基于加权支持向量机的凸轮升程误差拟合方法

针对凸轮磨削加工过程中存在局部升程误差严重超差的问题,提出了加权支持向量机的凸轮升程误差补偿方法。首先根据圆率的符号判断凸轮升程误差值是否连续,然后建立了不连续点与相邻点之间夹角与加权值的关系。通过加权支持向量机对凸轮升程误差值进行拟合。然后将原始凸轮升程值减去经拟合后的凸轮升程误差值,获得新的凸轮升程值。再根据圆率自动调整加权值的系数,使凸轮升程值光滑点数最大,即获得最优的凸轮升程值。对上述算法进行仿真和编程,经YTM8336-16数控凸轮轴磨床进行磨削验证。实验表明,凸轮升程误差由原来的±0.059 mm降至±0.011 mm,表面粗糙度由Ra0.32μm降至Ra0.25μm,获得良好的效果。     

利用神经网络建立液力减速器模型

根据液力减速器的试验数据,利用BP神经网络建立数学模型,给出了BP神经网络结构和适合计算机编程的神经网络算法。通过对神经网络拟合曲线、多项式拟合曲线及实际试验曲线对比和分析,结果表明,神经网络建立的液力减速器模型精度比较高,用神经网络建立非线性系统的数学模型是一种有效的方法。     

基于遗传优化的BP神经网络法在甲烷检测中的应用

针对传统的最小二乘法拟合红外传感器的输出特性曲线时存在误差大、计算复杂,传统的BP神经网络法拟合红外传感器的输出特性曲线时存在网络收敛速度慢、易陷入局部极小的问题,通过分析改进的最小二乘法和改进的基于遗传优化的BP神经网络法的拟合效果,指出改进的BP神经网络法拟合度较高,并给出了改进的BP神经网络法在甲烷体积分数检测中的实验结果。结果表明,该方法能够拟合出理想的曲线,有效提高了红外传感器的检测精度及响应速度。     

基于BP训练数据选取的压气机特性曲线计算

基于BP神经网络方法,研究了压气机特性曲线的拟合及BP神经网络结构设计。对不同训练数据选取方法和比例情况下的BP神经网络进行了计算,分析BP神经网络数据选取与网络泛化能力之间的关系。分析结果表明,均匀顺序选择的BP神经网络在压气机特性曲线仿真上具有更优的泛化能力。     

采用BP神经网络拟合光纤位移传感器特性曲线

采用BP神经网络对光纤位移传感器特性曲线进行拟合。通过实验获得光纤位移传感器的实验数据,引入BP神经网络对光纤位移传感器的输入输出特性曲线和迟滞特性曲线进行拟合。Matlab仿真结果表明,该方法取得了较好的曲线拟合效果。     

基于BP神经网络的天平校准数据处理方法研究

针对天平校准公式拟合法方,提出了基于BP神经网络的公式拟合方法。分析了典型的3层BP神经网络的结构,论述了其应用于天平公式拟合的可行性。讨论了常规多项式公式拟合方法以及BP神经网络的公式拟合方法,并给出了BP神经网络的训练过程和使用方法。最后通过一组天平校准数据对BP神经网络进行训练,并给出拟合结果。     

乙基橙偶氮苯聚合物的全光开关特性曲线拟合中的应用

BP神经网络通过调节连接权重可以实现以任意精度逼近非线性函数,利用这一特点可以对非线性函数关系进行拟合。偶氮苯聚合物的全开关特性曲线是非线性,很难用数学函数表达式来描述。因而本文首先介绍神经网络的基本原理和BP算法神经网络,然后BP神经网络应用于的全光开关特性曲线拟合,在MATLAB环境下,利用实验数据进行了实验测试,结果表明该方法处理数据精度高,拟合效果好。     

GA-BP神经网络的非线性函数拟合

由于BP神经网络具有良好的非线性映射能力,但在极值寻优时易陷入局部极值。本文利用具有全局搜索寻优的遗传算法优化BP神经网络(GA-BP),用于非线性函数拟合,弥补了BP网络寻优时的缺点。通过实例比较分析,GA-BP神经网络明显地提高了拟合精度,也使模型具有较强的应用性与推广性。     

基于BP神经网络的水泵全特性曲线拟合

本介绍了水泵全特性曲线绘制的一般方法，提出了一种利用BP神经网络绘制全特性曲线的方法，通过在MATLAB仿真软件上的仿真，得出了神经网络完全可以很好地拟合水泵全特性曲线的结论。     

