人工神经网络在激光加工温度场模拟中应用

研究了人工神经网络在激光加工温度场模拟用参数推算中的应用方法;并设计了相应的BP神经网络模型及软件;研究表明BP神经网络适用于对激光加工模拟的参数推算,其准确性优于回归分析不和函数插值法.     

激光加工温度场模拟用参数数据库实现方法

本文研究了激光加工温度场模拟用物理参数数据库的实现方法 ,收集和整理了大量有关数据 ,并研制出有应用价值的激光加工温度场模拟用物理参数数据库系统 ;采用回归分析法和函数插值法推导出熔点等物理参数计算公式 ,利用已建立的数据库数据对所欠缺的有关数据进行推算补充。     

基于BP神经网络的20CrMo钢激光强化工艺参数优化控制

以激光功率P、光斑直径D、扫描速度V等为输入参数,非相变硬化处理、相变硬化处理和熔凝处理等为输出参数,对材料为20CrMo合金结构钢进行激光强化处理工艺控制优化研究。通过大量试验与计算机模拟分析和对比,建立了激光工作参数与材料表面强化关系的BP神经网络工艺优化模型。经过与实验数据的比较,运用该模型可以方便、准确地选择激光工艺参数,控制材料表面强化类别和保证工作表面的质量,真实反映了激光加工工艺规律。     

基于BP 神经网络的20CrMo 钢

以激光功率P、光斑直径D、扫描速度V 等为输入参数,非相变硬化处理、相变硬化处 理和熔凝处理等为输出参数,对材料为20CrMo 合金结构钢进行激光强化处理工艺控制优化研究。通过大量试验与计算机模拟分析和对比,建立了激光工作参数与材料表面强化关系的BP 神经网络工艺优化模型。经过与实验数据的比较,运用该模型可以方便、准确地选择激光工艺参数,控制材料表面强化类别和保证工作表面的质量,真实反映了激光加工工艺规律。     

基于进化神经网络的激光熔覆层质量预测

为了有效地控制激光熔覆层质量,采用反向传播(BP)算法建立了激光熔覆层质量(熔覆层宽度、熔覆层深度和稀释率)随激光功率、光斑直径和扫描速度变化的进化神经网络预测模型。针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法。经过理论分析和实验验证,在神经网络的输出端得到期望的线性输出,并在训练样本之外,选取了5组工艺参数检验神经网络模型的可靠性,预测结果与相应的实验结果的最大相对误差为2.14%。结果表明,运用该模型可以方便、准确地选择激光工艺参数,提高激光熔覆层的加工质量。     

基于BP神经网络的光纤激光焊接工艺参数优化及性能预测

采用连续光纤激光器对304不锈钢薄板进行了焊接工艺研究;为了提高激光焊接质量,引入BP神经网络对激光焊接工艺参数进行了优化,建立了焊接质量指标与焊接工艺参数之间的神经网络预测模型,并利用神经网络模型选择了较优的工艺参数.实验结果表明采用该工艺参数进行激光焊接可获得成形良好、无缺陷的焊缝.神经网络的性能预测指标与实际值间的偏差小于5%,可用于激光焊接工艺设计.     

人工神经网络技术在板料激光弯曲中的应用

基于人工神经网络基本理论,建立在板料激光弯曲中预测材料表面最高温度、弯曲角度的BP网络模型。借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将试验样本数据和经过试验验证的数值计算结果作为补充的样本数据用于BP网络的训练,利用训练好的BP网络对非线性的样本数据规律进行拟合,实现激光加工工艺参数的优化,为实际生产和加工提供有效的依据。     

BP神经网络在激光熔凝K465合金裂纹预测中的应用

采用不同工艺参数研究了激光熔凝K465高温合金的开裂行为, 并采用BP神经网络模型描述了裂纹指数与工艺参数的关系。研究发现, 激光熔凝K465合金的裂纹主要分布在熔池顶部和底部的界面处, 并呈现典型的液化开裂特征。通过建立激光熔凝区裂纹指数的数学描述方法, 以激光功率、扫描速度、光斑直径和预热温度作为输入参数, 以裂纹指数为输出参数, 发展了一个均方误差小于10-8的BP神经网络模型, 并可对实验结果进行较好的预测。     

激光熔覆修复技术参数模拟优化分析

为提升激光熔覆修复技术的性能,提出激光熔覆修复技术参数模拟优化方法。通过分析激光熔覆技术工作原理及类型,确定激光熔覆修复技术参数。确定激光熔覆修复技术参数,引入BP神经网络方法,构建熔覆层形貌和激光熔覆修复参数之间的模型预测。采用粒子群优化算法,优化构建的激光熔覆修复参数预测模型,实现激光熔覆修复技术参数模拟优化。仿真结果表明:采用本方法对激光熔覆修复技术参数进行优化后,激光熔覆修复的效果较为理想,明显提高了激光熔覆修复技术的工作效率。     

