基于小波网络的砂轮状态监测方法

提出了一种基于小波神经网络和模糊控制的砂轮状态在线监测方法，该方法通过提取磨削加工过程中有关砂轮状态的声发射信号和功率信号，利用小波神经网络，实现砂轮状态的在线智能化监测；针对多输入输出带来的网络规模增大、收敛速度缓慢等问题，提出采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，同时采用模糊自适应BP算法对训练速率系数η和惯性系数α进行在线调整，从而简化了小波网络，减少了学习次数，加快了网络的收敛速度，仿真结果证明了该方法的有效性。     

基于Elman神经网络的液压泵故障诊断模型研究

针对传统BP网路进行液压泵故障诊断时，网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了将Elman神经网络应用于液压泵故障诊断的新方法，建立了Elman神经网络的应用结构模型，介绍了该网络的训练算法，阐明了液压泵故障诊断的实现过程。通过试验验证了该神经网络收敛速度快，学习记忆稳定，具有很好的学习功能；测试结果表明该诊断方法具有高可靠性，达到了预期的效果，可以用于液压泵故障诊断。     

基于遗传神经网络的电液伺服系统自适应控制

针对热连轧卷取机卷取过程当中的带头损失现象，本文提出一种液压踏步控制的伺服系统。采用神经网络跟踪对象的动力学特性，建立了遗传算法与神经网络相结合的识别模型（GA-ANN），利用遗传算法进行网络权系的训练和优化。试验证明该系统有好的控制效果，对实现液压系统的人工智能化奠定了基础。     

磁悬浮系统的基因优化网络控制

分析了单自由度磁悬浮控制系统的构成与数学模型，为了改善控制系统性能，设计了一种基因算法（GA）优化神经网络的智能控制方法。该方法针对普通的BP算法收敛速度慢、容易陷入局部极小值以及网络初始状态对网络性能的影响等问题，提出了用基因算法离线优化网络，并设计了一种双链异或交叉基因算子，改善了基因算法的寻优效率；又结合神经网络的空间逼近能力，对系统做在线的微小修正，该控制方法在较大程度上改善了单自由度磁悬浮系统的鲁棒性、可操作性等性能。     

基于PSO-BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢、易陷入局部最优解的缺陷,将基于群体智能的全局寻优算法-粒子群优化算法引入到BP神经网络的训练过程,建立了PSO-BP神经网络漏钢预报模型;结合某钢厂连铸现场历史数据,分别对PSO-BP漏钢预报模型和BP网络预报模型进行了训练和测试;结果表明,PSO-BP漏钢预报的收敛速度较传统BP神经网络明显加快,其泛化能力和对漏钢温度特征的识别精度也有了较大提高。     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于BP算法的逆变点焊电源模糊神经网络控制研究

引入动量因子对常规BP学习算法进行了改进.在分析模糊神经网络控制模型的基础上,针对模糊神经网络规则多、训练时间长的缺点,采用了给模糊控制规则增加阈值,减少网络训练运算量的优化方法.最后将此优化方法和改进的训练算法应用到逆变点焊电源模糊神经网络(FNN)恒电流控制系统中,通过使用MATLAB语言编程,对该系统进行了仿真分析.仿真结果表明,动量因子的引入不但减小了BP算法学习过程的振荡趋势,加快了收敛速度,而且较好解决了BP网络容易陷入局部极小点的缺陷.模糊规则阈值的引入,有效减少了网络的训练时间.     

Chebyshev神经网络的改进及其应用

针对目前Chebyshev神经网络所存在的不足，提出一种改进的Chebyshev神经网络，它使用多输入多输出神经网络结构与使用改进的Chebyshev正交多项式。因此改进的神经网络不仅扩大了网络辨识模型的能力与学习适应性，而且算法简单，学习收敛速度快，有线性、非线性逼近精度高等优异特性。文中给出两个应用实例，仿真结果表明是有效的。     

一种基于聚类的板形控制模糊神经网络模型

针对冷轧过程中难以建立精确的板形控制数学模型的问题,设计了RBF模糊神经网络模型用于冷轧板带过程中的板形控制.基于一种无监督聚类方法确定了模糊规则数和网络初始参数以建立网络初始模型;采用BP算法训练网络,使网络能够快速收敛;同时,为使所建立的控制系统能够应用于在线控制,增加了模糊规则在线自学习功能,避免网络过度修正权值.仿真实验表明,所建立的RBF模糊神经网络模型控制精度高,满足板形在线控制要求.     

改进PSO-BP网络在故障诊断中的应用

针对油田抽油机井故障诊断方法较落后的问题,提出一种基于改进PSO-BP网络的故障诊断系统.神经网络权值的训练采用改进的PSO算法,克服了BP学习算法收敛速度慢、易陷入局部极值的缺点.将该网络用于抽油机井的故障诊断,并与传统BP模型的故障诊断结果进行比较.结果表明:基于改进PSO-BP的故障诊断方法正确率达96%以上,可以在更短的时间内、用更少的迭代次数达到精度要求,为设备检修提供了可靠的依据.     

