人工神经网络的混合算法及其工程应用

为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法、梯度优化法和混合算法对相同实例网络权值和阈值的计算,验证了所提出的混合算法的有效性,实现了权值和阈值的快速准确计算。通过汽轮机故障诊断的实例计算,表明所提出算法的有效性和实际应用价值。     

基于GPU的混合精度平方根共轭梯度算法

针对当前基于GPU的数值算法具有双精度数据性能低下的缺陷.提出了一种适于GPU统一计算架构Fermi-CUDA的混合精度平方根共轭梯度算法用以求解稀疏线性方程组.该算法采用单精度内迭代与双精度外迭代结合的方法,以充分利用GPU体系结构下单精度高性能和双精度高精度的优点.整个算法的计算部分完全在GPU端进行,减少了CPU和GPU之间的数据通信.实现了基于GPU的平方根共轭梯度法、Jacobi迭代法和Gauss-Seidel迭代法,分析它们作为内迭代算子对算法收敛性的影响.实验表明,该算法获得了与全双精度数据处理等同的计算精度,比GPU全双精度在浮点性能上提升近一倍,相对于CPU全双精度串行算法,最大加速比达到70以上.     

激光准直测量中二维位置敏感器件非线性修正算法研究

根据光电位置敏感器件(Position sensitive detector,PSD)的原理和光点位置方程分析了其非线性成因和特点,提出了用神经网络的共轭梯度算法对PSD的非线性进行补偿。以网络总体平均误差为目标函数,以权值和阈值为设计变量,采用真实的梯度法和共轭梯度法对网络参数优化,实现了权值和阈值的快速准确计算,并将该方法应用于PSD线性化,从而使PSD的B区(边缘区域)获得了与A区(中央区域)近似的线性度。故在不增加成本,不改变测量设备复杂度的情况下,扩大了测量范围,提高了B区的测量准确度及数据的置信度。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

相位恢复算法在仿真与实验上的研究

相位恢复算法一直存在着精确度不高,收敛速度慢甚至停滞不前等问题。将基于光强传输方程(TIE)法与G-S迭代算法混合提高了相位恢复的精确度,梯度算法的提出加大了迭代步长,使得收敛速度加快。采用GS-TIE算法和振幅加成梯度算法分别从仿真和实验的角度去比较分析恢复的效果。通过对二维图像仿真得出,振幅加成梯度算法在收敛速度上是GSTIE迭代算法的3倍,精确度是GS-TIE迭代算法的10倍。从实验结果得知,GS-TIE恢复的相位清晰可见,轮廓明显,在边缘处过度均匀,而振幅加成梯度算法相对比较模糊,在轮廓边缘处过度不均匀,悬差较大。     

几种改进BP算法在气液两相流流型识别中的比较

通过流型识别的实例对几种具有代表性的用以训练BP网络的改进算法进行性能对比研究.首先分析了基于标准梯度下降法和基于标准数值优化方法获得的各种改进算法的优缺点,然后对各种改进算法在训练中所需要的收敛时间及其达到的误差进行对比分析,为在BP网络识别流型时选择算法提供一些借鉴.     

基于人工神经网络的机床刚度建模

将人工神经网络应用于机床刚度建模,针对基本BP算法收敛速度慢、易陷入局部极小点的不足,从步长和搜索方向两方面对基本BP算法进行了改进,并引入具有全局寻优能力的粒子群算法.通过统计误差计算的次数、设定多组初始权值及方差分析等方法,对几种优化算法在机床刚度建模中的应用效果进行了比较,最后以输出误差最小时的连接权值建立了机床刚度神经网络模型.     

求解无等待流水车间问题的若干算法

提出了解决无等待流水车间问题的离散粒子群优化、离散差异进化、变邻域搜索和阈值接收算法.在离散粒子群优化和离散差异进化中,采用基于工件排列的编码,设计了新的个体生成公式.同时研究了基于串行结构、嵌人结构和协同结构的12种混合算法.仿真计算表明,混合算法具有较高的优化性能.     

