基于神经网络的注塑制品表面缺陷自动识别方法的研究

将基于误差反向传播算法(BP)的神经网络引入到注塑制品表面缺陷的自动识别.介绍了如何选择合适的BP神经网络,包括网络层数的选取、学习算法的选取等.最后分别利用90组样本对BP神经网络进行训练和仿真,得到制品表面缺陷的平均识别率达84.44％,说明利用BP神经网络对于注塑制品表面缺陷进行识别是可行的.     

基于BP神经网络的磁记忆检测管道缺陷研究

基于BP神经网络的磁记忆检测技术设计了3个单输出方式的三层BP神经网络,对无缺陷、应力集中和裂纹管道缺陷进行了检测识别。实验结果表明:管道缺陷识别率达97.5%,提高了管道缺陷的识别率。     

基于BP神经网络的流体流量补偿方法

针对流体质量流量测量中密度随温度及压力等参数的变化而变化,在BP算法的基础上,采用BP神经网络补偿方法对液氨的密度进行了补偿,给出了网络训练后误差渐进过程的仿真图和补偿后的仿真结果图,通过函数调用网络训练后非采样点上的温度来得到对应的密度值。可以得到结论:基于BP神经网络的补偿方法弥补了最小二乘法在非线性补偿方面的缺陷,且误差比较小,是一种性能比较优越的补偿方法。     

BP神经网络在金刚石锯片磨粒识别中的应用

为了提高金刚石锯片磨粒识别的效率和质量,将BP神经网络算法应用于金刚石锯片磨粒的识别。以三维形貌的高度、梯度、二阶差分作为神经网络的输入,磨粒、结合剂作为神经网络模式识别的二类输出,应用处理过的形貌对网络进行训练,建立了磨粒识别的神经网络模型。实现了对三维金刚石磨粒的自动识别,避免了人为判断的主观性。实例表明,该方法可以有效地识别磨粒,具有较好的推广价值。     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

基于BP网络的陶瓷材料磨削去除方式预测

运用BP神经网络对涂层陶瓷材料磨削去除方式进行预测。结果表明,利用BP网络的高度非线性映射表达能力,实现了样本特征值空间到模式空间的映射,采用弹性BP算法对不同磨削条件下的涂层陶瓷材料磨削去除方式进行了预报,且识别正确率很高。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于GA-BP神经网络的塑料X射线吸收光谱的辨识

采集15种塑料样本的X射线吸收光谱(XAS),对光谱数据进行预处理和主成分分析,建立误差反向传播(BP)神经网络和遗传算法优化的误差反向传播(GA-BP)神经网络模型,利用训练集进行网络训练,并通过测试集进行验证。结果表明,GA-BP神经网络相比于BP神经网络可以更好更稳定的对塑料样本的XAS进行识别,这对塑料的回收具有重要的指导意义。     

基于BP神经网络配药机器人识别配药用具的研究

BP人工神经网络算法是现今应用较为广泛的多层前向神经网络算法。为了提高配药机器人的配药准确率和安全性,提出了将BP人工神经网络应用于配药机器人对配药用具的识别的方法,并用Matlab模拟神经网络进行图像识别,为配药机器人识别图像提供依据和理论意义。     

基于改进遗传算法的BP神经网络手写数字识别

手写数字识别是光学字符识别技术的一个分支,一般采用神经网络,其中较为突出的是BP神经网络,但BP算法易陷入误差局部最小产生振荡且训练速度慢,通常先采用优化算法对其结构进行优化。为此,在分析GA-BP算法原理的基础上,提出对GA算法的相应算子中交叉和变异概率进行改进的方法,并用改进的GA算法优化BP神经网络的连接权值和阈值。以手写体数字识别为对象进行实验,结果表明：该方法具有更快的收敛速度和更可靠的稳定性,大大提高了BP神经网络的学习速度和识别率。     

死端微滤酵母悬浮液比阻的预测

本文首先设计了三因素四水平的正交实验表作为建模样本,其次利用人工神经网络方法和多元线性回归方法分别建立了基于操作条件（压力△P=0.04-0.12 MPa,浓度C = 0.3-2.0 g.L^-1,温度T = 20-40℃）的比阻预测模型,以期用于死端微滤过程操作条件的优化,最后以检验样本的相对误差作为衡量指标,分别采用BP人工神经网络方法和多元线性回归方法对死端微滤过滤酵母悬浮液时的比阻进行了预测。研究结果表明：(1) 在本实验范围内,BP人工神经网络模型的最佳拓朴结构为3-7-1,隐层神经元个数为7,学习速率为0.05,学习函数为traingdx, 传递函数为Logsig;用多元线性回归方法得到的比阻与操作条件之间的数学关系式为1.639883+44.2 +0.86217 -0.0607 ; (2)利用BP人工神经网络和多元线性回归方法预测死端微滤比阻的平均相对误差分别为3.55％和5.16％.由此可见,这两种方法都可用于死端微滤比阻预测,并且前者优于后者。     

