L-M神经网络的磨削淬硬参数预测

针对基于传统BP算法的神经网络训练中收敛速度较慢的缺点,提出一种基于L-M(Lev-enberg-Marquardt)算法的磨削淬硬层厚度预测,并开发了基于L-M算法的磨削淬硬神经网络预测系统.仿真结果表明:该系统模型显著缩短了训练时间,具有较高的准确性.通过网络训练和网络检验,得出该神经网络系统的预测值与实测值十分接近的结论,可充分证明L-M法BP神经网络对于磨削淬硬参教预测具有很好的效果.     

杭州市区大气中PM10等污染物的预测研究

研究了BP神经网络用于大气中可吸入颗粒物(PM10)及SO2、NO2预测的可行性.针对1999年至2001年的杭州市区大气中SO2、NO2和PM10的实测数据,通过选用合适的BP网络,进行训练,得到预测模型,训练结果及结果检验表明BP网络适用于大气中SO2、NO2和PM10的预测,并且该预测模型具有良好的适应性.     

基于改进BP神经网络的产品成本预测研究和实现

作为成本管理重要环节的产品成本预测是个非线性系统,目前还很难对其建立准确的数学模型.引入BP神经网络算法对产品成本进行预测,针对BP算法容易陷入局部最小的缺陷,提出了改进BP算法.根据产品成本的具体特征提取特征值并建立相应的神经网络,通过训练,网络具有较强的适应和学习功能,经测试表明,网络具有较高的预测精度,能够为企业生产运营提供可靠的依据.     

基于深度信念网络的供应链柔性提升

为了通过提高供应链柔性网络来提高企业运营效率,考虑供应端(节点中断)和需求端(需求量波动)的不确定性,运用含多隐层的机器学习模型——深度信念网络,构建了以中转点选择和流量分布优化为目标的供应链柔性网络模型,制定了网络训练步骤,并以某大型制造企业为例,在供应链柔性网络预处理的基础上,对比分析了BP神经网络与深度信念网络的流量预测精度。实例分析结果表明,深度信念网络克服了BP神经网络容易陷入局部最优的缺陷,比传统的BP神经网络预测精度更高、训练时间更短、学习能力更强,最大程度地缩短了供应链网络应对不确定风险的响应时间,提高了供应链网络柔性。     

基于MATLAB的BP神经网络在旋流器模拟设计中的应用

利用MATLAB工具箱中的BP神经网络模型建立了旋流器的三层神经网络,提出了旋流器隐层单元数的确定方法,并通过所选择的函数及所构建的网络结构,对网络学习训练得到了14-20-2的预测性能模型,利用所收集的60组样本数据进行训练的结果表明所采用函数和网络结构具有较高精度,由训练得到的权值和阈值对旋流器性能进行预测的结果显示它能满足工程需要.     

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。     

量子神经网络在旋转机组状态趋势预测中的应用

神经网络具有非线性函数逼近能力,常用于非线性趋势预测。为了预测旋转机组故障特征量的非线性发展趋势,提出指数加权量子神经网络。参考传统的BP(backpropagation)神经网络及指数平滑的预测方法,将量子计算与神经网络相结合,选择误差修正学习算法,并在神经网络输入层进行指数加权,构建三层指数加权量子神经网络。该网络具有非线性逼近能力,并且能通过指数加权系数反映近期和远期历史数据对将来预测值的不同贡献程度。在将指数加权量子神经网络应用于大型旋转机组故障特征量的非线性趋势预测时,实验结果表明该网络训练的速度与预测的精度均好于传统的BP神经网络预测。     

带料纠偏的模糊预测控制

带料纠偏是高度非线性过程,传统的模型预测控制(MPC)无法有效地处理这种过程.模糊神经网络(FNN)方法可以实现非线性过程模型.通过测量得到的数据作为样本来训练神经网络.预测准确度由前馈网络的插值能力保证.多维搜索技术用来解决非线性最优化问题,最优结果被嵌入BP神经网络预测控制器中.BP神经网络的快速计算能满足实时控制需要.带料纠偏试验结果已经证明了FNN预测控制的有效性.     

基于径向基函数神经网络的发动机磨损预测分析

针对BP神经网络算法的不足,利用径向基函数(RBF)神经网络建立设备的磨损预测模型,对光谱分析数据进行实例仿真,并与BP网络模型进行对比研究.仿真结果表明,该模型预测精度高,训练时间短,大大优于BP神经网络模型.     

基于BP和RBF神经网络的滚动轴承故障诊断比较

通过仿真实例,应用BP和RBF神经网络对滚动轴承的故障诊断进行了比较研究,结果表明,BP网络和RBF网络仿真效果都比较理想,但RBF网络构建简单,训练速度快且比较稳定,体现了RBF神经网络的优越性。