基于BP神经网络的轴承寿命预测程序设计

基于BP神经网络原理,利用轴承空载和负载运行下的各参数建立轴承剩余寿命的预测模型。在MATLAB中对轴承数据样本进行学习与训练,获得较精确的BP神经网络结构的权值和阈值,根据BP神经网络算法编写m函数文件,在MATLAB中生成COM组件。用Visual Basic 6.0编写的系统软件界面,在界面中调用COM组件中的DLL文件。解决算法优化和模块间调用等问题,成功开发出轴承寿命预测系统,用于机电产品的质量控制管理。     

一种新型混合优化算法在机器人路径规划中的应用

针对模拟退火算法收敛速度慢这一缺点，提出了一种基于模拟退火算法和复合形法相结合的新型混合优化算法，并成功应用于机器人神经网络路径规划中。该算法不仅继承了模拟退火算法能得到全局最优解的优点，又能搜索到理想的下降方向，提高了算法的收敛速度。仿真实验研究表明：这种新型混合优化算法，计算简单，收敛速度快，初值鲁棒性好。     

基于混合遗传算法的磁控形状记忆合金驱动器磁滞模型优化

为了消除或减小磁滞非线性特性对磁控形状记忆合金驱动器定位精度的影响,应用BP神经网络建立了磁控形状记忆合金驱动器磁滞模型。针对BP网络算法存在的不足,以及网络结构、初始连接权值和阈值的选择对BP网络训练的影响很大等问题,提出一种混合遗传算法对神经网络磁滞模型的权值和阈值进行优化。将优化后的参数赋值给BP神经网络重新训练,结果表明,优化后的磁滞模型训练误差绝对值由25nm减小到5nm,有较好的收敛性。     

扩展隐层的误差反传网络训练算法研究

为提高神经网络的预测精度,对现有的误差反传网络训练算法进行了改进.对三层误差反传网络进行了结构扩展,在训练过的三层网络中,动态增加一个具有线性激活函数的辅助隐层,形成一种新的网络扩展模型.用改进的蚁群算法对新增权值参数进行训练,着重阐述算法的实现过程及算法分析.最后,设计了一组催化剂活性预测实验,对算法改进前后的预测能力及训练误差进行了对比.结果表明,采用该模型及训练算法,可以在不影响网络表达能力的基础上提高网络的训练精度及预测精度,改善了网络的泛化能力.     

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。     

基于改进BP神经网络的机床基础部件可再制造性评价模型

为了利用样本数据准确完成机床基础部件可再制造性评价,提高机床基础部件可再制造性评价预测精度,提出一种采用模拟退火遗传算法优化BP神经网络的机床基础部件可再制造性评价模型。该评价模型以机床基础部件可再制造性经典评价模型评价结果为样本数据,建立机床基础部件可再制造性评价BP神经网络预测模型,采用模拟退火遗传算法优化BP神经网络模型,寻找更优初始网络权值、阈值,以提高收敛速度和避免局部收敛。以一台机床基础部件可再制造性评价为例,验证了基于模拟退火遗传算法优化的BP神经网络评价模型具有更好的预测精度。     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

多目标系统的自适应模糊神经网络控制

提出了一种多目标系统的自适应模糊神经网络控制的方法.通过对系统的多目标量进行加权合成,采用改进的遗传算法离线调整控制器网络参数.接入控制系统后,采用在线学习方式,通过BP算法调节网络的规则权值和比例因子,达到自适应控制的目的.计算机仿真结果显示,该方法控制效果好,鲁棒性强.     

Thermal error modeling by integrating GA and BP algorithms for the high-speed spindle

Thermal error is one of primary reasons affecting the cutting accuracy of a machine tool. Especially, high-speed spindle’s thermal error restricts the improvement of high-precision machine tool accuracy. In this paper, the traditional back propagation (BP) neural network modeling principle is firstly analyzed. Then, considering the BP network, which is simple and adaptive but converges slowly and is easy to reach local minima, a genetic algorithm (GA) is introduced to optimize BP network’s initial weights and thresholds. Lastly, the network is trained using combined GA and BP technologies with practical thermal error sample data. In experiments of thermal error prediction of the high-speed spindle in a machine tool, the average compensation rate is increased from 89.03 % of BP model to 93.155 % of GABP model. Therefore, GABP model shows its effectiveness in quickly solving the global minimum searching problem.