基于遗传算法的Al-5%Cu合金电脉冲孕育处理参数优化

以实验为基础,利用神经网络和遗传算法优化Al-5%Cu合金的电脉冲孕育处理工艺参数。神经网络的输入参数为脉冲电压、脉冲时间和电脉冲孕育处理时熔体温度,输出参数是合金凝固组织的晶粒度。在神经网络训练的基础上,采用遗传算法优化神经网络的输入参数。结果表明,神经网络和遗传算法的组合建模获得了较好的优化结果。     

AB_5型贮氢合金P－C关系的人工神经网络研究

本文利用人工神经网络方法研究了ＡＢ５型贮氢合金的Ｐ－Ｃ曲线、平台宽度和平台压力等，并取得了满意的结果，表明人工神经网络可用于贮氢材料的设计     

人工神经网络模型预测不锈钢在高温水中的应力腐蚀破裂

采用两种基于人工神经网络(ANN)的经验学习方法，即双层感知器(DLP)模型和Elman反馈(EF)模型，分析应力腐蚀破裂(SCC)数据，预测奥氏体不锈钢在高温水(HTW)中的SCC敏感性，对304不锈钢(SS)和316SS的两组SCC数据，DLP模型经过长时间的训练周次并不收敛，而EF模型在有限的时间内收敛到一稳定值。304SS和316SS的SCC敏感性依赖于温度(T)、溶解氧浓度(DO)、氯离子浓度([Cl^-])以及电位(E)．采用EF模型，待预测样本数据被包含在训练数组里(方法Ⅰ)比不包含(方法Ⅱ)的情况有更高的预测率．用于EF模型的SCC阈值(ThV)影响预测率，当ThV≤0．6时，对304SS而言，预测率的范围大约是0．66～0．90(方法Ⅰ)，0．60—0．79(方法Ⅱ)；对316SS，预测率范围约为0．81～0．98(方法Ⅰ)，0．78～0．90(方法Ⅱ)．从预测率平均值来看，预测率服从正态分布，0．5应为最佳阈值．EF模型对定性预测ASS在高温水中的SCC行为有较高的预报率，是一个很有用的工具。     

齿轮选材及热处理工艺智能专家系统

分析了专家系统和人工神经网络各自的特征和优缺点及其在选材和热处理方面的应用，将人工神经网络技术引入齿轮选材和热处理专家系统，建立了两级BP网络模型，在很大程度上克服了传统专家系统的缺陷．本系统包含有大量的齿轮选材和热处理资料。     

基于RES理论的岩体失稳模式判别及其智能实现

基于完全耦合模型解决复杂岩石力学问题的方法论——岩石工程系统理论(RES)的基本原理，构造了地下工程岩体失稳模式判别的智能预测模型，并采用具有自学习、非线性映射和数据挖掘功能的模糊自组织人工神经网络模型ANN来实现RES交互作用矩阵的编码。通过一个实例说明这种方法具有良好的实用性。     

热变形参数对Ti-15-3合金显微组织的影响及预测

通过等温压缩试验和金相分析研究了热变形参数对Ti-15-3(Ti-15V-3Cr-3Sn-3Al）合金固溶处理后显微组织的影响，等效晶粒尺寸随变形温度升高而增大，随变形程度和变形速率增加而减小，再结晶程度随变形温度升高而减小，随变形程度和变形速率增加而增大，采用人工神经网络的方法建立了等效晶粒尺寸及再结晶晶粒体积百分数与变形程度，变形速率和变形温度间的数学模型，预测值与实测值吻合较好，表明该方法很好地预测热变形参数对Ti-15-3合金固溶处理后显微组织的影响。     

基于CAE与AdaBoost的频谱感知

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环自相关估计（CAE ）和AdaBoost的认知网络频谱感知算法。对信号采用循环自相关估计算法进行特征参数提取,生成训练样本和待测样本,采用AdaBoost算法分别对有无主用户情况下的信号进行分类检测。仿真结果表明,与人工神经网络和最大最小特征值算法相比较,该算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。     

基于LBP统计特征的低分辨率安全帽识别

针对工地进出口的视频监控录像,考虑远距离低分辨率安全帽识别问题,探讨了低分辨率安全帽识别方法,分析了提取不同的特征和应用不同的分类器与识别率的关系.首先截取视频中的人头,获得大小为22*22的图像,然后分别提取图像的统计特征、局部二进制模式特征、快速主成分分析特征,再利用分类器和反向人工神经网络进行分类预测,最后计算测试样本的识别率.实验结果表明,提取图像的二进制模式统计特征,再结合反向人工神经网络的识别率效果最佳,识别率可达87.27%.     

基于人工神经网络的智能化煤矿监测系统的路径规划

给出了一种煤矿监测、数据采集用智能化监测系统的设计方案,监测系统在运行的过程中可实现数据采集、循迹、避障、测距等功能.监测系统的路径规划采用了一种人工神经网络算法,该算法利用神经网络模型描述监测系统工作空间的动态环境信息,并建立起机器人动态避障与网络输出间的关系.仿真结果表明该算法具有较好的环境适应性和实时性,所用的动态路径规划方法是正确和有效的.     

人工神经网络模型在黄河水质预测中的应用

采用画匠营子断面2004-2009年逐周水质指标资料作为神经网络模型的训练样本,对BP神经网络进行训练,分别建立了pH值、溶解氧、氨氮、高锰酸盐指数的预测模型.为了验证模型的正确性,利用训练好的神经网络模型,采用调整后的权值和阈值,将2010年的数据作为独立样本进行预测检验.结果表明:基于BP神经网络的水质指标预测模型收敛速度快,对训练样本具有很好的拟合能力,且对检验样本的预测精度较高.