基于人工神经网络的多指标综合评价方法研究

研究了利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，并以建设工程项目招标评标为背景，建立了相应的多指标综合评价BP模型。引入附加动量法和变步长算法对BP网络算法进行改造，大大提高了标准BP神经网络收敛速度与学习训练速度，为解决多指标综合评价问题提供了一条有效途径。     

基于BP神经网络的模拟电路诊断

文章重点阐述了BP神经网络原理和训练过程,结合模拟电路故障特点,论述了BP算法在模拟电路故障检测中应用方法的要点,评价了其中存在的优势和亟待解决的问题。证明了BP算法是解决模拟电路故障的一种可行性和重要性。     

基于改进FNN的道岔电路故障诊断方法

道岔是直接关系到高速铁路安全运营的关键信号设备,目前对其控制电路故障诊断方式主要是依靠简单仪器与人的以往经验。针对道岔控制电路故障的模糊性与不确定性特点和实现道岔控制电路故障诊断的高准确率与智能化,文章提出一种基于模糊推理法与模糊神经网络(Fuzzy Neural Network,FNN)相结合的诊断方法:首先在总结S700K道岔控制电路常见的8种故障类型、建立模糊规则和选择隶属函数的基础上,建立基于模糊推理法FNN诊断模型;其次为避免算法收敛慢和陷入局部最优,文章通过引入改进的动态学习速率和附加动量项的学习调整法,实现对算法的改进,并比较算法改进前后的误差曲线;最后将文中算法和BP神经网络进行诊断准确率对比。仿真实验结果表明,该算法对道岔控制电路故障诊断的准确率高并且能达到99.6%以上。     

基于BP神经网络的仓储小麦的生理生化指标预测

BP神经网络算法在粮食仓储领域拥有巨大的应用价值和潜力。本研究尝试将BP神经网络引入仓储小麦品质预警模型,以天津储粮抽检数据为对象,通过对室内温度的记录,样品水分、淀粉、蛋白质等11项生理生化指标的定期检测,利用BP神经网络算法进行仓储小麦的品质预测与影响分析。仿真结果表明,基于BP神经网络的数据预测方法具有较小的过程误差和较高的结果准确性,为仓储小麦的品质预测提供了一种有效的研究方法。     

BP算法改进及其在多组分混合体系中的应用研究

主要研究动量BP算法、学习率可变的动量算法等2种方法分别对苋菜红、日落黄、柠檬黄、胭脂红等4种合成色素混合体系的同时预测,并对计算效果进行比较。学习率可变的动量算法的参数及结果如下:当隐含层节点数为S=6,学习率0.21,动量因子η=0.6,RPEt=0.27105,RPEs分别为0.35216,0.31452,0.28921,0.28718,训练步数142次就能够达到预定精度。结论:学习率可变的动量算法比动量BP算法速度快,准确率高。     

基于K-means聚类算法和BP神经网络的稻米品种鉴别

BP神经网络是利用误差逆向传播训练的前馈网络,具有自适应、实时学习的特点,在分类中广泛应用。但当样本类别过多,BP神经网络的分类精度显著降低。基于此,本研究提出了一种K-means聚类算法和BP神经网络相结合的方法作稻米品种鉴别。利用图像处理方法提取出11种稻米样品的灰度平均值、长宽比和圆形度三项特征参数,利用K-means聚类算法对所得数据进行聚类,聚类的结果作为BP神经网络的输入,训练得到分类器。实验结果表明,这种算法的分类效果要优于单一使用BP神经网络和K-means算法,且分类准确率达到80%,可见本实验的方法用于稻米品种鉴别是可行的。     

基于BP算法的三分类设计

BP算法因其简单、易行、计算量小、并行性强等优点,是目前神经网络训练采用最多也是最成熟的训练算法之一。本文利用BP算法实现了人工神经网络中的三分类设计,并对数据进行分析。     

基于BP神经网络的国际服装流行色短期预测

研究以国际权威色彩机构发布的连续6年春夏女装服装流行色量化数据为研究对象,应用BP神经网络逼近任意非线性函数的能力和特点,构建色彩趋势的短期预测模型。研究在传统BP神经网络的基础上引入动量因子,通过设计网络参数、训练样本对模型进行训练与仿真,探讨模型在流行色预测中的性能。研究结果显示:应用引入动量因子的BP神经网络的收敛速度、预测获得误差的标准差小于0.06,预测效果好,能够用于流行色的短期预测。     

基于BP神经网络算法的可见光图像热目标自动识别技术

BP算法即误差逆向传播学习算法,按照BP算法进行训练的多层神经网络被称为误差逆传播神经网络,即BP神经网络。BP神经网络按有人管理示范的方式进行学习,学习期间网络误差由后向前传递修正各权值和阈值。本文将主要探讨基于BP神经网络算法的可见光图像热目标自动识别技术。     

虚拟现实系统中的虚拟智能对象决策系统

针对虚拟现实系统中虚拟人决策的问题,运用双BP神经网络实现了动态学习的决策系统.利用博弈树动态增加BP网络训练集,实现BP网络的动态学习,同时对BP网络的学习算法进行改进.利用虚拟乒乓球系统进行仿真,结果证明该算法有效.     

