基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

基于PSO-BP神经网络的经济型二手车估价分析

针对BP神经网络预测二手车价格时易陷入局部极小值以及价格影响因素间存在一定相关性的问题,本文提出了一种基于主成分分析(PCA)和粒子群算法(PSO)优化BP神经网络的价格评估模型。本文将PCA降维后的10个主成分作为影响二手车价格的评估参数。基于BP神经网络建立经济型二手车价格评估模型,并使用粒子群算法优化网络的权值和阈值,进一步提高网络的预测精度。该模型一定程度上克服了BP神经网络的不足,为二手车价格评估提供了参考。     

基于PSO-LM-BP神经网络的压力传感器温度补偿方法

为了提高高速列车表面压力测试的准确性,补偿温度对压阻式压力传感器的影响,克服BP神经网络收敛速度慢、易陷入局部极小值、稳定性差的缺陷,提出PSO-LM-BP神经网络补偿传感器温度误差的方法。首先,使用粒子群优化(PSO)算法,筛选BP网络的权值和阈值;然后使用LM算法作为BP网络的训练算法进行训练;最后,综合对比BP网络、LM-BP网络、PSO-BP网络和PSO-LM-BP网络的性能。结果表明,PSO-LM-BP网络收敛速度快、精度高、稳定性好,兼具3种算法的优点,有效抑制了温度对传感器的影响。     

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法.首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度.研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性.     

基于BP神经网络数控机床热误差建模的研究

热误差是影响数控机床加工的最大误差因素。采用变惯性因子粒子群算法优化BP神经网络的权值和阈值的方法对数控机床进行热误差建模,不仅可以克服基本BP算法收敛速度慢和易陷入局部极值的局限,而且精度相对较高,可以很好的提高BP网络的学习能力与泛化能力。仿真实验表明,变惯性因子PSOBP优化模型性能优于BP网络和标准PSOBP算法优化模型。     

一种改进的PSO-BP算法在液压系统故障诊断中的应用

液压系统故障诊断中采用BP神经网络进行故障的模式识别,存在着收敛率较低的问题。结合粒子群算法和BP算法各自的优势,提出了一种基于改进的PSO-BP液压系统故障诊断方法。对标准粒子群算法的惯性权重和学习因子进行改进,再对BP神经网络的权值和阈值进行优化,达到改善BP网络性能的目标。仿真结果表明该方法提高了BP网络的收敛率,减小了诊断误差。     

运用遗传算法优化神经网络的发动机故障诊断

为了对发动机故障进行正确诊断,可采用BP神经网络方法建立发动机故障诊断模型,但由于BP神经网络存在收敛速度慢及网络泛化能力差的缺点,易影响发动机故障诊断正确率。为了提高网络正确识别能力和泛化能力,采用遗传算法对神经网络的权值和阈值进行优化,网络误差满足要求后,用BP神经网络方法进行修正,从而使网络误差达到最小。将该算法应用于发动机故障诊断中,结果表明,该方法诊断故障误差更小且收敛更快。     

基于遗传BP网络的模拟电路故障诊断

在模拟电路故障诊断中,BP(back propagation)神经网络得到了广泛的应用并取得了不错的效果。但是BP神经网络在训练时仍然存在网络学习收敛速度慢、不易获得全局最优解、网络结构不确定等缺点。采用Levenberg-Marquardt算法进行网络训练,并用遗传算法对BP神经网络结构、初始连接权值和阈值进行全局优选,可以有效克服BP网络存在的缺陷。以Leap Frog Filter滤波器电路的故障诊断为例,仿真实验表明,优化后的BP网络能够快速有效的诊断电路中存在的故障,并且具有更高的诊断精度。     

基于Petri网和萤火虫神经网络的柴油机故障诊断

针对BP神经网络在柴油机故障诊断中,提取训练数据的盲目性及网络收敛速度慢、精度低的问题,提出一种基于Petri网与萤火虫神经网络的故障诊断方法.通过Petri网建模归纳出柴油机所有故障模式,提取神经网络的训练数据,利用萤火虫算法来优化BP神经网络的权值和阈值,改善BP神经网络的性能.仿真实验表明,采用Petri网建模并用萤火虫算法优化BP神经网络的方法,有效地提高了神经网络的收敛速度和诊断精度,在柴油机故障诊断中得到了较好的应用.     

