基于改进GA的FNNC在水泥回转窑温度控制中的应用

神经网络和模糊控制在解决复杂的对象方面有独特优势,将模糊理论的知识表达容易和神经网络较强的学习能力这两个优势有机结合起来,用以提高系统的学习能力和表达能力.模糊神经网络(FNN)是近几年的研究热点,但由于采用对神经网络进行训练的BP算法是梯度算法,容易陷入局部极小.本文提出把动态的交叉率、变异率与在传统的遗传算法(GA)中加入动态学习的BP算子结合起来改良传统的遗传算法,即在遗传操作中,利用动态交叉率和变异率来改善全局样本的收敛速度:而在BP运算中加入动态学习率得到最大的优化收敛,不仅发挥了神经网络的泛化的映射能力,采用的遗传算法也极大地提高网络的学习速度和控制性能.     

基于生物地理优化算法的神经网络故障诊断方法研究

将生物地理优化算法和BP算法相结合,提出一种基于生物地理神经网络的故障诊断方法。采用生物地理优化算法优化神经网络的连接权值和阈值,运用这种新型算法的高效优化性能改进了传统BP神经网络收敛速度慢、易陷入局部极小值的缺点。将优化好的神经网络应用于抽油机的故障诊断,通过仿真实验得出:生物地理优化算法训练神经网络是可行的,并且诊断结果具有良好的有效性和准确性。     

基于改进人工鱼群算法优化的BP神经网络预测控制系统

为了使传统的BP神经网络预测控制的收敛速度更快、准确率更高,提出一种改进的人工鱼群算法。分别用BP神经网络、PSO-BP神经网络和IAFSA-BP神经网络来优化预测控制系统的建模部分和滚动优化部分,并进行仿真试验,结果表明:IAFSA-BP神经网络优化后的预测模型精度更高,并且滚动优化部分的响应速度加快,控制系统更稳定。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

基于改进BP神经网络陶瓷梭式窑火焰图像识别方法

在陶瓷产品生产过程中,不同烧制阶段陶瓷梭式窑烧结带温度发生相应的变化,其对应的火焰图像也随着变化。本文针对陶瓷梭式窑烧结带温度检测提出一种基于改进BP神经网络的火焰图像识别方法。首先对获取的火焰图像利用改进的小波阈值算法去除图像中的噪音进行预处理,其次基于改进的BP神经网络对得到的火焰图像三个分量值R、G、B和测得的火焰温度进行数据拟合,最后测试已训练的神经网络识别火焰图像的效果。实验结果表明,改进后的BP神经网络收敛速度更快、训练时间更短、误差更小,能够更好地检测陶瓷梭式窑火焰图像温度。     

改进BP神经网络在胎面挤出参数预测中的应用

采用隐含层数为4,每个隐含层单元数为10的改进BP神经网络预测销钉机筒冷喂料挤出机的胎面挤出参数.与传统BP神经网络相比,改进算法采用惯性冲量校正、限幅输出和步长自适应解决传统算法学习速度慢且易于陷入局部最小值的问题.Matlab仿真表明,改进算法的收敛速度和收敛效果均明显比传统BP神经网络算法好.训练好的神经网络对胎面挤出过程的参数预测和试验结果间的最大误差为1%,大部分误差小于0.5%.     

基于遗传算法的模糊神经网络控制器的仿真

对遗传算法 (GA)和模糊神经网络控制器的结构进行了说明。为了克服反向传播算法 (BP)的缺点 ,通过遗传算法对模糊神经网络控制器的参数进行优化 ,亦即对模糊神经网络进行训练。用通过优化后的模糊神经网络控制器控制一个带有纯滞后的非线性对象 ,仿真结果证实了其性能较常规模糊控制器优越。     

采用GA-BP神经网络算法改善压力传感器的稳定性

通过对BP神经网络的分析,提出一种采用遗传算法(GA)优化的GA-BP神经网络,通过调整其权值和阈值使传感器具有较好的收敛性和稳定性。最终通过实验仿真得出:GA-BP神经网络算法对压力传感器温度补偿具有显著的改善效果,提高了传感器的测量精确度和稳定性。     

基于BP神经网络配药机器人识别配药用具的研究

BP人工神经网络算法是现今应用较为广泛的多层前向神经网络算法。为了提高配药机器人的配药准确率和安全性,提出了将BP人工神经网络应用于配药机器人对配药用具的识别的方法,并用Matlab模拟神经网络进行图像识别,为配药机器人识别图像提供依据和理论意义。     

一种改进的混合遗传算法人工神经网络及其应用

采用自适应交叉变异、最优保存、局部寻优的遗传算法,避免了BP神经网络在训练过程中收敛于局部极小点的缺陷,并将其对神经网络的权值和阈值进行优化,从而提出了一种改进的混合遗传算法神经网络模型。该算法首先对一给定的神经网络结构,采用自适应交叉变异和最优保存策略对神经网络进行优化;然后采用局部寻优策略进一步克服神经网络学习算法的早熟问题。采用上述三种优化策略的神经网络模型对三元混合物溶液的物性和烟叶质量进行预测。试算结果表明,与实验值相比,预测结果良好。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

基于神经网络的注塑制品表面缺陷自动识别方法的研究

将基于误差反向传播算法(BP)的神经网络引入到注塑制品表面缺陷的自动识别.介绍了如何选择合适的BP神经网络,包括网络层数的选取、学习算法的选取等.最后分别利用90组样本对BP神经网络进行训练和仿真,得到制品表面缺陷的平均识别率达84.44％,说明利用BP神经网络对于注塑制品表面缺陷进行识别是可行的.     

