基于粗糙PSO-BP神经网络的冷链物流服务商选择研究

为帮助冷链食品生产企业快速选择最佳冷链物流服务商,在传统BP神经网络基础上融合粗糙集和粒子群算法,构建了粗糙PSO-BP神经网络模型。该模型利用粗糙集剔除原始数据中的冗余信息,使输入指标更加精简;采用粒子群算法代替梯度下降法对神经网络权重进行训练,使输出结果不易陷入局部极小值,增强网络泛化能力。通过算例验证该模型的有效性和可行性。结果表明,该模型在提高运算速度的同时,预测误差为BP神经网络模型的40.94%,预测结果更加准确可靠,为冷链食品生产企业快速选择最佳冷链物流服务商提供一种新的方法指导。     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

车内噪声声品质的神经网络预测

鉴于车内噪声声品质评价的复杂性和非线性的特征,分析了BP神经网络方法在车内噪声声品质预测中的应用,阐述了其基本原理和模型并结合实例提出了完整的实施流程。该预测方法具有很强的学习能力,各连接权重由网络通过学习自主生成,因此预测结果更具客观性和准确性。同时将用此种方法与现有的预测方法得出的结果进行比较,得出结论：神经网络用于车内噪声主客观评价数据处理可以得到更好的预测效果,从而在很大程度上提高评价者的决策水平,对现代汽车噪声的评价、分析与控制都具有重要意义。     

基于PCA和改进BP组合预测模型的矿岩可爆性研究

为了更精确地对矿岩可爆性进行预测分级,对BP神经网络评价方法进行优化,建立了主成分分析法和改进BP神经网络相结合的矿岩可爆性分级评价模型。以具体矿山为例,考虑影响矿岩可爆性的10项评判指标,统计15个实际矿山的样本数据。利用SPSS软件对样本数据进行主成分分析,将输出结果作为改进BP神经网络的输入因子,矿岩的爆破等级作为输出因子,得到的分级预测结果更加准确且精度更高。结果表明:该模型对矿岩可爆性分级的相对误差都控制在6%以内,与未经主成分分析的BP神经网络预测误差相比,预测精度显著提高。该组合预测模型为矿岩的可爆性分级提供了一种更加完善的评价体系。     

基于饱和度优先的 BP 神经网络颜色空间转换模型研究

利用神经网络算法的非线性转换优势,构建了基于BP神经网络的颜色空间转换正向和反向仿真模型,提出了数据仿真饱和度优先的方法。通过训练样本的选取、仿真实验和数据分析,得到了较好的训练效率和转换效果。仿真结果表明,BP神经网络适合于颜色空间转换,转换精度较高。     

重载并联六维力传感器及静态标定

针对传感器重载小尺寸需求,提出一种具有混合分支的重载并联六维力传感器,分析了其结构特点和测量原理。搭建了重载并联六维力传感器标定系统,为改善维间耦合及制造误差等对测量精度产生的影响,从标定算法及模型优化方面对其进行了研究。分别利用最小二乘法和BP神经网络算法对加载实验数据进行了处理,分析结果表明BP神经网络算法要明显优于最小二乘法,并通过数据随机分组测试验证了结果的正确性。基于BP神经网络,提出了一种基于人工鱼群算法的BP神经网络算法,并采用优化后的BP神经网络标定算法对实验数据进行了计算分析,结果表明优化后的BP神经网络计算结果较好且稳定,不易陷入局部极值。     

应用神经网络模型对大学毕业生就业质量的预测

目的:尝试应用BP人工神经网络模型预测大学毕业生的就业质量。方法:以476名大学毕业生为研究对象,将毕业生的各种心理特质作为预测因子,利用Clementine数据挖掘软件构建大学毕业生就业质量的BP人工神经网络模型。结果:神经网络模型的拟合精度达到99.98%,对就业质量的平均绝对预测误差值为0.083。结论:该神经网络模型可用来预测和诊断大学毕业生找到工作后的就业质量,为就业指导工作提供技术与理论依据。     

基于BP 神经网络的颜色测量仪器台间差自适应修正模型

依据明度值对色块进行分区处理,按各区占总样本的百分比选取训练样本,采用BP 神经网络模型进行X-Rite 530 与SP60 测量数据的拟合。仿真结果及主观评价Z 得分显示,基于BP 神经网络的X-Rite 530 与SP60 台间差自适应修正模型优于三维空间拟合修正方法。提出的自适应修正模型为实现由低精度到高精度颜色测量仪器色度值的转换提供了理论依据,提高了印刷质量检测精度。     

基于BP神经网络的上市公司财务预警

针对上市公司财务危机风险预警问题,把具有智能综合评价性质的BP神经网络引入该领域,克服了人为确定权重的困难及模糊性和随机性的影响。结合实证分析,将上市公司财务风险警度分为4类并对上市公司的财务数据进行预警,最后与实际数据相比较,说明该方法用于财务预警具有很高的正判率,能够有效地帮助上市公司防范潜在的财务危机。     

自动定量称量包装传感器信号去噪算法

目的为了有效滤除自动称量控制系统中的噪声信号,提升称量系统的稳定性和精确度,提出一种基于BP神经网络粒子滤波的称量信号去噪方法。方法在粒子滤波算法中映入了BP神经网络,利用BP神经网络的非线性映射特点,对权值进行分裂和选择,将观测值看作神经网络的目标信号,通过神经网络中的多次训练增大小权值粒子的权重,从而提高粒子滤波算法的多样性。结果仿真和实验结果表明,BP神经网络粒子滤波方法能有效滤除称量包装系统中的噪声信号,提升传感器信号品质。结论该滤波方法大大提升了称量系统的稳定性,有效提高了称量包装的精度,所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

