基于模糊神经网络的切削参数预测方法

提出了一种基于模糊神经网络的数据挖掘算法,将模糊理论与神经网络技术结合,避免了单纯的神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练可达到精度要求。将试验值、单纯神经网络及支持向量机的预测结果进行比较,可以得出如下结论:当模糊神经网络的隶属度函数中的参数及神经网络连接权值的初始值合理时,其学习算法的精度高,收敛性好。     

盾构隧道掘进信息化管理系统设计与开发

介绍了盾构隧道掘进信息化管理系统的功能特点.对后台数据库(paradox)的设计,数据加载方式做了详细的说明.利用可视化手段对盾构掘进姿态、掘进参数、管片姿态等大量盾构隧道施工信息进行综合分析管理,并介绍盾构纠偏和管片拼装智能化预测方法及实现算法,为施工现场管理提供指导.     

基于粗糙集神经网络的非线性系统动态参数预测

为建立非线性系统辨识和预测模型,利用粗糙集和人工神经网络方法进行动态参数预测.考虑非线性系统中影响因子之间的高度非线性和不确定性,结合粗糙集和人工神经网络的优点,提出了一种动态参数预测的新方法.该方法充分考虑了学习样本的数据特性,简化了决策规则从而降低了网络拓扑结构规模,计算速度快,容错能力强,误差小,精度高.计算结果表明,该方法用于非线性系统动态参数分析是有效可行的.     

复杂地质条件下盾构掘进参数预测分析

将粒子群算法和BP神经网络相结合,构建PSO-BP神经网络盾构参数预测模型,可将盾构参数预测值与实际值的相对误差控制在10%以内,能够在前期盾构施工参数基础上,对后续盾构施工参数做出很好的预判,可为指导后续盾构施工提供帮助。     

盾构工程实测数据时序性质分析与掘进速率预测

本文基于工程实测数据,在分析其序列性质的基础上,提出了基于时序神经网络方法的盾构掘进速率预测方法,并在天津地铁9号线这一实际工程算例中对所提出的方法的有效性进行验证,讨论比较了 Simple RNN、LSTM与GRU这3种不同时序神经网络算法的掘进速率预测表现.结果表明,本文提出的基于时序神经网络的盾构掘进速率预测方法能够较好地分析掘进中积累的工程实测数据中的序列性质,从而对前方掘进速率进行预测,且比具有门性质的LSTM与GRU方法表现出了更好的预测效果.     

基于函数联接神经网络的金刚石木工刀具磨削参数的预测研究

建立了金刚石木工刀具电火花磨削工艺参数和表面粗糙度关系的人工神经网络模型,该模型对未知工艺条件下的预测结果最大误差为8.27%,具有较高的预测精度。     

盾构下坡掘进自重产生的下滑力对掘进的影响研究

某煤矿隧道最大埋深600多米,盾构采用6度斜坡下行掘进,盾构自重产生的下滑力对掘进的影响成为突出问题。推进力和扭矩是盾构掘进的主要性能参数,是盾构设计和选型的重要依据。首先对自重力的影响进行分析,引入合力FH定义,并建立数学模型,分析了FH与倾角α的关系,讨论了下滑力在不同坡角下对盾构推力和刀盘扭矩的影响,最后就盾构自重产生的下滑力对推力和扭矩等掘进参数及掘进过程的影响进行实例研究,研究结果可为斜井双模盾构选型和掘进参数配置提供一定参考。     

基于神经网络注塑成型工艺参数优化

采用BP神经网络建立注塑成型工艺参数与注塑制品收缩率之间的网络模型,并通过试验数据对成型工艺参数进行优化。     

基于神经网络和遗传算法的卫星结构参数优化

针对卫星结构要求总质量轻小、一阶固有频率较高的特点,建立了卫星结构多目标优化的数学模型,通过BP神经网络和遗传算法相结合进行参数优化,并编制了相应的计算程序,既利用了神经网络的非线性映射、网络推理和预测功能,又发挥了遗传算法的全局优化特性,得出了合理的优化结果,与传统的结构优化方法相比,此方法效率较高,精度良好.     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

基于BP神经网络的物流预测方法

针对传统物流预测方法的局限性，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络对其进行训练形成物流预测模型。阐明了神经网络具有记忆、学习功能，能够很好地模拟物流发展趋势。大量预测结果的准确性表明基于神经网络的物流预测是一个行之有效的方法。     

