基于最大熵准则的加工过程神经网络建模

传统BP算法收敛速度慢、产生局部极小点的原因之一是该算法采用的是均方误差准则。为了改进BP算法的不足,提出基于最大熵准则的BP算法,并应用于加工过程的神经网络建模。仿真表明：基于最大熵准则的BP神经网络建模,其辨识精度优于一般BP算法神经网络建模。     

对角递归神经网络的LM算法及建模应用

针对递归神经网络传统BP学习算法收敛慢的缺陷,将Levenberg—Marquardt（LM）算法引入到对角递归神经网络权值的训练,这种算法提供了快速性与收敛性之间的一个折衷。仿真结果表明,该算法比传统BP算法具有更快的收敛速度,用于非线性动态系统的建模是有效的。     

应用递推神经网络的传感器动态建模研究

根据动态校准实验结果建立传感器的动态数学模型 ,以研究传感器的动态性能 ,是动态测试的一个重要内容。研究了递归神经网络模型在传感器动态建模中的应用。递归神经网络模型采用具有输入层、中间层、输出层的三层网络结构 ,整个网络的特性决定于相邻层间的连接权。采用递推预报误差算法训练神经网络 ,具有收敛速度快、收敛精度高的特点。由于其反馈特征 ,使得递归神经网络模型能获取系统的动态响应特性。该方法特别适用于传感器非线性动态建模 ,而且避免了传感器模型阶次的选择的困难。试验结果表明 ,应用递归神经网络对传感器进行动态建模是一种行之有效的方法     

递归神经网络的并行LM算法

针对递归神经网络BP学习算法收敛慢的缺陷,将Levenberg-Marquardt (LM)算法引入到递归神经网络权值的训练,为了克服LM算法集中运算的不足,设计出完整的并行LM算法.该算法将计算分配到神经网络中的每个神经元,符合神经网络的并行结构特点.仿真结果表明,该算法比传统BP算法具有更好的收敛性.且比LM算法大大节省了计算时间.     

广义同余神经网络在旋转机械常见故障诊断中的应用

通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。     

聚合物分子量分布的多变量建模与闭环控制研究

本文介绍了利用B样条和动态递归神经网络相结合组成的复合神经网络建立聚合物分子量分布(MWD)模型的方法和拓扑结构,并在此基础上,提出了基于模型预估的控制MWD的新方法.其目标函数是以分布的误差平方和为基础,以可测的温度反馈为补偿,同时考虑了控制变量的约束条件.该方法以某顺丁橡胶连续聚合反应过程为对象,进行了仿真建模与控制研究,收到了很好的控制效果,证明了方法的可行性.     

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。     

可调对比度目标源装置中对比度的标定

搭建了可调对比度目标源装置,研究了图像对比度和光学对比度的关系,提出了用改进的BP神经网络标定对比度的方法.首先,设计了用于对比度标定的BP神经网络模型.然后,利用LM( Levenberg-Marquardt)算法结合缩放法改进神经网络以提高其收敛速度及泛化能力.最后,通过可调对比度目标源装置实验平台,由测量的辐照度得出了对应的图像对比度数据,使该装置可以通过调节辐照度实时获得规定的对比度.与传统BP神经网络方法相比,改进后的BP神经网络收敛速度快,泛化能力强.标定精度比经典BP算法提高了100倍,比最速下降法提高了10倍.训练次数仅需2 876次时,对比度的标定值与目标值的误差最大值是0.01％,训练均方误差收敛为0.000 459 441,测试误差收敛为0.000 467 003,满足了对检验装置中对比度标定的需要.     

广义径向基函数神经网络在热误差建模中的应用

针对现有的热误差建模方法建模效率低,模型预测精度不理想等问题,提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例,布置了12个主轴热误差的关键温度测点,测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明,热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点;与传统的RBF神经网络建模方法相比,提出的广义RBF神经网络建模方法建模效率更高,模型鲁棒性及预测性能更好,是一种可以用于数控机床热误差实时补偿的有效建模方法。     

基于BP神经网络的大型客机经济性分析

为使大型客机设计人员在飞机设计阶段便可对经济性有较为准确的把握,针对大型客机经济性,采用改进的BP神经网络理论建立了一种新的分析模型,并给出建模流程。利用JAVA语言实现核心算法进行数字仿真,对所建立大型客机经济性分析的神经网络模型进行了验证,并进行误差分析,提出改进方案。仿真结果表明,所建BP神经网络对大型客机经济性的估算是有效的,且该方法精度较高,实用性较强。