BCC-BP算法在RGB值到LAB值色彩空间转换中的应用

目的 为了有效克服BP神经网络算法权阈值随机选取造成的模型预测精度不高、结果输出不稳定的问题.方法 提出细菌群趋药性(BCC)算法和BP神经网络算法相结合的BCC-BP神经网络算法,采用BCC算法来选取BP神经网络初始权阈值,克服初始权阈值随机选取带来的问题,并将该算法应用到RGB到LAB色彩空间转换模型中.结果 按照国家普通印刷品的允许误差范围规定在6个标准色差单位以下的要求,在色差小于6的预测区间,基于BCC-BP算法的预测准确率达到81.07％,好于BP,GA-BP和PSO-BP算法,同时对于平均色差ΔE小于6个标准色差单位的要求,BCC-BP算法10次预测结果全部低于6.结论 采用BCC算法辅助BP神经网络进行初始权阈值的选取,可以有效提高BP神经网络模型在色彩空间转换应用中值的输出精度和稳定性.     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

改进dynFWA优化BP神经网络在加工中心主轴故障诊断中的应用

针对目前加工中心(Machining Center,MC)主轴故障诊断多为人工经验完成,且故障诊断精度和识别率低等问题,提出基于改进的动态搜索烟花算法(dynamic search fireworks algorithm,dynFWA)优化BP神经网络(Neural Network,NN)的加工中心主轴故障诊断方法。将改进的动态搜索烟花算法优化BP神经网络的初始权值和阈值,建立改进dynFWA-BP神经网络模式分类方法。将提出的模式分类方法应用于MC主轴故障诊断中,使得提取的主轴故障特征与主轴工作状况有着非线性映射关系。最后,采用VMC650E主轴故障数据进行验证,证明所提出的故障诊断方法在故障诊断精度、故障识别率方面明显优于BP神经网络、GA-BP神经网络和PSO-BP神经网络。     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

基于进化规划的自适应高斯神经网络

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类，但此网络使用BP算法，其误差能量函数是一个不规则的超曲面，容易陷入局部极小值．因此，提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法．该方法能够自动地确定网络的最优结构和联结权值，同时避免网络的局部优化．实验结果表明，将该方法用于被动声纳目标的分类识别，能够有效地克服局部最小问题，具有更好的识别率．     

基于PCA-IPSO-INN的离心风机噪声预测

因离心风机噪声超限造成返厂，会影响用户体验，同时增加制造成本，故提出一种新的分析方法，旨在生产前对离心风机噪声进行智能预测。首先基于相关性分析和主成分分析法(Principal Component Analysis，PCA)对风机15 个性能和几何参数进行降维处理，然后提出一种具有非线性惯性权重的粒子群算法，并用于优化反向传播(BackPropagation，BP)神经网络的初始权值和阈值，最后寻找最佳隐层，确定BP神经网络4×8×1 的结构，从而简化网络结构，提高收敛速度和预测精度。经实验验证，该方法较其他方法预测精度更高，平均误差仅为0.76 %，且在生产企业得到很好应用，在工程实践中具有实际意义。     

基于NSGA-Ⅱ&BP的应变片式压力传感器温度补偿研究

应变片式压力传感器容易受到温度的影响,需要对该传感器进行温度补偿,针对该问题提出一种带精英策略的快速非排序遗传算法(NSGA-Ⅱ)与BP神经网络相结合的软件补偿模型。该模型将BP神经网络中2个输出值与期望值误差作为NSGA-Ⅱ同时寻求最小的2个目标,对BP神经网络初始权值和阈值进行优化,克服单一BP神经易陷入局部极小值的缺陷。通过该算法模型对不同温度下压力传感器的输出值进行数据融合,研究结果表明,补偿后的传感器零位温度系数(α_0)和灵敏度温度系数(α_s)均提高两个数量级,从而证明NSGA-ⅡBP算法的温度补偿模型可以有效提高该传感器的温度稳定性。     

基于人工蜂群算法与反向传播神经网络的铝热连轧轧制力预测

在分析传统的轧制力数学模型的不足之后,提出了一种基于人工蜂群算法与反向传播神经网络相结合的铝热连轧轧制力预测方法,使用人工蜂群算法优化反向传播神经网络的初始权值和阈值。以现场采集的精轧机组数据作为训练和测试样本,并与Sims数学模型和反向传播神经网络的预测结果进行比较,实验结果表明所提方法的轧制力预测精度和误差明显优于传统算法。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

基于进化规划的自适应高斯神经网络及其在被动声纳目标识别中的应用

自适应高斯神经网络能够对目标信号的功率谱有效识别特征进行自动提取和分类,但此网络使用BP算法,其误差能量函数是一个不规则的超曲面,容易陷入局部极小值.因此,提出了一种使用进化规则来设计和训练自适应高斯神经网络的新方法,该方法能够自动的确定网络的最优结构和联结权值,同时避免网络的局部优化.将该方法用于被动声呐目标的分类识别,实验结果表明基于进化规则的自适应高斯神经网络能够有效的克服局部最小问题,具有更好的识别率.     

