基于BPANN的4-CBA软测量模型研究

本文提出了一个基于3层BP人工神经网络(BPANN)新的4—CBA软测量模型。在MATLAB软件平台上，利用两种改进BP算法以及由正交试验和机理模型仿真所产生的大量数据样本对不同网络结构模型进行了学习训练和验证，并对算法的训练效果进行了比较研究。仿真结果表明基于Levenberg-Marquardt学习规则的合适结构BPANN软测量模型，不仅学习快速，预测精度也远高于经验回归模型，为实现精对苯二甲酸(PTA)产品中4—CBA含量的实时、精确控制提供了可能。     

基于改进BP神经网络的纸浆漂白MIMO软测量模型研究

针对漂白过程中纸浆白度、残氯在线测量的不足,提出基于BP改进算法的神经网络软测量模型。文章介绍了基于神经网络的软测量技术原理以及漂白软测量模型建立的步骤与方法,给出了该模型的仿真结果。仿真结果表明,该模型具有较高精度和准确性,为纸浆质量的评判和优化控制提供了指导作用。     

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。     

可调对比度目标源装置中对比度的标定

搭建了可调对比度目标源装置,研究了图像对比度和光学对比度的关系,提出了用改进的BP神经网络标定对比度的方法.首先,设计了用于对比度标定的BP神经网络模型.然后,利用LM( Levenberg-Marquardt)算法结合缩放法改进神经网络以提高其收敛速度及泛化能力.最后,通过可调对比度目标源装置实验平台,由测量的辐照度得出了对应的图像对比度数据,使该装置可以通过调节辐照度实时获得规定的对比度.与传统BP神经网络方法相比,改进后的BP神经网络收敛速度快,泛化能力强.标定精度比经典BP算法提高了100倍,比最速下降法提高了10倍.训练次数仅需2 876次时,对比度的标定值与目标值的误差最大值是0.01％,训练均方误差收敛为0.000 459 441,测试误差收敛为0.000 467 003,满足了对检验装置中对比度标定的需要.     

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。     

基于混合蛙跳优化神经网络的轴承故障诊断研究

以滚动轴承故障诊断为课题研究背景,以JZQ250型号传动箱为实验对象,将混合蛙跳算法与BP神经网络进行结合,利用混合蛙跳算法高效的计算性能和优良的全局搜索能力,对BP神经网络的网络结构进行优化。通过对比发现,混合蛙跳算法优化后的BP神经网络模型,可避免BP神经网络在训练中陷入局部最优,减短训练时间,提高训练准确度,具有较高收敛速度和准确诊断能力。通过一系列训练和测试,结果表明,这种方法能够提高诊断的可靠性和准确性。     

改进的BP神经网络在车辆目标识别中的应用研究

遥感图像下的车辆目标识别系统大多是基于传统的BP神经网络算法,传统BP神经网络算法存在诸多问题,如易形成局部极小而得不到全局最优、训练次数多、学习效率低、收敛速度慢等,影响和限制车辆目标识别系统的识别能力.针对传统BP神经网络存在的缺陷,为进一步提高车辆目标识别系统的识别精度,提出采用随机梯度下降法和深层滑动神经网络对传统BP神经网络进行改进.实验表明,改进后的BP神经网络具有良好的学习能力和更快的训练速度,适用于车辆目标识别系统的优化.     

基于改进算法BP神经网络的软测量技术

利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并把改进算法后的BP神经网络在盐酸浓度的软测量中做了仿真实验,实验结果表明陡度因子的引入不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于多尺度小波变换的变步长LMS滤波算法

对LMS自适应算法、基于抽样函数的变步长LMS算法和基于多尺度小波变换的自适应滤波算法进行了研究,在此基础上把变步长LMS算法与多尺度小波变换相结合,产生了新算法。该算法一方面可以克服固定步长LMS算法在收敛速度与收敛精度方面与步长因子的矛盾;另一方面,小波变换的引入减少了输入向量自相关矩阵的条件数,提高了收敛速度、跟踪性能和稳定性。最后对算法的性能进行了计算机仿真比较,仿真结果表明:基于多尺度小波变换的变步长LMS滤波算法具有较快的收敛速度和更强的抑噪能力。     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法，首先就BP网络训练速度慢，易陷入局部极小点的问题，提出将附加动量项与自适应学习速率相结合的改进BP算法，有效地抑制了网络陷于局部极小并提高了收敛速度。最后，将振动信号与血管压力信号作为特征参数，分别采用传统BP算法，改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明，神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。     

