加工过程的复合递归神经网络建模

针对BP神经网络的缺陷,在对角递归网络结构的基础上,提出了一种复合递归神经网络.BP算法收敛速度慢、产生局部极小点的原因之一是该算法采用了均方误差准则,为克服BP算法的不足,采用了一种广义熵方误差准则.把基于广义熵方误差准则的复合递归神经网络应用于加工过程的建模.仿真试验结果表明,复合递归神经网络建模具有比BP神经网络更快的收敛速度和更好的逼近效果.     

基于蝙蝠算法优化BP神经网络的特征点匹配

由于医学图像的特殊性,普通亮度和对比度偏低,灰度不明显,在成像上拍摄角度和拍摄光照变化,都是导致图像的中的数据丢失,为了解决上述的干扰,近年来,基于特征点的人工神经网络图像匹配方法具有高速信息处理和不确定性信息处理的能力,引起了人们的广泛关注。传统的BP神经网络参数是随机的,容易陷入局部最优,利用蝙蝠算法优化BP网络参数,应用到特征点匹配中去。提出了一种基于蝙蝠算法优化BP神经网络的特征点匹配方法,利用两图间匹配为基础,建立基于蝙蝠算法优化BP神经网络的特征点匹配的模型,并加以特征点的单一性约束准则和互应性约束准则,仿真结果表明:蝙蝠算法优化BP神经网络的特征点匹配的正确率比传统的BP神经网络的正确率高。     

GA-BP神经网络在伺服系统辨识中的应用

针对BP算法在系统辨识应用中的不足,提出了一种基于遗传算法(GA)的BP神经网络建模方法.该算法充分利用了遗传算法和BP算法各自的优点.采用该算法完成了具有复杂非线性的某伺服系统的建模工作.实验结果表明了该算法的有效性.     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

基于LM-BP神经网络的非线性轮廓图优化方法研究

将正交试验设计理论与BP神经网络模型和Levenberg-Marquard算法相结合,提出了一种基于LM-BP神经网络模型的针对输出为非线性轮廓图响应的离线设计优化方法。并结合实例与传统的统计回归建模方法得出的优化结果进行了比较。结果表明基于LM-BP神经网络建模可以避免由于实验误差和试验设计方案所造成的模型系数估计误差,而与标准的BP算法比较,克服了标准BP算法性能不稳定、收敛速度慢、收敛精度低、存在局部最小值等缺点,具有极高的精确性,优化结果令人满意。     

基于时变自回归模型与神经网络的滚动轴承故障智能诊断

使用时变自回归建模分析方法建立滚动轴承振动信号特征提取模型,基于基函数算法求解该模型的时变参数,并采用AIC准则确定模型阶数。在利用上述参数化模型对轴承振动信号进行特征提取的基础上,构建BP神经网络,有效地实现了轴承故障的智能诊断。     

遗传算法在电流变传动系统建模中的应用

在双圆盘电流变传动系统的建模过程中,通过在常用于系统识别的神经网络BP算法中加入基于生命进化原理的遗传算法改变神经算法的物理意义和性能。建模过程和结果表明,此种方法不仅能改进BP算法的效率,并且,两种算法的结合使算法本身具有了一定的物理意义,而这种意义是由电流变液的记忆功能所确定的。     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

[成形过程的数据挖掘与深度学习方法]基于机器学习的管材弯曲回弹有效预测与补偿

采用基于优化的误差反向传播(BP)神经网络的机器学习算法建模,提出了考虑材料参数、几何参数等多因素的弯管回弹精确预测和高效控制方法。该方法通过引入非线性惯性权重及遗传算法的杂交算子,改进了粒子群优化(PSO)算法,进而通过改进的PSO算法对BP神经网络进行优化,构建了基于改进的PSO-BP神经网络机器学习回弹预测和补偿模型。以多种规格的铝合金数控弯管构件为对象,将实际生产中不同规格、批次、成形参数下回弹数据作为训练样本,实现了所建机器学习预测模型的应用验证。所建模型获得的预测结果平均相对误差为6.3%,与未优化的BP神经网络等传统模型相比,预测精度最大提高了18.5%,计算时间可从1.5 h缩短至300 s,同时实现了回弹预测与补偿精度以及计算效率的显著提高。