机械式冲床停上死点位置的控制策略设计与实现

机械式冲床进行冲压操作时,上死点位置的精度是最关键的问题之一;为了提高冲床停上死点位置的精度,研究了冲床刹车后由于惯性而转过的角度与刹车时影响因子的关系,拟合出刹车曲线,利用此曲线保证冲床刹车后能准确停在上死点;介绍数据的获取方法及流程,利用BP神经网络对冲床刹车曲线进行拟合,以均方误差作为衡量拟合效果的评价指标,并与最小二乘法拟合的曲线进行比较;分析两种方法对冲床刹车曲线的拟合效果,均方误差分别为0.006 092 3和1.624 7,实验结果表明,使用BP神经网络对冲床刹车曲线拟合的效果较好。     

基于BP神经网络的隐式曲线构造方法

隐式曲线与曲面是当前计算机图形学研究的热点之一。通过把BP神经网络与隐式曲线构造原理相结合，提出了一种构造隐式曲线的新方法，即首先由约束点构造神经网络的输入与输出，把描述物体边界曲线的隐式函数转化为显式函数；然后用BP神经网络对此显式函数进行逼近；最后由仿真曲面得到物体边界的拟合曲线。该新方法不同于传统的对显式函数的逼近方法，因为传统方法无法描述封闭的曲线；也不同于基于优化的拟合隐式曲线方法，因为它无须考虑函数的形式或多项式的次数。实验表明，该新方法有很强的物体边界描述能力和缺损修复能力，因而在物体边界重建、缺损图像复原等领域有一定的应用前景。     

A constrained optimization method based on BP neural network

A constrained optimization method based on back-propagation (BP) neural network is proposed in this paper. Taking the maximization of output for example, using unipolar sigmoid function as transfer function, the method presents a general mathematical expression of BP neural network constrained optimization and derives the partial derivative of output with respect to input. On this basis, the fundamental idea, algorithms and related models are given in this article. When BP neural network is on the basis of fitting, this method can adjust the input values of BP neural network to make the output values maximal or minimal. Therefore, with this method the application of BP neural network is expanded by combining BP network’s fitting with optimization. At the same time, the article also provides a new method to study the black-box problem. The experiments show that the constrained optimization method is effective.

     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

基于径向基函数网络的隐式曲线

将径向基函数网络与隐式曲线构造原理相结合,提出了构造隐式曲线的新方法,即首先由约束点构造神经网络的输入与输出,把描述物体边界曲线的隐式函数转化为显式函数,然后用径向基函数网络对此显式函数进行逼近,最后由神经网络的仿真曲面得到物体边界的拟合曲线．实验表明,基于径向基函数网络的隐式曲线具有很强的物体边界描述能力和缺损修复能力．     

基于新的改进粒子群算法的BP神经网络在拟合非线性函数中的应用

介绍了一种基于新的改进粒子群算法(NIPSO)的BP神经网络来解决拟合非线性函数所出现的误差较大的问题。此算法在粒子群优化算法基础上,分别让权重和学习因子非线性和线性变化,建立基于新的粒子群优化算法的新模型,再与BP神经网络结合之后来拟合非线性函数。结果表明,新的改进粒子群优化算法更加合理且高效地提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于提升小波变换和BP神经网络的图像哈希算法*

针对数字图像作为一种常用的数字多媒体信息,对其真实性和完整性的认证显得尤其重要,提出了一种基于提升小波变化和BP神经网络的图像哈希算法。首先利用图像像素矩阵和构造的函数来训练BP神经网络;再将图像进行提升小波变换,利用低频分量组成矩阵;最后利用已经训练好的BP神经网络来产生哈希序列。实验结果表明,本算法不仅可以抵抗内容保持的修改操作,而且能够很好地区分恶意攻击,有一定的鲁棒性和脆弱性。该技术在图像认证、版权保护、安全和基于内容的图像检索等方面有应用价值。     

粒子群算法优化BP神经网络的粉尘浓度预测

对综采工作面粉尘浓度预测的方法是建立BP神经网络预测模型.为了提高算法的拟合能力及预测的准确度,使用粒子群算法对目标函数进行改进,即将粒子群算法寻到的最优权值和阈值应用于神经网络预测模型求综采工作面粉尘浓度.比较分析新的预测模型与常用的灰色模型以及标准的BP神经网络算法,结果表明粒子群优化的神经网络算法的拟合能力和预测的准确率显著提高.