BFA based neural network for image compression

A novel Bacterial Foraging Algorithm （BFA） based neural network is presented for image compression. To improve the quality of the decompressed images, the concepts of reproduction, elimination and dispersal in BFA are firstly introduced into neural network in the proposed algorithm. Extensive experiments are conducted on standard testing images and the results show that the proposed method can improve the quality of the reconstructed images significantly.     

基于叶片弯掠技术的优化设计

在三维粘性流场的数值计算程序平台上,利用BP神经网络和遗传算法,通过叶片弯掠技术对一轴流风机的转子叶片的周向弯曲角度进行寻优,以使风扇的气动性能进一步提高。通过对比优化前、后的叶轮发现,优化之后的叶片呈现明显的周向前弯曲特征。测试结果显示,其全压和气动效率分别提高了3.56%和1.27%,失速裕度大幅度拓宽36%以上,上、下端部的损失进一步降低。     

烟气轮机涡轮盘高温合金剩余寿命预测

本文针对已运行60000h的Waspaloy合金烟气轮机涡轮盘进行剩余寿命预测分析,采用不同试验条件下得到的waspaloy合金持久寿命数据对人工神经网络模型进行训练,得到预测精度较高的模型参数,建立温度、应力等服役条件与持久断裂寿命之间的人工神经网络模型,并利用该模型对Waspaloy合金涡轮盘的剩余寿命进行预测分析。结果表明,中间层节点个数为15时,所建立的人工神经网络模型对Waspaloy合金的持久断裂寿命具有最好的统计预测精度,并可以良好地表征Waspaloy合金剩余持久寿命与服役条件间复杂的非线性关系。     

电力系统短期负荷预测的共轭梯度ANN方法

针对传统ＢＰ学习算法的缺陷,提出了基于共轭梯度优化技术的ＡＮＮ学习算法。ＡＮＮ模型中考虑了温度、天气情况的影响,可进行工作日、一般休息日和节假日的预测。计算表明,该ＡＮＮ模型和学习算法实用、有效。     

基于人工神经网络的建筑电气节能评估模型

针对建筑电气节能评估模型问题和南京地区某生活小区的实际情况,提出了电气节能改造的方法。同时,进行了节能计算,建立了基于人工神经网络的生活小区建筑电气节能评估模型。计算结果和仿真研究表明,该节能方法效果明显,节能评估模型正确,具有较好的应用价值。     

利用人工神经网络预测电池SOC的研究

能源和环境与人类社会的生存和发展密切相关,能源短缺和环保的要求推动了混合动力车的发展。电池是混合动力车的动力源之一,准确和可靠地获得电池荷电状态(Stateofcharge,SOC)是电池管理系统的主要任务之一。在总结现有SOC预测方法的基础上,尝试使用人工神经网络的方法预测动力电池SOC。结果表明人工神经网络对多变量的非线性系统非常有效。另外,不同的数据样本对训练效果存在影响,试验表明用处理后的数据进行预测的结果明显较好。     

用自适应神经元网络进行短期电力负荷预测

本文提出了一个用来进行电力负荷预测的基于自适应卡尔曼滤波算法的人工神经元网络（ＡＮＮ）。给出了网络算法和它的改进形式。在预测过程中，权值按最近的负荷行为自适应改变。测试结果表明，该方法具有较高的精度和较快的速度。     

天气敏感型神经网络在电网短期负荷预测中的应用

针对运城地区电网易受气象影响的特点，应用了一种具有天气敏感性的基于快速反应BP算法的神经网络预测模型，模型中合理地考虑了影响负荷变化的气温和降水量等主要气象因素，使其能够适应天气的变化。对运城地区的实际负荷进行预测，结果较好地满足了现场要求．从而验证了该模型和算法的有效性。     

异种钢焊接接头高温时效碳迁移的系统辨识与预测

针对奥氏体不锈钢和铁素体类耐热钢两类母材金属的特点及相应的焊接工艺 ,分别对最小二乘法、有限差分法和人工神经网络法 (ANN)中的BP算法在异种焊接接头高温时效碳迁移的系统辨识与预测结果进行了分析和比较 ,提出了用改进的算法进行异种钢焊接接头高温时效碳迁移的状态辨识及预测     

ANN在聚丙烯酸酯乳液性质预测中的应用

在MATLAB中的图形用户界面下,用人工神经网络(ANN)对聚丙烯酸酯乳液的硬度、附着力和耐冲击性3种性能进行了预测。选用三层的误差反向传递网络(BP网络),讨论了隐含层节点数,训练目标goal值和传递函数等相关参数对预测结果的影响。在隐含层节点数分别为19、16和20,传递函数为logsig函数和purelin函数,训练目标值goal为1.0×10-5的条件下,对17个样品进行了预测。结果表明:硬度预测值与实验值相对误差的绝对值的平均值为5.90%,附着力预测准确率为100%,耐冲击性预测准确率为100%。