基于构形理论的变断面导热通道体-点导热优化

根据构形理论体-点导热模型,对均匀内热源单点冷却控制体进行构形优化.介绍构形理论在导热问题中的研究应用,并在已有文献基础上,结合经过优化的变断面导热通道,以矩形单元体为基础,按从内部小结构到外部大结构的过程,对所给控制体进行向外构形优化.然后,从控制体总体结构开始进一步对其进行向内构形优化,在给定相同参数条件下,分析比较各级最佳构形体的热阻大小,得到完整的解析解;确定构成各级高级构形体所需的低一级构形体的最佳数目:求出控制体热阻最小时的最优构形级数.向内构形优化的结果表明,增加控制体内部复杂程度并不总能降低其热阻,而是存在最佳的构造级数,使热阻达到最小.     

模糊神经网络在磨削参数决策系统的应用研究

提出运用模糊神经网络的非线性建模和自学习能力，构造磨削参数智能抉择选择，并应用于实际磨削过程，达到控制磨削加工质量。     

基于自组织映射神经网络的多目标调度研究

为解决后验式场景下的多目标生产调度问题,提出一种基于自组织映射神经网络的策略来生成近似Pareto边界。该方法首先使用拉格朗日松弛法获得若干Pareto解,从而将搜索范围划分为若干区域。对于每一个区域,构造两个并发运行的自组织映射神经网络搜索区域中的Pareto解,在不增加求解时间的情况下提高了求解精度。另外,根据多目标调度问题的特点,改变了神经网络训练过程中邻域的定义,从而加快了求解速度。仿真实验验证了该算法的可行性与有效性。     

基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

基于同伦连续法的飞机舱门提升机构轨迹综合

飞机舱门是进出机舱的通道，其机身导向槽中心线与提升机构末端导向轮运动轨迹重合，保证了舱门开启/锁止可靠。以有序单开链方法建立提升机构2个单开链单元轨迹综合运动学方程组；方程组变量齐次化分组，其Bezout数仅为320，减少同伦跟踪路径；分别进行初始方程组构造和同伦方程组求解，求得了6组杆长非负实数构形解，绘制了单开链单元组合的对应构形。以机构运动空间和提升机构力传递效率进行构形筛选，得到了可实现飞机舱门按期望轨迹运动的舱门提升机构。     

海底车避障系统神经网络算法建模分析

针对深海局部地形环境构形特征,结合海底车行走特性,将海底车越障范围内障碍物进行聚类划分,利用Surfer网格节点编辑器修改等值线,简化地形障碍物环境。将BP神经网络结构应用到海底车避障系统的神经网络设计中,提出适合海底车实现完全避障的BP网络模型,改善了BP神经网络的局部极小值问题;基于Matlab设计基于海底车避障系统的BP遗传神经网络程序,分析不同网络模型下的控制误差。结果可知:基于BP算法的避障神经网络模型具备良好的学习能力;集合两种方法的优点,对轨迹进行不断调整,达到避障的目的。     

群控电梯前向神经网络控制方法

通过构造用于派梯选择的评价函数 ,在建立隶属度函数的基础上 ,利用前向神经网络自学习功能获得评价函数中各个因素的最佳加权系数 ,实现最佳派梯。仿真和实际应用结果表明了本控制方法的可行性及优良效果。     

基于非张量积小波网络的模拟电路故障诊断

为了克服张量积小波神经网络由于张量积小波缺乏自由度和具有很强的方向性等缺陷所引起的不足,提出了用非张量积小波取代张量积小波作为小波神经网络的激励函数构造非张量积小波神经网络的方法.先构造一个非张量积尺度函数,再根据多分辨分析理论得出该尺度函数的非张量积小波函数,把所构造的非张量积尺度函数和小波函数共同作为小波神经网络的激励函数.把该网络应用于模拟电路故障诊断,仿真结果表明,非张量积小波神经网络的效果比相应的张量积小波神经网络要好得多.     