基于双激光视觉成像与BP算法的微小位移测量

针对现有单激光视觉微位移测量方法中利用的图像特征信息不丰富,导致测量结果不精确的问题,本文提出了一种直射与斜射结合的双激光微小位移测量方法,配合BP(Back Propagation)神经网络实现位移的高精度测量。论文采用透镜成像和小孔成像的原理对双激光模型进行理论分析,使用ZEMAX对测距模型进行数值模拟,以验证所提方法的理论可行性与优越性;其次,根据数值模拟结果设计并搭建实验平台进行图像采集实验,提取一系列图像特征作为BP网络的输入,以位移参数为输出,构建位移预测模型。实验结果表明,相比单激光模型,本文提出的双激光位移模型有更高的测量精度,引入BP神经网络后,测量准确度达到99以上。本文为微小位移高精度测量提供了新方法与新思路。     

基于遗传算法的RBF网络的短期电力负荷预测

以影响电力负荷的主要因素气象参数,建立了短期负荷预测的模型,提出了一种基于遗传算法的RBF神经网络,进行了负荷预测,使用气象参数建立神经网络模型,根据已知待预测前的历史负荷数据,预测一日24小时负荷值。通过算例进行了验证,验证了计算是可行的。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

一种改进的BP神经网络在手写体识别上的应用

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小。文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度。实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善。     

GRNN神经网络在电力系统负荷预报中的应用

为了预报电力系统负荷,采用GRNN（广义回归网络）的方法,通过GRNN神经网络和BP神经网络建立电力系统负荷预报网络模型,用MATLAB7.0仿真,达到了预测的目的。利用GRNN神经网络预测结果准确率高,避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点,GRNN网络具有更好的预报精度。     

BP算法的改进在Matlab的实现研究

利用Matlab中的神经网络工具箱提供的丰富网络学习和训练函数,对BP网络和BP算法的优化方素进行仿真．得到较优的BP算法。     

WNN在短期电力负荷预测中的应用

通过对小波神经网络和BP神经网络的结构和算法进行理论分析,并对实际电力负荷预测算例进行对比研究,结论证明小波神经网络本身适合对波动性的信号进行预测,而且在神经网络节点数目相同的情况下,小波神经网络比BP神经网络具有更高的预测精度,因此采用小波神经网络有利于减少隐节点数目。     

基于混沌时间序列的BP神经网络电力负荷预测

在混沌时间序列的基础上,应用BP神经网络对电力负荷进行了预测,并对模型特性进行了分析。理论分析和实例计算均表明该预测模型的精确度较高,适合在电力负荷预报中推广应用。     

基于BP神经网络的食品价格的预测

针对目前食品价格上涨的问题,提出了一种基于神经网络的食品价格上涨的预测方法。借助于Matlab建立食品价格上涨数学模型。利用Matlab对各食品价格的数据进行分析,计算相应的食品价格,对结果进行对比。运用BP人工神经网络的多层神经网络对食品价格的实测值进行训练学习,建立模型。借助于此模型来对食品价格上涨进行预测和预报,以达到对食品价格预测预警的作用。应用实例表明：人工神经网络应用于食品价格的预测预警是比较理想的。     

基于神经网络的传感器非线性误差校正方法

为对传感器进行非线性校正以进一步提高其测量精度,提出了基于神经网络的校正办法。理论分析了传感器非线性误差的复杂性,并以位移传感器标定为例,详细介绍了传感器非线性校正的过程和方法。采用了最小二乘拟合、BP神经网络以及RBF网络三种方法进行校正,设计并实现了RBF网络的校正模型。实验结果证明,RBF网络的校正方法比BP网络校正方法精度提高了约44%,其补偿效果更优,且其在传感器种类变化或环境影响较大的情况下比最小二乘拟合更具非线性补偿优势。     

Modeling of pneumatic artificial muscle using a hybrid artificial neural network approach

Pneumatic Artificial Muscle (PAM) actuator has been widely used in medical and rehabilitation robots, owing to its high power-to-weight ratio and inherent safety characteristics. However, the PAM exhibits highly non-linear and time variant behavior, due to compressibility of air, use of elastic-viscous material as core tube and pantographic motion of the PAM outer sheath. It is difficult to obtain a precise model using analytical modeling methods. This paper proposes a new Artificial Neural Network (ANN) based modeling approach for modeling PAM actuator. To obtain higher precision ANN model, three different approaches, namely, Back Propagation (BP) algorithm, Genetic Algorithm (GA) approach and hybrid approach combing BP algorithm with Modified Genetic Algorithm (MGA) are developed to optimize ANN parameters. Results show that the ANN model using the GA approach outperforms the BP algorithm, and the hybrid approach shows the best performance among the three approaches.