量子神经网络在旋转机组状态趋势预测中的应用

神经网络具有非线性函数逼近能力,常用于非线性趋势预测。为了预测旋转机组故障特征量的非线性发展趋势,提出指数加权量子神经网络。参考传统的BP(backpropagation)神经网络及指数平滑的预测方法,将量子计算与神经网络相结合,选择误差修正学习算法,并在神经网络输入层进行指数加权,构建三层指数加权量子神经网络。该网络具有非线性逼近能力,并且能通过指数加权系数反映近期和远期历史数据对将来预测值的不同贡献程度。在将指数加权量子神经网络应用于大型旋转机组故障特征量的非线性趋势预测时,实验结果表明该网络训练的速度与预测的精度均好于传统的BP神经网络预测。     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

BP神经网络在双燃料发动机排放预测中的应用

运用BP神经网络(Back Propagation Network)的自学习以及非线性逼近能力,对双燃料发动机排气中CO、HC、NO_x和碳烟的浓度进行拟合和预测。搭建神经网络模型,通过采集双燃料发动机排气浓度数据对神经网络模型进行训练和验证。当BP神经网络训练过程中样本和模型计算值的线性相关系数R大于0.9,且用于验证的数据和模型运算值误差在可忽略范围内,则所建的神经网络模型能够有效预测双燃料发动机的排气浓度。训练结果显示,CO、HC、NO_x和碳烟浓度的模型计算值和实测值线性相关系数R都大于0.9,说明神经网络具有较强的拟合能力;验证结果显示,预测值和实测值的相对平均误差都小于10%,能够满足实际需求。结果表明,运用神经网络模型能够有效预测双燃料发动机的排放。     

基于遗传算法和GRNN的棉花流量检测模型研究

为了实现气力输送管道内的棉花流量检测,引入广义回归神经元网络(GRNN),建立基于光电传感原理的实时棉花流量动态检测标定模型,充分利用GRNN在非线性函数关系逼近能力、学习速度和网络稳定性方面的优势.采用一种实数编码的改进遗传算法(MGA)完成对网络的有教师式训练过程,改善网络性能.首先建立基于GRNN神经网络的标定模型,然后利用MGA搜索接近全局最优的基函数中心和平滑因子,最后用该模型对测试样本数据进行了预测.     

基于遗传算法优化的BP神经网络在粗糙度预测上的应用

针对BP神经网络预测工件表面粗糙度精度不高的问题,提出了一种基于遗传算法优化的BP神经网络预测方法。首先用遗传算法对BP神经网络的初始权值、阈值进行全局寻优,然后对优化的BP神经网络进行训练、预测。通过MATLAB进行了粗糙度预测仿真验证。结果表明:优化的BP神经网络比未优化的BP神经网络具有更高的预测精度。     

优化神经网络的锂电池SOC估算

神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测.但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点.为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法.在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2％以内,说明所提的SOC估计方法有更好的预测准确性和稳定性.     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

可重入制造系统的产出短期预测方法研究

针对可重入制造系统处于高度不确定性环境中,其产出时间序列的非线性特征,提出了基于遗传小波神经网络的产出短期预测方法,使预测模型具有小波的优良逼近性质和神经网络的自学习自适应性质,同时,采用遗传算法训练神经网络参数,利用遗传算法隐含并行性和全局搜索性的特征,丰富优化过程中的搜索行为,增强全局和局部意义下的搜索能力和效率。通过半导体生产线实例,进行了验证,结果表明所提出的基于遗传小波神经网络的产出短期预测方法的预测性能要优于传统BP神经网络算法。     

基于低分辨率磁滞变化曲线的杆件拉力测量

根据磁弹基本原理可知,不同拉力作用下杆件材料的磁滞回线存在差异,据此提出了一种磁弹拉力测量改进方法。该方法先采用双套筒线圈式磁弹传感器采集不同拉力下杆件磁滞回线信号,并利用磁滞变化曲线衡量力对磁滞回线上每一点的影响,应用小波分析对磁滞变化曲线降维得到不同拉力下的低分辨率磁滞变化曲线特征,输入到神经网络进行训练,从而获得低分辨率磁滞变化曲线与拉力的映射关系。通过实验分析表明,磁滞变化曲线可以从本质上直观地反映拉力对磁滞回线上每一个点的影响。低分辨率磁滞变化曲线特征不仅包含着完整的拉力对磁滞回线每一点影响的信息而且特征维数低。应用基于低分辨率磁滞变化曲线和神经网络的拉力测量方法,无需分析灵敏度曲线和拟合确定系数曲线就可确定反映拉力的特征,可以实现多特征对拉力的拟合。接着,比较了误差反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和利用线性插值样本训练的RBF神经网络对拉力的预测性能,发现利用线性插值样本训练后的RBF神经网络的预测效果,优于BP神经网络和没采用线性插值样本训练的RBF神经网络。最后,将基于低分辨率磁滞变化曲线和采用线性插值样本训练的RBF神经网络的拉力测量方法集成于双套筒线圈式杆件拉力测量装置并应用于实际拉力测量中,其拉力测量误差和确定系数分别达到0.11%和1,达到了实际测量要求,证明了该方法的有效性和可用性。     

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。