神经元传递甬数采用线性元函数,对于光滑因子在[0.05,0.1]间取值,进行对比分析,最终选定光滑凶子取0.05.以标定数据中的一部分作为样本对上述神经网络进行训练、仿真,并预测另一部分数据,经过对结果的误差分析和与BP神经网络作比较,验证了本网络模型的有效性和精确性.与BP网络相比,其算法易于实现、结构简单、便于编程、收敛较快,可成功应用于本机器人系统中.     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于RBF神经网络的曲面数据修补研究

径向基函数(RBF)神经网络具有良好的泛函逼近能力,主要探讨了将RBF神经网络应用于残缺曲面数据修补问题,通过建立适于数据修补的网络模型与采用levenberg-marquardt算法的改进型BP神经网络进行性能比较.结果表明:RBF在进行残缺数据修补时网络收敛速度快于BP神经网络,且修补精度高,适宜于曲面残缺数据的修补.     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于小波神经网络的模拟电路故障诊断

本文对模拟电路提出了一种基于小波神经网络的故障诊断方法。该法利用小波空间中函数的多分辨率分解思想，构造了一种激励函数为具有紧支撑集的尺度函数和小波函数的小波神经网络。这种小波神经网络隐层节点数的选取有理论根据，解决了传统神经网络隐层节点数难以确定的问题。分别用本文提出的小波神经网络和传统BP网络对实例电路进行故障诊断，结果发现，小波网络比传统BP网络方法不仅学习收敛速度快，而且有效地避免了局部最小值问题。     

基于BP神经网络的非结构化道路识别

基于BP神经网络,针对非结构化道路的彩色图片,利用熵、对比度等纹理特征值作为BP神经网络的输入层,设隐层有12个节点,输出层有1个节点,进行网络训练。完成网络训练之后,可以得到网络的阀值,然后将图片中的每一个20×20小块的纹理特征值输入BP神经网络的输入层,经过运算判断小块是否为道路部分,直至完成整个图片的判别。     

单刚矩阵计算用神经网络结构的实验确定

提出将BP网络与函数型网络相结合用于有限元单元刚度矩阵的实时计算,给出了网络结构的设计依据,对不同阶数输入向量的网络的收敛速度进行了对比分析,为网络输入参数数目的确定提供了参考。     

粗神经网络在煤与瓦斯突出预测系统的应用

在综合研究了各种算法的基础上,将粗集理论和BP神经网络结合,充分利用了粗集算法能够去除冗余信息,BP神经网络能够精确加快收敛速度的优点.利用具体网络建立一个突出预测机制,并利用该预测机制对矿井瓦斯突出情况进行模拟预测.实际应用效果表明:采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度.实验结果表明:基于粗集- BP神经网络的预测模型可靠,收敛速度快,预测精度高,效果良好.     

基于神经网络的壳体结构损伤诊断研究

神经网络输入参数的选择将直接影响工程结构损伤识别的精度和准确性。本文提出以反映结构损伤位置和程度的固有频率与频率下降率的组合作为神经网络输入的特征参数，以增加对损务程度敏感的参数项，克服单独使用某种参数的缺陷。针对使用BP算法的多层感知器中存在的网络收敛速度慢，容易陷入局部极小点等问题，采用一个改进算法。并以门座起重机筒形支柱－－圆柱壳结构损伤为例，进行计算分析，从中可以看出，采用此组合特征参数和改进算法提高了诊断的精度，加快了网络收敛的程度。     

基于遗传算法和神经网络的塔机结构动态优化设计

利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型,用于振动系统的快速重分析。首先对塔式起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

基于BP神经网络的制冷机组故障检测与诊断

研究了BP神经网络用于制冷机组故障检测与诊断的方法，并且用来自真实测量的数据建立了冷水机组故障检测与诊断的BP神经网络模型：研究表明，在静态条件下，通过提取制冷机组有代表件参数的残差，以此作为BP神经网络的输入，当BP神经网络经过适当的训练后，能成功地对各种耦合的故障进行辨识，诊断训练时间短．BP神经网络能实现对制冷机组进行实时故障检测与诊断的需要.     

基于RBF神经网络的热敏电阻温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,本文提出了应用RBF神经网络强非线性逼近能力进行非线性补偿的方法。文中介绍了非线性补偿的原理和网络训练方法。该方法不依赖于传感器的模型,而是根据传感器的输入和响应数据,建立补偿模型。结果表明,这种非线性补偿模型具有误差小、精度高、可在线标定、鲁棒性强,与基于BP神经网络的非线性补偿模型相比,网络训练时间短等优点,从而方便了热敏电阻温度传感器在测控系统中的应用。     

基于BP神经网络的小型组足球机器人视觉子系统的图像分割技术

为解决小型足球机器人视觉子系统图像分割的实时性和光照适应性问题,将BP神经网络技术应用到图像分割中.在图像分割技术和BP神经网络的理论分析基础上,建立了两者之间的关系,并建立了相应的BP神经网络模型.图像像素离散化并将其H、Cb、Cr分量值作为神经网络的输入,将目标像素点分类类别作为神经网络的输出.通过改进神经网络学习...     

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。     

BP网络在优化机械加工参数中的应用

机械加工中的误差复映现象使加工参数的选择主要依靠工人的经验,为此,利用BP网的任意非线性映射能力,通过学习人的经验,实现机械加工参数的优化选择。分析了机械加工中误差复映问题的特点,利用改进后的BP网络算法的非线性映射能力,逼近误差复映系数与工件材料硬度、进给量等因素之间的非线性关系,对训练成熟的网络输入加工前毛坯误差、工件材料硬度等,可以输出满足加工要求的加工次数和各次的加工量。通过实例说明了采用附加动量法和自适应学习率改进后的BP算法收敛快,且不易限入局部极小值。在分析误差复映问题模型和比较不同网络结构的训练结果的基础上,确定了BP网络结构。通过在MATLAB中对网络的测试结果,验证了用BP网络实现优化机械加工参数的可行性。     

基于神经网络与PSO算法的发动机装配工艺参数优化

针对汽车发动机装配过程中缸体泄漏问题,结合Back Propagation(BP)神经网络及粒子群优化(Particle Swarm Optimization, PSO)算法,提出了一种发动机装配工艺参数优化方法。首先,使用BP神经网络建立了生产工艺参数与质量指标之间的非线性映射关系,并以此作为泄漏率预测模型。其次,根据实际生产需求,应用皮尔逊相关性分析法求解得到相关性最强的部分工位工艺参数,并以其作为后续优化对象。最后,以BP神经网络预测模型作为适应度函数,使用粒子群优化算法求解得到工艺参数的最优值。使用400台发动机的实际生产数据进行试验。试验结果显示,BP神经网络具有较准确的预测效果,结合粒子群优化算法得到了优化后的工艺参数值,显著降低了发动机的泄漏率,具有一定的指导意义。     

基于气体传感器阵列的混合气体定量分析

优选CO和H2气体敏感的半导体气体传感器组成阵列，建立实时数据采集系统，结合BP神经网络模式识别技术，实现了混合气体组分的定量分析。讨论了不同响应时间下的阵列输出值、不同的数据预处理算法及不同的神经网络结构等主要影响因素对网络输出结果的影响。结果表明，采用RRD预处理算法对3min响应时间下的阵列输出值进行处理，再输入到有12个隐层神经元数的3层BP神经网络进行训练，预测的效果最好。该处理模式能较准确地完成CO和H2混合气体组分的定量分析。