神经网络结合定性预测的订单预测方法研究

针对订单数据的非线性特性,以及受市场动态波动影响,且常常会存在训练样本有限的情况,提出采用ANN定性预测法,即神经网络与定性预测结合的方法预测订单。在传统BP神经网络的基础上引入牛顿法与竞争学习算法,以提高收敛速度并改善传统BP神经网络容易陷入局部极小值的情况。根据订单预测的实际情况列出三种定性预测与神经网络的结合形式,以及各形式的适用情况,最后通过实例分析表明该方法可行,并能有效地提高订单预测的精度。     

优化神经网络用电量预测性能的多元线性回归方法

电网电能难以储存,其准确预测可用于指导发电计划,是电力系统运行的基础。针对用电量预测中需求波动幅度大与需求变动趋势不确定的特点,基于已有的用电数据,运用多元线性回归预测与时间序号、月度、日期、小时等因素直接相关的用电量趋势,实现用电量的宏观量级控制。其次,采用不同神经网络预测实际值与趋势值之间的偏移量,推演用电量的微观波动规律,进一步推算预测用电量。算例证明,融合多元线性回归和神经网络的预测方法减小了总体预测误差,其预测精度高于没有多元线性回归处理的神经网络。     

基于神经网络的焊缝宽度预测方法研究

精确的焊缝跟踪是保证焊接质量的关键因素,为了实现焊缝的识别和跟踪,需要准确提取焊缝特征信息。微间隙焊缝的视觉传感图像中,过渡带区域包含焊缝位置信息和偏差信息。利用形态学算子对图像进行滤波后,提取焊缝过渡带宽度数据,并利用神经网络搭建焊缝宽度预测模型。实验证明,该模型能对焊缝宽度进行有效预测,为后续的焊缝纠偏和跟踪做好准备。     

基于分式聚合过程神经网络的发动机气路参数偏差值预测

为解决航空发动机气路参数偏差值时间序列中突变值难以预测的问题,基于有理式函数具有更好的非线性逼近能力的理论,提出一种分式非线性聚合过程神经网络模型.该网络结构在隐层中存在一个过程神经元对偶层,通过分式非线性空间聚合的方式,分别实现信号对神经元的激励和抑制作用.根据采样点离散化的特点,采用离散Walsh变换对的内积运算替代积分算子,在简化计算过程的同时消除了数据拟合中的精度损失.采用基于离散Walsh变换LM算法进行网络训练,将训练好的模型应用在气路参数偏差值时间序列预测中.从预测结果可以看出,该模型对存在突变值的时间序列预测具有更高的效率和灵敏性.     

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性,物理建模方法无法表征实际加工动态过程,机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型,通过训练卷积自编码器作为特征提取器构建数据集,然后训练融合模型,实现对表面粗糙度的精确预测,通过高温合金侧铣实验建立的数据集进行了验证,上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围,则预测的准确率为84.29%,有较高的精准度。     

基于小波神经网络的绝缘子漏电量预测方法

针对绝缘子漏电量的大惯性、非线性等特点,提出了基于小波神经网络的预测模型,分析了网络的拓扑结构,给出了网络学习方法,并通过实例证明该方法的有效性.     

基于神经网络模型的高铁轮对故障诊断和预测方法的研究

提出将高铁轮对运转时产生的振动信号作为样本,分析在高铁轮对运转中,其振动信号中均值、方差、均方值、峰度、裕度因子、脉冲因子等值的变化。由于时域振动信号分析具有很强的实时性,因此采用振动时域信号作为特征信号,提取出能量参数、峰度参数、波形参数、裕度参数、脉冲参数和峰值参数作为样本输入到神经网络模型中,提出利用概率神经网络模型进行高铁轮对故障诊断。利用径向基网络模型,分析历史故障数据,对故障初期显示出的信号特征进行分类,确定中心节点,预测出故障类型,保障高铁轮对可靠运行。     

基于广义回归神经网络的时间序列预测研究

介绍了广义回归神经网络的基本理论,提出了应用BIC准则确定输入神经元数目的方法．将其应用于大型旋转机械振动状态时间序列的单步和多步预测,与传统的采用误差反向传播学习算法的三层前馈感知器网络(BP神经网络)的预测结果进行对比。结果表明,该网络的预测性能优于后者,即使样本数据稀少,也能获得满意的预测结果。