六维腕力传感器的补偿模糊神经网络模型

本文基于神经网络可以对非线性系统的任意逼近能力，建立了六维腕力传感器的补偿模糊神经网络模型，仿真结果表明，这种补偿模糊神经网络对六维腕力传感器非线性系统逼近精度高，训练步数少，学习收敛速度快，误差曲线稳定，可作为六维腕力传感器标定或用于机器人基于腕力传感器力控制的动力学模型。     

Rough集理论在神经网络材料性能参数实时识别中的应用

运用神经网络技术实现材料性能参数的实时识别是智能化拉深的重要研究课题.由于训练样本数据的冗余使得BP网络收敛精度差、速度慢,直接影响到网络的识别精度.运用Rough集理论强大的数据分类简约功能,能够去掉多余属性的样本数据,从而优化了神经网络的拓扑结构.经过试验验证优化后的网络不仅收敛速度快、精度得到极大提高,而且网络预测相对误差精度都在6%以下.     

基于蜂群深度神经网络的小电流接地故障选线方法

小电流接地故障选线由于选线精度较低和故障选线时间较长的问题,直接影响配电网的稳定运行,针对此问题,本文采用大数据智能分析算法,利用小电流接地故障的历史数据,采用深度卷积网络的结构,应用统计特性,对网络模型和参数进行训练;利用启发式优化算法加速了算法的收敛性,从而降低了选线时间;根据搭建的智能网络模型以及陕西某配电系统的实际测量历史数据得到的小电流接地选线系统能够快速准确的成功选线,从而增强了系统实际应用的效果。     

基于计算机智能的深度信念网络的组合电力负荷预测方法

电力系统负荷预测是电力系统规划和经济政策制定的主要依据,然而现有的基于计算机人工智能的电力系统负荷预测多采用组合预测方式,其预测精度低,效率低下;针对此问题,提出了一种基于深度信念网络的组合负荷预测方法,此方法首先建立了深度信念网络训练模型,将组合数据与实际负荷数据之间构建的非线性函数关系应用到此训练模型中,通过数据训练,优化深度信念网络层数和参数;使得训练好的组合深度信念网络具有预测能力.利用实际历史数据,对组合负荷预测的精度进行了计算,实验结果表明:所提出的预测方法相对于传统的组合预测方法,具有较高的预测精度,同时其计算复杂度较低.     

GA-BP神经网络在AgCuNi电接触材料的性能预测研究

本文针对现有AgCuNi系电接触材料对硬度和导电率预测方法不足等问题,采用遗传算法对BP神经网络的权值和阈值优化,加快了算法的收敛速度,建立了基于遗传算法优化的BP神经网络AgCuNi系电接触材料的硬度和导电率预测模型。训练精度和实际测试精度分别达到了0.98和0.89,误差9.18%。研究结果表明,本文建立的BP神经网络预测模型,有助于提高合金的成分设计效率,提高银合金电接触材料的开发效率。     

基于LM算法的神经网络系统辨识

介绍了电流变传动系统，并采用基于Levenberg-Marquardt(LM)算法的BP神经网络对其进行系统辨识，LM算法是梯度下降法与高斯-牛顿法的结合，就训练次数与精确度而言，它明显优于共轭梯度法及变学习率的BP算法，适用于系统辨识，仿真结果表明LM算法可大大在提高学习速度，缩短训练时间，且辨识效果很好。     

模糊神经网络在感应电机矢量控制中的应用

本文提出了一种基于模糊神经网络速度控制器（FNNC）的感应电机矢量控制系统,兼具模糊逻辑处理不确定信息的能力和神经网络的自学习能力,阐明了神经网络的结构设计、样本选取及训练方法。人工神经网络（ANN）的初始权值和阈值通过离线学习得到,模糊逻辑规则通过专家经验总结。仿真结果表明采用所提出的模糊神经网络的感应电机矢量控制系统,转速响应快,跟踪性能好,稳态误差大大减小,有效提高了系统的性能。     

基于神经的数控加工热误差补偿

本文提出了一种基于神经网络的数控加工热误差补偿系统，该系统根据测出的数控加工机床的相关结构的温度值，进行实时地热误差补偿，介绍了该方法的原理，阐述了该系统的建立过程及有关技术的处理。     

基于RBF-ARX模型的绞吸挖泥船横移过程模型设计

由于绞吸挖泥船横移过程的影响因素众多,具有明显的非线性和时变性特征,难以精确建模来描述其动态特性。因此在对挖泥船产量形成过程详细分析的基础上,针对传统神经网络收敛速度慢、隐含层较多、训练阶段无法自适应调整网络结构的缺点,采用RBF-ARX模型结构进行绞吸挖泥船产量和横移速度的建模。通过结构化非线性参数优化方法SNPOM,离线识别出RBF-ARX模型的线性和非线性参数,并利用仿真对所建模型和真实数据的误差进行对比。仿真结果表明:所建立的绞吸式挖泥船横移过程模型能够比较准确描述系统在全局范围内的动态特性,与挖泥船的实际产量输出拟合较好。