基于WOA-BP的压力变送器温度补偿研究

针对压力变送器易受温度影响产生非线性误差,提出一种基于鲸鱼算法优化BP神经网络的WOA-BP温度补偿模型。通过鲸鱼算法对传统的BP神经网络的权值和阈值进行优化,得到优化后的补偿模型,用于拟合压力变送器压力与温度之间的非线性关系,从而得到补偿后的数据。实验结果表明:补偿后的压力值不受温度影响,压力变送器的最大相对误差从4.6%降低到了0.48%。     

基于遗传BP神经网络的内圆磨削ZTA陶瓷材料去除率预测

针对磨削加工中材料去除率(MRR)在线检测困难这一问题,构建材料去除率的预测模型显得尤为重要。考虑到单独运用BP神经网络不仅存在收敛速度较慢,而且容易坠入局部最优解等问题,故建立了遗传算法与BP神经网络相结合的模型来对给定的超声频率、砂轮速度、工件速度、磨削深度等工艺参数对材料去除率(MRR)进行预测。首先运用遗传算法的全局搜寻作用来对BP神经网络的最初权值以及阈值进行优化,而后运用L-M优化算法对网络进行多次训练,利用训练好的BP神经网络模型来对输出进行预测。结果表明:遗传算法与BP神经网络相结合的模型比单独使用BP神经网络模型预测效果要好,能够提高材料去除率的预测精度和收敛速度。     

基于BP神经网络的压力传感器误差补偿算法研究

采用BP神经网络来建立扩散硅压力传感器的输出输入模型,其网络模型具有三层结构,采用改进型的差分进化算法来优化BP神经网络的权值和阀值,并在MATLAB中进行了仿真。经训练得到补偿后扩散硅压力传感器的输出满量程误差可达到0．035％,结果表明采用基于改进型差分进化算法的BP神经网络建模对提高智能差压传感器的测量准确度具有参考价值。     

果蝇优化BP神经网络路面附着系数估计

在利用BP神经网络进行路面附着估计时，存在收敛速度慢和易于陷入局部最优解等问题。为此，提出一种基于果蝇算法（FruitFlyingOptimizationAlgorithmFOA）对BP神经网络进行改进并给出算法的流程。建立路面附着系数估计BP神经网络模型，将果蝇算法引入到BP神经网络，对网络的初始权值与阈值进行优化，以增强网络的全局寻优能力。利用Carsim软件获取的样本数据对网络进行训练，并与MATLAB/Simulink软件搭建联合动态仿真模型，对比实验结果表明：基于FOA优化BP神经网络的路面附着系数估计方法不受车辆模型精度的影响，定性估计精度高，能有效提高估计值的精度和稳定性。     

遗传算法优化的BP网络在铣削力预测中的应用

神经网络初始连接权值和阀值的选择对网络的预测精度及收敛速度影响很大,但又无法准确获得,针对此问题,建立遗传算法(GA)优化的BP神经网络预测模型,解决神经网络初始权值和阀值的选择问题。该模型通过遗传算法优化BP神经网络的权值和阀值,获得最优的初始权值和阀值,并应用优化后的BP神经网络预测模型对铣削力进行预测,最后与优化前的BP神经网络模型的铣削力预测值进行对比分析。研究结果表明,经遗传算法优化后的BP神经网络模型比优化前的BP神经网络模型的预测精度高,同时加快了收敛速度。     

基于遗传神经网络的电梯故障诊断技术研究

从电梯机械、安全保护、电力和调速控制4个系统出发采集特征样本数据作为BP神经网络的输入,利用遗传算法优化神经网络的权值和阈值。实验证明遗传算法优化后的神经网络减少了运算量,缩短了训练时间,提高网络的稳定性,同时有效地提高了故障诊断的精确度。     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,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,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

基于AFSA-BP神经网络的湿度传感器温度补偿

针对HMP45D型温湿一体化传感器在使用中受温度影响的问题,提出了基于人工鱼群算法(AFSA)的BP神经网络温度补偿方法,用AFSA算法优化BP网络的初始权阈值并用该值训练BP网络。根据湿度传感器在多温度下所测数据,建立AFSA-BP神经网络模型实现温度补偿,与传统BP神经网络方法对比。结果表明,与传统BP神经网络相比,AFSA-BP神经网络的误差绝对值之和降低了6.14%,改善了BP神经网络易陷入局部极小的缺陷,提高了补偿精度。     

人工神经网络的混合算法及其在机械故障诊断中的应用

为确定多层人工神经网络的权值和阈值建立了混合求解方法,即迭代前期采用BP算法,而迭代后期采用梯度优化法进行计算.通过BP算法、梯度优化法和混合算法对相同实例网络权值和阈值的计算,验证了所提出的混合算法的有效性,实现了权值和阈值的快速准确计算.     

基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

基于遗传算法优化神经网络的技术研究

为克服传统BP算法的收敛速度慢和容易陷入局部极小值的缺点,提出了一种基于遗传算法优化的BP神经网络智能诊断技术:采用基于实数编码的遗传算法优化神经网络权值和阈值,代替了原BP网络随机设定的初始权值和阈值,然后再用BP算法对网络进行精确搜索。实验仿真结果表明,用此法优化过的神经网络的训练步数明显减少,诊断准确率达91.7%,泛化能力也得到提高。