基于模拟退火算法优化BP神经网络的色彩空间转换

目的研究基于模拟退火算法优化BP神经网络对喷墨打印机色彩空间转换预测准确性的方法。方法通过数据归一化处理、模拟退火算法优化BP神经网络的权值和阈值,以获取它们的全局最优解,再用BP神经网络法进行色差预测。结果模拟退火算法优化BP神经网络预测模型测试15次得到色块平均色差达到2.3067,最小平均色差达到0.7892。结论该方法优化BP神经网络精度非常高,对喷墨打印机色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。     

大学生学习水平测评的人工神经网络方法

本文在对目前学分制高校大学生学习水平测评方法进行分析的基础上，运用人工神经网络（ANN）理论中应用最为广泛的BP网络技术，构建了对大学生学习水平进行评价的非线性评价模型。实际模拟运算结果与现行的测评方法的结果基本近似，且有其独特的特点。与传统的统计分析模型相比具有更好的容错性、鲁棒性和自适应性。避免了人工确定各指标或各层次权重带来的主观性，使得不同科目的成绩具有一定的可比性。可为高校大学生各类学习标兵、奖学金、三好学生等的评比提供客观、可靠的依据。     

采用Kohonen神经网络的ATM接入控制研究

提出了一种新的采用Ｋｏｈｏｎｅｎ神经网络的ＡＴＭ接入控制方法，它避免了在ＢＰ神经网络中存在的大量训练数据和精确的学习训练之间的矛盾，不仅学习收敛快，而且数值结果表明在保证业务质量的前提下获得了相当高的信道利用率。     

双曲正切非线性函数和加均值量化算法对BP神经网络图像压缩处理的影响

为了有效改善整个网络神经元的信息处理的特性,采用了双曲正切S形非线性传输函数和加均值量化算法,建立了BP神经网络图像压缩处理系统。由实验分析发现采用双曲正切传输函数的神经网络对图像处理的质量有所改善,并证明了这种传输函数的有效性。在此基础上又采用了加均值量化算法来提高神经网络图像压缩处理的训练速度。经过实验证明这种方法不仅不影响神经网络图像处理的质量而且缩短了网络传输图像的时间,由此证明了所提出算法的可行性。     

BP网络技术在LED系统总体性能评估中的应用研究

文章首先给出了LED总体系统性能指标体系,然后阐述了基于BP网络技术的LED系统总体性能评价方案,最后就指标数据进行仿真。研究表明,该方法能够降低人为因素的影响,从而提高了性能需求方案评价的准确性。     

人工神经网络在摩擦材料制备中的应用

采用热压成型的方法制备掺杂粉煤灰、以无机纤维为增强体的摩擦材料,并测试其磨损性能。选用BP神经网络建模,以摩擦材料配方、制备工艺、测试条件为输入变量,以材料的磨损率为输出变量,采用L-M算法对网络进行训练。结果表明,模型可以对材料磨损性能进行有效的预测,可用于配方及制备工艺的优化。     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于BP和RBF神经网络对静电纺丝工艺参数的优化研究

针对静电纺丝在制备过程中易受到如聚合物含量、电压、推进速度和接收距离等工艺参数影响的问题,提出一种静电纺丝工艺参数的优化方法,以提升纳米纤维制备效率。以聚乳酸纳米纤维膜为研究对象,采用纤维直径为性能评价指标,设计实验获得训练和测试样本,借助BP(Back Propagation)和RBF(Radial Basis Function)神经网络构建不同工艺参数下的预测模型。结果表明：BP和RBF神经网络模型均能较好的对纤维直径进行预测,但RBF神经网络模型预测精度更高,其平均绝对误差(MAE)为12.125 nm,相对误差不超过7%。RBF神经网络建立的预测模型具有更高的稳定性,模型泛化能力更好,综合预测性能更加优越。所建立的模型可以帮助研究人员制备具有确定纤维直径的静电纺丝纳米纤维膜,实现对工艺参数的优化。     

Structure Design and Optimization of Deep Cavity Rollers of Rotary Steering Spindle System

The center shaft of rotary steering spindle system is bendable under bias force. A severe partial load effect occurs among rollers, the inside and outside circles of the first cantilever bearing. Simulation analysis was conducted by loading boundary condition of the spindle under bias force. Furthermore, three different types of deep cavity rollers, which were cylindrical, conical, and spherical, respectively, were analyzed by finite element method. The effects of deep cavity angles, radius, and offset on mechanical properties of bearing were studied. The data obtained by simulation analysis were trained and predicted by Back Propagation (BP) neural network, and then the BP neural network model was incorporated into fmincon function. Thereby, structure optimization of rollers was established based on BP neural network model and fmincon function. The results show that structure of the conical deep cavity roller gets optimal mechanical performance. After being optimized, maximum stress of edge region and elliptical area decreases, respectively, by 22 and 17% than before, indicating that structure optimization method of the neural network and fmincon function can be used in optimization of deep cavity rollers. This method can quickly search for the optimal solution with sufficient engineering accuracy, ease of use, and adaptability.