应用激光跟踪仪的三坐标测量机几何误差检测方法

几何误差是三坐标测量机的重要误差来源,三坐标测量机几何误差检测方法存在效率低、测量精度不高的问题,严重影响三坐标测量机使用性能的进一步提升.为此,提出了一种应用激光跟踪仪的三坐标测量机几何误差检测与直接分离方法.首先,基于多体系统理论和齐次坐标变换方法,建立三坐标测量机几何误差模型;其次,建立激光跟踪仪测量几何误差的数...     

自由曲面加工误差预测 ——基于模拟退火算法优化的BP神经网络算法

针对三坐标测量机测量效率低的问题,建立了自由曲面加工误差预测模型.采用基于模拟退火算法优化的BP神经网络算法对自由曲面上若干个点的加工误差进行预测,结合模拟退火算法的概率突跳特性,在解空间中随机寻找目标函数的全局最优解,从而改进BP神经网络算法.为进一步提高算法的预测精度,采用加工误差分解的方法剔除点集中的奇异点.用三...     

三坐标测量机几何误差的建模及测量

误差补偿是提高三坐标测量机整体精度的高效且经济的手段,为通过该途径实现三坐标测量机精度的提升,进行了其前行基础步骤的研究——误差源分析、误差建模及误差测量。由此,找出了对三坐标测量机精度影响重大的21项几何误差;根据误差特性,建立了对应的误差矩阵,同时介绍了测量方法和测量原理,并用实验证实了该方法的可行性,为后续的误差补偿方法来提升三坐标测量机精度奠定了基础。     

三坐标测量机动态误差研究及应用现状

随着三坐标测量机高速测量的发展,动态误差成为影响其测量精度的重要因素。本文从三坐标测量机的动态特性、关键部件动态性能及动态误差修正方面介绍了三坐标测量机动态误差的研究现状,并对目前所存在的问题进行了分析。     

基于NN的一类非线性系统模型研究

针对惯导平台系统漂移误差高阶非线性动态系统的特点,利用神经网络任意逼近能力和自适应抽取系统动态信息的能力,提出基于神经网络(NN)的建模.首先建立惯导平台漂移误差模型,然后通过BP算法训练网络模型,系统获得了较为满意的模型辩识结果.     

纳米三坐标测量机的误差分析与分离

针对所研制的纳米三坐标测量机的具体结构,运用现代精度保障理论和技术,结合动、静力学相关知识,进行了纳米量级水平的误差源全面分析,对各误差的表现形式和影响进行了详细的描述,为后续的误差分配和结构优化设计打下基础。根据纳米坐标测量机的精确环境要求和所研制的纳米三坐标测量机结构、误差分布特征和精度要求,利用微型三光束平面干涉仪,设计了相关的支架组成了误差分离实验装置,实现标准量示值误差、导轨直线度线值误差和俯仰、偏摆和滚转误差的一次性分离,减小激光干涉仪发热、振动等外界环境因素对测量机误差的影响,同时避免了使用单一功能的仪器分次非实时测量带来的附加误差。实际分离实验结果验证了误差分离实验装置的有效性与可靠性。     

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络（FNN）建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析（FEA）软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示：在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.     

三坐标测量机的误差分析及其补偿

应用坐标变换理论分析了三坐标测量机的仪器误差，提出了对三坐标测量机的误差进行软件补偿的方法，并作了二维坐标测量误差补偿的验证．     

三坐标测量机测头系统的误差分析与修正

测头是三坐标测量机的关键部分,其动态性能对测量机最终测量结果有直接的影响。为了提高三坐标测量机测头的测量精度,以触发式测头系统为主,研究了测头系统动态误差的构成,分析了测头预行程误差来源及影响因素,提出了将测头直径动态标定与微平面补偿法相结合的方法对测头直径进行补偿。通过对凹轮轮廓进行测量,并在逆向工程软件中对测头直径补偿前后进行对比。结果表明,该方法对测量机测头直径有较好的补偿效果,具有一定的应用价值。     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

基于不同神经网络模型的冷凝器两相换热量的研究

在混合工质下利用4种神经网络模型(反馈神经网络模型(BP)、遗传神经网络模型(GA - BP)、极限学习机网络模型(ELM)和递归神经网络模型(RNN))预测了板式换热器的换热量(含相变换热).结果显示:热源温度为30、40、50 ℃时,GA - BP神经网络模型的平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)均小于其他3种神经网络模型,且与实际值接近.该结果表明,GA - BP神经网络模型比其他3种神经网络模型更适用于预测板式冷凝器的换热量(含相变换热).     

快速路截面数据和车牌识别数据融合算法

为了提高快速路交通流检测精度,在对快速路截面数据和车牌识别数据预处理方法研究的基础上,提出了基于遗传算法优化的BP神经网络数据融合算法,并以VISSIM模拟交通流数据为对象,通过MATLAB程序实现该算法的仿真验证,同时与传统BP神经网络融合算法进行对比分析.结果表明,该算法融合的平均相对误差为0.73%,传统BP神经网络融合的平均相对误差为1.55%,融合精度显著提高.     

数码冲印颜色空间转化的神经网络优化

为了提高神经网络在数码冲印颜色空间转化应用中的收敛效率，设计了一种基于反向传播（BP）神经网络的自适应优化模型.通过等间距分割由曝光实验测得的青、品、黄染料累积色差曲线，构建了在CIE Lab色域空间内分布相对规则的大容量学习样本.基于对网络训练过程中隐含层神经元节点间相关性和离散性的动态分析，合并或删除了冗余的节点结构.根据学习速率对网络收敛效率的影响，引入全局平均误差（GME）作为权值，对学习速率进行即时调整.仿真结果表明，与传统的BP神经网络相比，优化后的神经网络模型收敛成功率显著提高，收敛速度加快.输出精度能够满足色差要求.     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

基于灰色神经网络模型的径流模拟与应用

通过对实测年径流系列进行相关影响因子的灰关联度分析,建立了GM(1,N)模型,利用BP神经网络模型对残差值进行拟合修正,构建了一个基于GM(1,N)的灰色神经网络预测模型.结合实例的计算结果表明,该模型可提高年径流模拟精度.     

基于动态贝叶斯网络的气化炉烧嘴系统可靠性分析

为解决在分析系统可靠性时获取的动态贝叶斯网络（DBN）的先验数据主观性强的问题,以气化炉烧嘴系统为研究对象,利用BP神经网络优化DBN的先验数据。依据隐含层神经元数量经验公式,将气化炉烧嘴系统DBN模型划分为3个子系统,并分别转化为BP神经网络。将DBN的先验分布分别对应BP神经网络的输入函数与输出函数,再利用BP神经网络信息向前传、误差向后传的特性,对系统进行性能学习,实现对DBN的先验数据优化。对优化后气化炉烧嘴系统的DBN进行双向推理,实现对气化炉烧嘴系统动态可靠性分析。结果表明,对气化炉烧嘴系统DBN进行正向推理,可得到优化后的系统可靠性变化趋势;进行反向推理,可得到优化前后的关键事件及薄弱环节,其中薄弱环节为高氧煤比氧煤比的波动。     

BP神经网络拟合方解石晶体色散方程

介绍BP算法神经网络曲线拟合方法,并借助MATLAB工具箱函数将它运用于方解石色散特性研究,通过拟合效果图,误差曲线,误差范数反映BP神经网络的优越性,体现BP算法较高的预测能力和良好的泛化能力,并且可以自动地确定数学模型,精确度高,原理也较简单,尤其对复杂的输入输出系统具有更好的效果。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。