基于灰色BP神经网络的水泥强度预测模型研究

水泥强度的预测具有多变量、非线性和大时滞特性,因此传统线性回归方法的结果不准确。除此之外,传统的神经网络预测可能对少量样本不够精确。本文建立灰色BP模型,以此来预测水泥的强度。建立一个多因素灰色模型GM(1,N)用于水泥化学成分的样本数据进行预处理,得到新的数据来作为建立预测模型的样本数据,通过BP神经网络建立预测模型。最终通过建立的灰色BP神经网络预测模型来预测28天水泥强度。仿真结果表明:灰色BP预测模型的效果比BP预测的要准确。     

基于遗传神经网络的微滤膜通量的预测

针对BP神经网络在寻优过程中容易陷入局部极小值的缺点,将遗传算法和BP神经网络相结合,构造了一种基于遗传算法的反向传播（GABP）神经网络。网络的训练分为两步：首先利用遗传算法群体寻优策略,采用遗传算法对网络权值和阈值进行全局搜索,保证其落入全局最优点的邻域;然后再用梯度法对网络权值进行细化训练以进一步减小误差,使其收敛于全局最优解或性能很好的近似最优解。网络训练时使用的数据是在不同操作条件 （温度、压力、浓度）下,用标准孔径为0.1 μm 的亲水聚偏氟乙烯微滤膜过滤牛血清白蛋白(BSA)溶液时得到的膜通量实验数据,用训练好的GABP神经网络对微滤膜过滤BSA的膜通量预测研究结果表明,与传统的BP算法相比,GABP神经网络算法改善了网络收敛速度以及膜通量预测的准确度。     

BP神经网络在非线性系统建模中的应用

介绍了采用BP神经网络建立系统数据间的非线性关系的数学模型,利用三层BP网络,结合Matlab神经网络工具箱,模拟肼与过氧化氢的反应过程,将预测的结果和实验数据作比较,结果表明该模型的预测值和试验值吻合的很好,是一种可行的数据处理方法。     

基于BP神经网络的电力负荷预测算法

将BP神经网络用于电力负荷预测。给出了具体的数据处理方法、神经网络构造及预测结果评价方法。在南京市夏季电力负荷统计数据集上面的实验结果表明．BP神经网络能够对电力负荷进行较好地预测。     

航空发动机磨损趋势预测模型研究

文章讨论了神经网络的BP算法和遗传算法,提出用遗传算法来优化BP神经网络,应用遗传算法训练神经网络权重,实现网络结构的优化,用优化后的BP人工神经网络建立了航空发动机磨损故障趋势预测模型,利用发动机的光谱监测数据作为预测磨损趋势的特征参数,进行了模型的训练和预测试验,并将该模型预测结果与BP算法和多元线性回归法的预测结果进行了比较,证明了基于遗传算法的人工神经网络是航空发动机磨损故障趋势预测的一种理想方法。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

人工神经网络分析在黄磷生产中的应用

利用人工神经网络从已有的炉渣分析数据中通过训练求得炉渣中磷含量与相关因素之间的非线性关系,从而预测炉渣中磷的含量。采用的神经网络结构为3—8-1的形式,学习算法采用BP算法。结果表明,网络模型有较高的预测精度,可用于炉渣磷含量的预测和控制。     

基于ANN的复合材料变厚度壳体固化变形预测

研究目的是建立基于人工神经网络的复合材料固化变形预测模型。复合材料固化变形的多因素性致使很难得到精确的解析解。应用人工神经网络方法结合实验实测数据,模拟复合材料各项参数与变形间的非线性关系,对相同材料(玻璃钢)在相近固化条件下的固化变形进行预测,计算速度快,精度高,为固化变形的预测控制提供了一种新方法。     

径向基函数神经网络在砂体厚度预测中的应用

目前,人工智能神经网络在地震储层参数的预测方面具有广泛的应用,最常用的为BP神经网络,但是效果并不是十分理想。径向基函数神经网络(RBFN)是一种前馈神经网络,其在函数逼近、模式识别方面都优于BP网络,已经在岩性识别、孔渗预测方面取得了较好的应用效果。本文首次将此方法运用于预测砂体厚度,利用地震属性信息和神经网络的学习,基于实际数据计算,最后计算出相应的砂体厚度值,并与实测值进行误差分析。实例分析表明,利用径向基函数神经网络进行砂体厚度预测具有一定的可行性和实用价值。