TY2100 I型柴油机的装配

随着经济的发展,科学技术日新月异,装配制造业面临着更高更新的要求,最大程度地向高效、低能耗、无污染的目标发展。本文主要论述了TY2100I型柴油机装配的技术要求及装配的方法。     

基于TG–LSTM神经网络的非完整时间序列预测

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG–LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG–LSTM单元结构;其次,基于TG–LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG–LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG–LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.     

基于自组织模糊神经网络溶解氧控制方法研究

针对污水处理过程中溶解氧浓度难以控制的问题,提出了一种基于自组织模糊神经网络（self-organizing fuzzy neural network, SOFNN）的溶解氧（dissolved oxygen, DO）控制方法。首先,采用激活强度和神经元重要性两个评判标准,来判断神经元对网络的贡献及活跃程度。然后,对不活跃的神经元进行删减,以此来对神经网络结构进行自适应的调整,从而满足实际控制要求,提高控制精度。其次,采用梯度下降算法对SOFNN神经网络的各个参数进行实时调整,以保证网络的精度。最后,将该自组织方法用在Mackey-Glass时间序列预测中,结果表明所提出的自组织模糊神经网络具有较好的预测效果;同时将所提出的SOFNN方法在BSM1仿真平台上进行实验验证。结果表明,所提出的自组织模糊神经网络控制方法能够对溶解氧浓度进行较好地控制,具有一定的自适应能力。     

废旧机床改造成键槽铣床的设计方案

本文主要论述了将废旧的普通机床改造成键槽铣床时铣头立柱部件的改造方案。利用废旧机床的床身、床架、床鞍等基架部件进行改造设计,不仅节约了机床维护费用,同时提高了机床的回收利用率,是企业废旧机床未来利用的发展趋势。     

魏氏组织形成机理及对钢管性能影响的分析研究

利用万能光学显微镜、扫描电子显微镜、透射电子显微镜等大型精密仪器对低碳低合金钢管中出现的魏氏组织进行了级别判定、高倍形貌观察和精细结构研究;对不同温度和冷速条件下进行热处理工艺试验的管材进行了力学性能对比.通过试验确定了魏氏组织的形成温度范围和形成魏氏组织的冷速区间,搞清了魏氏组织对钢性能(尤其是冲击性能)的影响规律.分析研究了魏氏组织的形成机理.     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘（recursive orthogonal least squares,ROLS）算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解（singular value decomposition,SVD）决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于改进SPEA2算法的给水管网多目标优化设计

针对给水管网多目标优化设计问题，将管网造价、节点富余水头总和以及节点富余水头方差设为目标函数，从经济性和可靠性两方面对给水管网进行优化。为了获取多样性和收敛性好的解，本文结合选择机制中支配和分解的思想，引入参考向量到强度帕累托进化算法（strength Pareto evolutionary algorithm 2, SPEA2）中，配合支配强度进行解的选择。通过双环管网和纽约管网两个管网案例，仿真结果表明了所提算法在解决管网多目标优化设计问题上的有效性，并最终应用于实际的管网工程建设中。     

基于改进投票机制的音乐流派分类方法研究

在音乐流派分类过程中,音乐流派局部特征与整体特征不一致时,通常采用的局部特征投票取最大的方法(MaxVote)在音频片段流派分类精度不高,而流派特征分布比较均衡时分类结果不合理。针对以上问题,该文提出基于音乐片段流派分布特征的神经网络投票机制(NNVote)和结合高层音乐节奏特征的RhythmNNVote投票方法。实验结果表明,NNVote方法在7个流派上的分类总精度达到68.9%,较MaxVote提高将近10%。     

基于灵敏度分析的模块化回声状态网络修剪算法

针对回声状态网络（Echo state network,ESN）的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法（Pruning algorithm for modular echo state network,PMESN）.该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解（Singular value decomposition,SVD）构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.