基于双隐层L-M算法的BP神经网络机械加工误差预测控制模型

分析了误差的来源和传递方式,针对机械加工过程高度非线性、多输入和多输出的特点,构造了双隐层L-M算法BP神经网络误差预测控制模型.根据工艺系统刚度、工件硬度、加工前、后径向误差来预测控制刀具径向总进刀量、第一、第二次刀具径向进刀量,实验和仿真结果表明该模型能指导生产、优化加工工艺和提高产品质量.最后,采用LAB-VIEW软件和MATLAB软件编制了误差预测控制系统,实现了预测控制的可视化.     

基于BP神经网络的超声肝图像识别

肝超声图像识别,通过基于空间灰度独立矩阵,空间频率分解和分形特征进行特征提取,采用双隐层BP神经网络对正常肝脏,肝硬化和肝癌超声图像进行分类识别.首先提取图像特征并归一化特征向量集.再使用第1隐层对取样肝脏超声波图像进行分类,分别出正常和非正常肝脏.然后用第2隐层对非正常肝进行分类,区别出肝癌和肝硬化图像.最后通过不断调整网络参数,达到理想分类结果.     

永磁直线同步电动机智能递归非奇异终端滑模控制

为解决永磁直线同步电动机(PMLSM)在运行过程中易受参数变化、外部扰动、摩擦阻力等不确定性因素 影响的问题, 本文提出一种基于双隐层径向基函数神经网络(DRBFNN)的递归非奇异终端滑模控制(RNTSMC)方法 来提高PMLSM系统的控制性能. 首先, 分别构造非奇异终端滑模面和递归积分终端滑模面, 使得两滑模面依次连续 到达, 可在削弱抖振的同时保证跟踪误差在理论上的有限时间内收敛至零. 但由于系统不确定性的边界难以确定, 因此引入具有更高拟合精度和泛化能力的DRBFNN对不确定性进行逼近和补偿, 并通过在线自适应更新连接权重, 进一步提高神经网络的逼近能力. 最后, 系统实验结果表明, 该方法能够有效抑制不确定性对系统的影响, 提高了系 统的位置跟踪精度, 并使系统具有较强的鲁棒性.     

基于两种BP神经网络的精纺毛纱性能预测模型的比较

在较大输入层样本数、较多输入层节点数的条件下,尝试使用单隐层BP神经网络模型与双隐层BP神经网络模型分别对精纺毛纱的条干不匀率与断裂强力进行预测,分析比较单、双隐层模型的预测性能.结果表明:隐含层节点数为9的双隐层BP神经网络模型预测性能最佳,相关系数值为0.920 5;对精纺纱的断裂强力进行预测时,隐含层节点数为8的双隐层BP神经网络模型预测性能最好,相关系数值为0.917 1.因此,在输入层样本数较大、输入层节点数较多的条件下,双隐层BP神经网络模型更适合对精纺毛纱的性能进行预测.     

分段学习的双隐层BPNN对交通流量预测的研究

智能交通系统可有效解决城市道路的拥挤,交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中,BP神经网络的应用最普遍,并取得了许多成果。为了进一步提高BP神经网络的预测精度,采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测,并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。     

基于MEEMD-DHENN的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非线性的特点,提出了把改进的经验模态分解(Modified Ensemble EMD,MEEMD)与双隐层Elman神经网络(Double Hidden-layer Elman Neural Network,DHENN)相结合识别故障类型的方法。用MEEMD选出主要本征模态函数(Principal Intrinsic Mode Function,PIMF),先计算出经补充的总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)得到的各IMF的排列熵值,剔除虚假分量;再对其余分量进行重构用经验模态分解(Empirical mode decomposition,EMD),计算各IMF的方差贡献率,排除贡献率最小的,即为PIMF,经希尔伯特变换求出其能量熵值,构成特征矩阵。构建了双隐层Elman神经网络对故障类型进行识别,通过经验公式与实验得到最佳隐层节点组合,最后与EMD-DHENN和MEEMD-ENN的测试结果相对比,表明基于MEEMD-DHENN识别方法只需迭代26步即可对轴承故障准确分类。     

基于双隐层动态递归神经网络的航煤比重软测量

针对原油蒸馏装置常压塔航煤比重模型具有动态特性的特点，提出采用隐层动态递归神经网络（DRNN）实现比重的软测量，推导了双隐层DRNN的权值学习算法，并利用在线比重分析仪构成了航煤比重软测量模型的在线校正，在某炼油厂常压塔装置实际投用表明，基于双隐层DRNN比重软测量模型具有较高的测量精度。     

改进的扩展互信息分离算法

扩展互信息分离算法采用单隐层神经网络近似算法代价函数中的非线性函数,可调节的参数有限,需要多次迭代才能收敛,从而导致收敛速度较慢。针对这一问题,采用双隐层神经网络近似非线性函数,以分离结果的互信息最小化作为代价函数,采用梯度下降方法对代价函数进行优化,增加了可调节参数数量。仿真实验结果表明,改进后的算法相对原算法收敛速度更快,误差更小。     

基于双隐层径向基过程神经网络的润滑油金属含量预测

润滑油金属含量是航空发动机摩擦件健康状态的重要表征,通过对其进行预测可提前发现相应部件的机械故障,避免造成严重的发动机二次损伤.在航空发动机的实际运行期间,润滑油金属含量受许多复杂因素影响,用传统方法难以有效预测其变化趋势.提出一种基于双隐层径向基过程神经网络的润滑油金属含量预测方法,并开发一种基于软竞争学习算法和BP学习算法的混合学习算法.将该方法用于某型航空发动机润滑油铁金属含量预测,取得了满意的结果.