基于Dixon析配法的平面三回路基本运动链装配构形求解

平面机构装配构形的研究对于机构分析与优选具有重要的理论意义和实用价值。本文以复平面法建立运动学方程 ,提出了适合三角函数复平面建模的 Dixon析配法。用此法对平面三回路 III型基本运动链 (BKC)构形进行了分析 ,求解了其所有装配构形 ,得出三回路 III型 BKC的最大可能装配构形数为 18。本文所求得的装配构形数为以 BKC为单元的平面机构构形数规律提供理论基础。     

连杆机构的装配构形与机构拓扑结构的关系研究——平面连杆机构装配构形分析

通过对平面连杆机构拓扑结构的研究 ,找到了机构的装配构形与拓扑结构之间的关系 ,进而给出了所有连杆机构最大装配构形数的计算方法 ,以及每个装配构形之间的相互关系。一旦知道机构的一个装配构形 ,其它装配构形都可以求出。这对于机构尺度综合以及运动分析中分支的确定及求解有重要的参考价值     

方向基概率神经网络的模式识别

针对方向基函数神经网络与概率神经网络的优缺点,提出了方向基概率神经网络的基本模型,并讨论了它用作模式分类时的相关原理及算法。以焊缝中裂纹和气孔缺陷的分类为例,用方向基概率神经网络对缺陷进行模式识别。结果表明：该网络应用于模式识别,较方向基函数神经网络和概率神经网络不仅在速度上有较大的提高,而且在分类性能上也有明显的改善。     

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.     

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。     

CMAC神经网络控制器与BP神经网络辨识器的系统设计

提出了一种基于CMAC神经网络控制系统,该系统由CMAC神经网络控制器和BP模型辨识网络组成。文中介绍了CMAC神经网络控制器的结构及学习算法,还给出了系统辨识的BP网络结构及学习算法。仿真结果表明了此法的可行性和有效性。     

神经网络在SnO_2气敏元件浓度测量中的应用

气体传感器属于传感器技术领域,在传感器行业中占有重要的地位.然而气体传感器阵列的交叉敏感性严重影响气体传感器对混合气体的测量.基于Matlab平台的神经网络工具箱,分别构建BP神经网络和RBF(径向基)神经网络,对由涂敷不同敏感材料的声表面波振荡器组成的阵列在4种混合气体灵敏度响应数据进行定量识别研究,结果表明RBF神经网络在气体定量识别方面更具优势.     

串联灰色神经网络模型的研究

针对传统灰模型适应性和自学习能力差、中长期预测精度不理想的情况,在3种精度较好的灰模型的基础上引入BP神经网络,构建了串联灰色神经网络模型。仿真表明,这种灰色神经网络模型未出现预测残差和相对误差逐步增加的情况,预测精度明显好于灰模型,适合应用。     

BP和RBF神经网络在人脸识别中的比较

BP和RBF是模式识别中应用最为广泛的2种神经网络，本文将这2种网络应用于人脸识别，分别建立了人脸识别模型。利用ORL人脸图像数据库进行了仿真实验，通过对比分析它们各自的识别率和泛化能力等性能指标，提出了在应用这2种神经网络进行模式识别时应注意的方面。     

基于ART1与BP神经网络的摩托车实例库检索系统的研究

针对传统摩托车设计过程中,设计人员为了找出合乎要求的相似车型,过多依赖经验,主观确定车型属性参数权重的问题,将人工神经网络理论和算法应用于摩托车实例库检索系统的研究中.通过ART1神经网络实现摩托车实例库的动态聚类,形成聚类模板,再利用前馈(BP)神经网络对模板中的每一实例进行检索.这种方法减小了车型属性权重中主观因素的影响,提高了系统的检索质量与效果,在实际应用中有良好的前景.     

基于遗传神经网络的加速度传感器动态建模方法

提出了利用遗传神经网络实现加速度传感器动态建模的新方法，介绍动态建模原理以及算法，给出用遗传神经网络建立的加速度传感器动态数学模型。该方法利用加速度传感器的动态标定数据，采用遗传神经网络搜索和优化动态模型参数。这样，既保留遗传算法的全局搜索能力，克服神经网络容易陷入局部极小的缺陷，又具有神经网络局部搜索能力强的特点。结果表明：以上提出的动态建模方法具有建模精度高、鲁棒性好等优点。     

基于 ELM 算法的柔性 FBG 形状重构末端分析

为了提高光纤光栅(FBG)柔性结构采用正交曲率三维重构方法的末端精度,通过神经网络将重构后的曲率末端坐标与实际空间坐标建立映射关系。首先利用COMSOL仿真软件对聚氨酯胶棒建立模型,将两根光纤光栅串共8支光栅正交排布,采用递推角算法建立动态坐标系进行三维重构。对重构的末端点坐标利用误差逆传播(BP)神经网络算法与极限学习机(ELM)神经网络算法进行训练检测,结果表明,BP神经网络和ELM神经网络训练平均误差分别为0.443 6和0.008 2。最后搭建实验平台,对聚氨酯胶棒在受力情况下进行形状重构,并代入ELM模型中进行训练,训练结果相关系数R²=0.985 8,均方根误差(RMSE)为1.363 0,相较于BP神经网络方法有效提高了形状重构的末端坐标精度。