模糊神经网络在精密三轴转台机械台体故障诊断中的应用研究

针对三轴转台机械台体故障,提出了一种基于模糊神经网络的故障诊断方法,给出了模糊神经网络的结构和学习算法,并阐述了模糊故障诊断原理和故障判别方法将振动信号和电流噪声信号结构用于机械台体的故障诊断,测试结果表明,该方法是有效的。     

基于神经网络的机器人模型参考自适应控制的研究

提出一种新的基于神经网络的机器人模型参考自适应控制方法,采用动态对角回归神经网络作为辨识器和控制器,实现了机器人轨迹跟踪的最小误差控制,给出了神经网络的学习算法,通过实例仿真证明了控制方法应用于未知模型机器人系统的正确性和有效性。     

一种改进BP算法在机械手逆运动学中的应用

通过对传统BP算法的分析，提出了一种改进激励函数的学习方法，并且在神经网络的每一层采用不同的学习速率，以提高训练速度；采用所提出的改进BP算法，训练多层前向神经网络，建立机械手逆运动学模型，仿真结果表明了该算法的有效性；与传统BP算法相比，大大提高了机械手逆运动学的精度。     

基于神经网络的固体火箭发动机比冲性能的预示研究

将神经网络方法引入了固体火箭发动机的比冲性能预测,该方法避开了系统具体规律分析以及相应数学模型建立所带来的困难,直接用神经网络模型来模拟真实的系统关系。采用了一种改进的Ⅱ型RBF神经网络,克服了传统的RBF神经网络径向基函数个数未知的缺陷,并将其预测结果与传统的BP神经网络的预测结果进行了比较。     

计算智能技术在陶瓷材料优化设计中的应用

综述了计算智能在陶瓷材料优化设计中的应用现状,阐明了利用人工神经网络以及遗传算法预测陶瓷材料性能和组分优化的方法,介绍了人工神经网络、遗传算法与免疫算法和模拟退火算法相结合的高效计算智能方法以及模糊神经网络在材料设计中的应用,分析了陶瓷材料优化设计中存在的问题并提出了今后的研究方向。     

基于自适应模糊神经网络的DMFC温度建模和控制

针对DMFC电堆的实时控制要求，应用自适应模糊神经网络技术对DMFC电堆的工作温度进行辨识建模和控制。在温度控制过程中，将训练好的网络模型作为DMFC电堆控制系统的参考模型，并对控制模型的参数进行在线自适应调整。仿真结果表明所设计的自适应模糊神经控制器性能优越。     

基于复合形算子的基础支护桩优化设计智能算法研究

本文通过遗传算法和传统复合形搜索法相结合,基于对遗传算法算子计算结构的调整,并将遗传算法与神经网络相结合,提出并研究了一种新的优化设计方法,协同求解复杂工程中的优化问题。并针对悬臂式支护桩的优化设计的数学模型,采用该算法进行了优化设计分析;计算结果表明,该算法可克服遗传算法最终进化至最优解较慢和人工神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度。     

A Study on the Estimation of Prefabricated Glass Fiber Reinforced Concrete Panel Strength Values with an Artificial Neural Network Model

In this study, artificial neural networks trained with swarm based artificial bee colony optimization algorithm was implemented for prediction of the modulus of rapture values of the fabricated glass fiber reinforced concrete panels. For the application of the ANN models, 143 different four-point bending test results of glass fiber reinforced concrete mixes with the varied parameters of temperature, fiber content and slump values were introduced the artificial bee colony optimization and conventional back propagation algorithms. Training and the testing results of the corresponding models showed that artificial neural networks trained with the artificial bee colony optimization algorithm have remarkable potential for the prediction of modulus of rupture values and this method can be used as a preliminary decision criterion for quality check of the fabricated products.     

Failure diagnosis of a servovalve by neural networks with new learning algorithm and structure analysis

This paper considers a failure diagnosis of a pneumatic servovalve used in automated production systems. The valve is monitored by an accelerometer. Six parameters characterizing the vibration data are extracted, and fed into neural networks to solve four types of diagnosis problems. A conjugate gradient followed by a variable metric method is demonstrated as an effective learning algorithm. Neural network structures are analysed through Boolean expressions summarizing network simulation results for given learning patterns. The neural networks are found to utilize majority voting mechanisms. Irrelevant neurons can be identified and removed without degrading the diagnosis performance.     

基于前馈神经网络的自适应回声消除方法

回声消除常用的LMS算法收敛性差，而收敛性好的RLS算法计算量大。文章中提出一种全新的求解方法：基于前馈神经网络的自适应回声消除方法。把回声消除模型中求解滤波器系数的问题转化为前馈神经网络神经元权值的训练问题，并运用误差反向传播算法(BP算法)得出神经元权值的递推公式。经仿真计算，能较好地实现回声消除，与原传统算法LMS和RLS计算比较：该方法能得到非常高的计算精度和明显优越的收敛性能，而计算量只有RLS算法的一半。