刀具耐用度变动系数的BP神经网络预报技术

采用改进ＢＰ算法，建立了刀具耐用度变动系数的神经网络预报模型，研究表明，该模型适合于描述刀具耐用度变动系数切削条件参数之间复杂的非线性函数关系，并可以对不同切削条件下的刀具耐用度变动系数进行正确预报。     

提高刀具耐用度的方法

论述了应用表面涂层和采用新的刀具材料提高刀具耐用度的方法。     

低速稳态切削的刀具耐用度

根据切削加工系统的颤振理论，讨论了在低速切削状态下，后刀面的磨损宽度及刀具耐度，推导了在低速稳切削下，后刀面磨损宽度及刀具耐用度计算的经验公式，从而在低速范围内，给稳态切削刀具耐用度的选择提供了一个理论依据。     

低速稳态切削的刀具耐用度

根据切削加工系统的颤振理论，讨论了在低速切削状态下，刀具后刀面的磨损宽度及刀具耐度推导了在低速稳切割下，后刀面磨损宽度及力具耐用度计算的经验公式，从而在低速范围内，给稳态切削刀具耐用度的选择提供了一个理论依据．     

BP神经网络在洪流预报中的应用

通过归纳分析,结合实际的采集数据,对降雨径流预报的人工神经网络模型进行了改进,并针对不同的预报系统,采用改进的自适应BP算法进行分析,指出了今后洪流预报发展的方向.     

基于神经网络的襟翼舵升力系数预报

将BP神经网络应用于襟翼舵升力系数预报,分析了BP神经网络的非线性逼近能力.针对BP神经网络在训练中存在的学习速度慢、易于陷入局部最小等缺点,采用变学习率的BP算法加以改进.对襟翼舵升力系数进行预报,结果表明预报值的精度明显高于由近似公式计算所得的值,采用BP神经网络对襟翼舵水动力性能进行预报是可行的,能够满足工程应用的要求.     

基于BP神经网络的转炉炼钢终点预报

转炉内的温度极高，对终点温度和碳的含量很难及时、准确地测量，因此建立精确的温度和碳的预报模型十分重要.但转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，传统的静态模型控制精度不高，命中率不很理想.为此提出了基于BP神经网络的转炉炼钢终点温度及碳含量的预报模型，以Levenberg Marquardt(LM)算法来训练网络，其算法是梯度法与高斯牛顿法的结合.仿真结果表明，预报精度高于传统的机理模型.     

涂层刀具耐用度指数m值的试验确定

主要讨论了数控加工中心镗削精密孔系用的可转位涂层刀具耐用度指数ｍ值的试验确定。     

改进的BP神经网络在潮汐预报中的应用

应用传统的调和分析方法对潮汐水位进行预报时,要想获得精确的潮汐预报水位,需要大量的长期潮汐观测数据.为了突破传统方法的限制,应用一种改进的BP神经网络模型,利用短期的潮汐观测数据,对潮汐水位进行精确有效的预报.结果显示,对比传统的调和分析方法,应用改进的BP神经网络模型可以有效的改善潮汐水位的预报精度.     

模糊技术在神经网络预测中的应用

对时间序列随机性与神经网络预测精度的关系进行了研究．并将序列模糊滑动平均法用于神经网络预测中的训练样本预处理．以减小序列随机性成分。实例结果表明时间序列经模糊滑动平均处理后，随机波动对神经网络预测精度的影响可大大减小。     

基于BP神经网络模型的水质评价及预测

利用BP神经网络模型对水质的评价及预测进行了研究,克服了传统评价方法工作量大,而且主观性较强的不足,测评结果客观、准确,过程中不需要对监测数据进行很复杂的预处理,工作量小。     

神经网络在发动机试验数据拟合中的应用

本文将神经网络应用于发动机试验数据的拟合，为改善神经网络性能引入了函数连接。研究表明：神经网络能够避免数据的分析和建模工作，能够识别有噪声的输入模式，数据拟合精度高，可减少分析人员的介入。     

图象重建的神经网络法

以平行射束扫描的 X射线 CT为例 ,提出一种运用 Hopfield人工神经元网络实现从投影中重建图象的方法 .首先将图象重建问题转化为最小范数准则下的优化问题 ,然后构造相应的 Hopfield神经网络模型 ,网络的稳态解 ,即为重建问题的解 ,计算机模拟实验结果证明了方法的正确性     

过程控制中被控对象神经网络模型的设计

根据控制过程的特点提出了一种新的动态系统辨识方法 将输入、输出信号、滤波后的数据用于训练静态前向神经网络 ,辨识出控制系统工作点处一线性动态模型的参数 ,从而预测过程的输出 文中详细论述了设计方法及算法原理 ,并通过试验对比表明 ,这种模型精度高、计算量少 ,对噪声不敏感 ,特别适用于运行过程复杂、干扰因素多、非线性控制系统的动态辨识     

改进的自组织神经网络算法及其收敛性分析

提出了一种改进的广义自组织神经网络非线性系统建模新算法,并分析了算法的收敛性,经证明知,当选取适当的参数和初值时,该算法是收敛的．改进后的算法使收敛速度大大提高,经过仿真实验说明了改进算法是有效的．     

发酵过程混合神经网络建模方法比较

对发酵过程中串联结构、并联结构、串并联结构混合神经网络模型的结构和训练方法进行了分析、对比研究,并提出了一种训练方式更简单的混合神经网络模型.仿真结果表明,混合神经网络模型比标准的神经网络模型建模精度高、泛化能力强.     

基于BP神经网络的小麦真空干燥含水率预测模型

研究小麦真空干燥工艺参数(真空度、加热温度、铺料厚度)对含水率的影响规律,当小麦含水率较高时,提高真空度和加热温度、减小铺料厚度能显著提高干燥速率。利用全部试验数据建立了真空干燥各工艺参数与小麦含水率之间的BP(Back Propagation)神经网络预测模型。验证结果表明:小麦含水率的预测结果与实测值误差小于5.2%,所建立的BP神经网络模型能较好地反映真空干燥工艺参数与含水率之间的复杂非线性关系。     

BP网络学习算法改进及用于手写体数字识别

从误差函数入手对传统ＢＰ（Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ）学习算法进行改进，实验表明此改进算法不仅提高了网络训练效率，而且改善了网络推广性能．     

基于人工神经元网络的工厂电力负荷短期预报

讨论用人工神经元网络技术对工厂企业的电力负荷（用电量）峰值作为短期预报,分析负荷运动畸变对预报精度的影响,仿真预报算例证实,人工神经元ＢＰ学习预报算法对工厂企业电力负荷的预报能得令人满意的效果。