BP神经网络与GA算法相结合的空调风叶翘曲均匀性优化

以模具温度、熔体温度、注射时间、保压时间、保压压力5个因素为设计变量,空调风叶叶片尖部Z轴坐标最大差值为目标变量,采用田口方法进行实验设计并根据实验方案进行CAE模拟,根据模拟结果采用BP神经网络构建设计变量与目标变量之间的数学关系模型,并利用GA算法对数学模型进行全局最优求解。求得最优工艺参数为：模具温度45 ℃、熔体温度205 ℃、注射时间1.8 s、保压时间6 s、保压压力50 MPa。模拟验证得到优化工艺参数下的目标变量为0.08 mm,低于各个实验设计方案,且风叶各叶片翘曲均匀性得到提高。     

前馈神经网络与遗传算法相结合解决曲轴中心缩孔

引言缩痕与孔洞是塑件成型时一种常见的缺陷。当制件外层材料冷却固化后,心部材料开始冷却,心部收缩把制件表层拉向制件内部,引起缩痕,如果制件表层的刚度足够大,则将在制件内部产生孔洞而不是缩痕[1]。关于塑件成型过程中的缩痕、翘曲、收缩等缺陷问题,许多学者提出了工艺参数设计的单目标和多目标优化模型,如Kriging模型、BP神经网络、响应面法、支持向量回归等,针对这些模型,采用的优化求解算法主要有:遗传算法、粒子群法、蚁群算法等。申长雨等[2]采用神经网络与混合遗传算法结合优化注塑成型工艺,改善了制品的体收缩     

基于混合遗传算法的人工神经网络模型及其对有机化合物熔点的预测

为了避免BP神经网络在训练过程中收敛于局部极小的缺陷,采用自适应交叉变异、最优保存的混合遗传算法对BP网络的权值和阈值进行优化,从而提出一种新的基于混合遗传算法的神经网络模型.该算法首先对一给定的网络结构,采用混合自适应交叉变异和最优保存策略,取各自的长处,用尽可能少的搜索代数找到问题的最优解,从而既防止算法陷入局部最优,又保证算法有较好的平均适应值和最佳的适应值个体.采用上述优化策略的人工神经网络可明显改善收敛的稳定性和收敛速度,并确保网络收敛于全局极小点.人工神经网络运用于物性数据的预测是一个具有潜力和有待开发的领域.运用该模型,根据有机化合物的分子量、临界密度、正常沸点和偶极矩,对其熔点进行预测.预测结果表明：提出的混合遗传算法神经网络优于其他算法神经网络,而且预测结果优于文献上已有的Joback方程和许氏方程的计算值.     

蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

BP神经网络与GA算法相结合的双色成型保压曲线优化

提出采用前馈神经网络（BP神经网络）与遗传算法(GA算法)相结合优化产品保压曲线,通过改善2种材料的顶出时体积收缩率,进而改善双色产品的翘曲问题。得到优化的工艺参数组合为：聚丙烯（PP）保压压力55 MPa,保压时间12.5 s;丙烯腈苯乙烯丁二烯共聚物（ABS）保压压力75 MPa,保压时间3.5 s; 模拟验证得到优化保压曲线下优化目标为 4.411,小于各实验方案; 双色产品的翘曲由原来的1.696 mm降为0.7427 mm。     

基于小波神经网络的FRP复合材料损伤声发射信号识别

针对FRP复合材料损伤声发射信号的特点,运用小波包分解提取特征向量作为网络输入,通过小波分析与神经网络紧致结合的方式对不同类型的损伤模式进行识剐,并将遗传算法引入到小波神经网络中,优化网络初始权值,提高了网络的全局搜索与识别能力.     

基于GA-BP神经网络的多传感器轴承故障诊断

由于单一传感器采集滚动轴承的故障信息精度较低,提出基于GA-BP神经网络的多传感器信息融合方法。首先使用单一传感器采集其状态信息,并采用小波包分析提取轴承故障状态特征,然后采用遗传算法(GA)优化BP神经网络对单传感器进行滚动轴承故障诊断,接着运用DS证据理论把每一个诊断结果进行信息融合,最终得到诊断结果。仿真实验结果表明:该方法可提高滚动轴承故障诊断的精确度和效率。