基于PSO-GA-BP神经网络的大米水分含量预测

为保障大米质量安全，提出一种基于BP神经网络的大米品质检测方法。方法以大米水分含量作为大米品质指标，通过结合粒子群优化算法(PSO)和遗传算法(GA)优化BP神经网络的阈值和权值，实现了BP神经网络的改进，提高BP神经网络的收敛速度，解决BP神经网络容易陷入局部最优的问题。然后，将改进的BP神经网络应用于大米水分含量预测中，实现了大米水分含量的准确预测。仿真结果表明，所提的改进BP神经网络模型相较于标准BP神经网络模型和LSTM-BP神经网络模型，在预测集和验证集上的均方根误差更小，分别为0.007和0.005,其大米水分含量预测值与真实值接近，可准确检测大米水分含量，为大米品质检测奠定了理论基础。     

基于BP神经网络的烟熏香肠色泽预测研究

以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经元个数、学习速率和动量系数进行优化,获得最佳的BP神经网络预测模型结构。基于Levenberg-Marquardt算法建立精确的L*、b*和△E预测模型,性能测试显示L*、b*和△E预测模型的相关系数(R2)分别为0.847、0.825和0.924。相应的均方根误差(root mean square error,RMSE)分别为4.609、3.564和5.012。基于拟牛顿BFGS算法建立精确的a*值预测模型,性能测试显示模型的R2和RMSE分别为0.905和2.237。     

基于主成分-神经网络预测干洗后织物复合体粘合效果

通过主成分分析,提取了面料和粘合衬性能参数的8个主成分作为新的综合变量。采用BP神经网络技术建立预测干洗后织物复合体粘合效果的3层神经网络模型,运用动量法和学习率自适应调整算法训练模型。通过预测值与试验观测值的比较,表明用主成分神经网络方法预测粘合后织物复合体经干洗后粘合效果具有相当高的准确性,从而在一定程度上证明此方法的可行性。     

基于遗传模拟退火神经网络的纱线强力预测

针对遗传算法优化的BP神经网络纱线强力预测模型中存在的迭代冗余、过早收敛等问题,建立了遗传算法与模拟退火算法共同优化的BP神经网络棉纱纱线强力预测模型。在模型构建前,采用K折交叉验证将70组样本数据分成训练样本集和测试样本集,实现测试样本与训练样本的不重复,避免了样本数据的单一性。在模型构建时,试验分别对70组27.8 tex和14.6 tex的环锭纺纯棉纱进行单纱强力预测,将该模型与BP神经网络纱线强力预测模型、遗传算法优化的BP神经网络纱线强力预测模型进行对比分析。实验结果表明,遗传算法与模拟退火算法共同优化的BP神经网络纱线强力预测模型在准确性和稳定性方面要优于前两者,能够较好地实现纱线质量预测,为纱线强力预测提供了新的方法。     

基于BP神经网络算法的食品烘干机温度控制

以自动链板式茶叶烘干机为研究对象,为降低燃煤热风炉能耗、提高热效率、提高烘干机温度控制精度,提升茶叶品质,提出了一种基于改进BP神经网络的控制策略。分析了烘干机的结构和控制原理,在此基础上将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i、K_p、K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。仿真结果表明,该控制方法响应速度快,超调量小,从而实现对热风温度的恒温控制。     

滚动轴承振动诊断的BP神经网络方法

归纳和总结了BP神经网络多参数诊断法的实施步骤,阐述了故障轴承振动与信号的关系以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了反映滚动轴承故障类型的振动信号特征参数,用这些特征参数训练神经网络,利用MATLAB6.5神经网络工具箱模拟和仿真BP神经网络,然后用训练后的BP神经网络对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,并且在MATLAB仿真的过程中合理的选择训练函数和各种参数,则具有很强的故障识别能力。说明了利用MATLAB仿真BP神经网络进行滚动轴承振动诊断是可行而且有效的。     

蚁群神经网络传感器故障识别法在二次测爆装置中的应用

文章针对煤矿井下二次测爆装置中传感器主要故障,提出利用蚁群神经网络故障识别的新方法。通过蚁群算法对数据进行多次寻优,找到理想的权值,再将它们输入BP神经网络系统进行训练。此法有收敛速度快,能防止BP网络陷入局部极小点的优势。最后根据实际矿井情况模拟仿真,实验证明这种方法对比单纯使用BP网络算法,效果明显提升。     

基于改进粒子群算法的平房仓粮温BP神经网络预测模型建立

在传统的BP神经网络预测模型的基础上引入改进的粒子群算法对神经网络中的权值和阈值进行不断优化,针对平房仓内部不同温度监测点处的粮食温度建立预测模型,改进后的粒子群算法拥有更好的局部寻优能力和全局寻优能力,较传统的BP神经网络预测拥有更精确的预测精度,更小的预测误差,使优化后的BP神经网络能快速的从历史粮温中总结平方仓粮温变化规律,实现平房仓粮温的预测。     

纸机蒸煮锅上下温差问题的研究与解决策略

为实现针对纸机蒸煮锅上下温差的有效控制,提出了一套BP神经网络与PID控制器相结合的温度控制算法,基于造纸机蒸煮锅升温保温系统的基本流程提出了PID控制方案,并利用BP神经网络对于PID控制器中的主要参数进行自动调整。经实验研究发现,基于BP神经网络的PID控制算法能够有效缩小锅顶温度与锅底温度之间的差距。     

纱线卷绕系统恒张力先进控制策略

针对纱线卷绕系统内外部扰动较多，系统具有时变性和不确定性，纱线张力值波动较大，控制精度不高导致纱线断头等问题，提出了学习速率自适应与蚁群算法联合改进的BP神经网络PID控制策略。通过学习速率自适应提高网络学习速率，并利用蚁群算法调整网络初始参数。分别测试PID算法、BP神经网络PID算法与改进BP神经网络PID算法。结果表明：基于改进BP神经网络的无刷直流电机PID控制器鲁棒性更强，性能良好，纱线卷绕系统张力波动较小，断头率降低。