基于神经网络的三自由度摇摆台运动学反解

针对传统的数值解法不能满足实时控制算法的要求，研究使用BP网络和径向基函数（RBF）神经网络求解三自由度摇摆台运动学反解的方法。通过离线的迭代算法生成高精度的样本点来训练神经网络，使用动量法、变学习率法和共轭梯度法提高BP网络的收敛速度。使用正交最小二乘法训练的RBF网络具有更小的泛化误差，更适合于实时控制应用。     

基于分布式多子网神经网络的多组分混合气体识别

目前采用神经网络技术进行多组分混合气体浓度识别时通常存在着识别精度差、识别范围小等问题。为此本文首次提出一种新的神经网络结构：分布式多子网络神经网络。该网络包含多个子网和一个总网。工作时通过总网的分解处理将一复杂任务自动分解成多个子任务,并交由相应的子网处理。这种多子网、分而治之的特点大大提高了网络的学习速度和泛化能力。特征其用于多组分混合气体的识别中,大大提高了混合气体的识别效果和可积识别范围。文章最后给出了模拟实验结果。     

Prediction of the machined surface quality of ball-end milling of H13 die steel using MLBP method

Abstract

Based on the characteristics of the surface quality prediction system of high-speed milling, the prediction model is used to predict the surface quality of analyzing the advantages of the two methods of using the multilinear and BP neural network model (MLBP) method. This article through the in-depth study of the surface quality, study the surface quality prediction based on the characteristics of multiinput multioutput nonlinear systems, respectively, established a linear regression equation, BP neural network model, and the surface quality of specific conditions to start prediction. The prediction results show that these prediction methods can play a special role as certain conditions. However, owing to the limitations of multiple linear regression and BP neural networks, their generalization ability and robustness cannot meet actual needs. Drawing on the idea of interpolation, and analyzing the advantages and disadvantages of linear regression and BP neural network to solve nonlinear problems, a new prediction method is developed. The main idea are to use interpolation method to insert preprediction under the premise of linear prediction; to process the values and obtain a unified prediction result from linear regression; to combine the experimental results from the pretreatment results; to use these input information as the input content of the BP neural network; to establish a training model based on the BP neural network model self-learning process. This training model predicts the quality of the machined surface. This method is abbreviated as the MLBP method. The experimental results and comparison of model prediction results show that this method can effectively improve the generalization ability and robustness of the prediction model, and further improve the model’s prediction accuracy.     

BP神经网络在非接触测量路径规划中的应用

建立了基于BP神经网络的路径规划模型,首先介绍了非接触测量路径规划中的常用方法,包括多项式法和三次样条插值法等及其优缺点,然后构造了1×30×1的BP神经网络模型,说明了模型的原理,阐明了模型具体参数的设置和训练步骤的设计。最后用Matlab实现了神经网络,并用实例对网络模型进行了仿真,同时和三次样条插值的仿真结果对比,仿真结果表明,此网络模型很好的提高了路径拟合和预测的准确性和效率。     

轴系动力性能在线计算

本文根据轴承－转子系统摩擦学设计的需要，重点研究了轴系动力性能在线计算，提出了动力性能神经网络计算方法，为了实现动力性能在线计算，提出了ＢＰ网络改进算法，提高了ＢＰ网络的计算能力。     

基于RBF神经网络的热敏电阻温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,本文提出了应用RBF神经网络强非线性逼近能力进行非线性补偿的方法。文中介绍了非线性补偿的原理和网络训练方法。该方法不依赖于传感器的模型,而是根据传感器的输入和响应数据,建立补偿模型。结果表明,这种非线性补偿模型具有误差小、精度高、可在线标定、鲁棒性强,与基于BP神经网络的非线性补偿模型相比,网络训练时间短等优点,从而方便了热敏电阻温度传感器在测控系统中的应用。     

4200轧机轧制温度人工神经网络预报

基于Matlab人工神经网络工具箱,采用改进的BP网络Levenberg Marquardt训练规则,优化计算4200中厚板轧机轧制温度.通过该网络的μ参数的自适应调整,提高了收敛速度,使4200中厚板轧机轧制温度的预报精度大为提高,为预报该轧机的轧制温度计算提供了一条新的途径.     

基于BP神经网络的双目视觉系统摄像机标定

利用人工神经网络对复杂非线性映射关系的强大逼近能力，对双目视觉三维测量系统中的摄像机进行隐式标定。通过高精度的数控移动工件台获取密集的样本数据，并在神经网络训练过程中采用贝叶斯正则化方法。实验表明，神经网络具有很好的推广能力，标定后的系统具有很高的三维测量精度。