基于神经网络建模的机床滑动结合面动态特性参数识别

针对机床滑动结合面动态特性参数难以准确确定的问题。以结合面的刚度参数、阻尼参数为优化变量,建立滑动结合面动态特性参数的神经网络模型,结合神经网络模型的计算结果与机床整机实验模态的分析结果,采用布谷鸟优化算法对结合面的刚度与阻尼参数进行优化识别;以自行设计制造的机床滑动结合面实验台上工作台与床身间的滑动导轨结合面为实例进行了建模、实验、参数识别等分析。分析结果表明:该方法是可行的、有效的,参数识别精度高于已有文献研究。

“车适应人”线控汽车理想特性参考模型神经网络建模

针对线控汽车上通过对各个线控系统地集成控制以实现个性化理想汽车动力学特性即"车适应人"问题,进行了线控汽车理想特性参考模型神经网络建模研究。对驾驶员特性进行了初步分类,给出了汽车理想特性控制原理;设计了汽车驾驶模拟器实验,进行了理想特性参考模型神经网络建模;对模型精度、特性反映程度和实时性进行了实验验证。研究表明,所建立的理想特性参考模型精度高、实时性好,能反映不同驾驶特性,建模方法具有可行性。

永磁同步电机的模糊混沌神经网络建模

采用模糊混沌神经网络建立了具有混沌特性的永磁同步电机(PMSM)模型。永磁同步电机在一定工作情况下呈现混沌运动,根据PMSM的数学模型得出其混沌特性曲线。将混沌神经网络与模糊理论相结合设计出协作型模糊混沌神经网络,并据此网络建立了永磁同步电机的模糊混沌神经网络结构模型,该模型在结构上为神经网络,具有混沌特性,在功能上是模糊系统；确定了模型的输出函数,并推导了模型的学习算法,仿真结果表明永磁同步电机的模糊混沌神经网络模型与原系统是等价的。

基于FCM的神经网络建模及其在智能驾驶中应用研究

首先对模糊 c-均值聚类算法进行了分析 ,然后把改进的 FCM算法和 RBF神经网络结合起来建模 ,得到一种映射能力较强的自组织 RBF神经网络 .最后把它应用到智能驾驶中对驾驶员的熟练程度和疲劳程度进行识别 。

基于版图级综合的频率部分空间映射神经网络建模技术及其在LTCC射频电路中的应用

提出了基于电路版图级综合的频率部分空间映射神经网络建模的微波电路设计方法.将空间映射技术应用在神经网络建模中降低了神经网络的复杂程度,频率部分空间映射技术仅建立部分设计参数的映射,在确保一定准确度的前提下可以提高建模效率,减小神经网络拓扑结构的复杂性,使粗模型的参数提取时间以及神经网络的训练时间减少.空间映射技术中粗模型由版图级综合得到,基于全波分析的集总电路建模考虑寄生效应,具有一定的准确性和快速性,作为频率部分空间映射神经网络建模技术高质量的粗模型,从而提高了建摸的准确性和速度,增强建模的灵活性.在细模型的扫频中,采用S-B自适应采样技术可以进一步减少建模时间.本文用此方法设计低温共烧陶瓷滤波器,证明用这种方法建模快速、准确.

基于肖维勒准则与主元分析的有机朗肯循环神经网络建模方法

随着人工神经网络技术的不断发展,有机朗肯循环(organic Rankine cycle,ORC)神经网络模型广泛应用于系统分析和优化领域。针对现有ORC神经网络模型计算量大、时间周期长和精度偏低的问题,本文提出了基于肖维勒准则与主元分析的ORC神经网络建模方法。采用肖维勒准则对ORC实验数据进行预处理,以去除异常数据,同时数据得到规范化处理。随后,采用主元分析对ORC特征进行矩阵变换和降维,以提取与ORC运行显著相关的特征向量。最后,通过实验数据验证了提出方法的有效性。该方法可在提高模型精度的同时,降低建模所需的时间。与基于原始数据的ORC神经网络模型相比,基于该方法的ORC神经网络模型建模所需时间降低了88.69%。同时,模型预测精度提高了19.93%。

水泥分解炉出口温度RBF神经网络建模

基于分解炉的工作原理,分析了影响分解炉出口温度的主要因素,利用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)具有结构简单、逼近精度高、泛化能力好等特点,建立了分解炉出口温度的神经网络模型。仿真测试结果表明,该神经网络模型具有训练收敛快、精度高、泛化能力好的特点。这对于那些多输入、时变、非线性复杂系统的建模问题具有重要的参考意义。

基于遗传和改进布谷鸟算法的BP神经网络建模

针对现代工业系统具有高度非线性的特点,以及采用BP神经网络对非线性系统建模易出现局部最优、过拟合或欠拟合的问题,提出采用遗传算法(GA)和改进布谷鸟算法(CS)优化BP神经网络建模的方法(GACSBP算法)。首先利用遗传算法自适应、全局搜索的特点优化神经网络拓扑结构,避免神经网络建模出现过拟合或欠拟合的问题;然后采用改进布谷鸟算法优化BP神经网络权值,加入惩罚项进一步防止神经网络建模时陷入局部最优。对NACA0012翼型自噪声数据进行建模,仿真结果表明,与BP神经网络相比,提出的GACSBP算法避免了局部最优,明显提高了模型预测精度,且所需迭代次数和时间均明显减少。

可信数据驱动的轻量级神经网络建模理论与方法

人工神经网络是赋予现代科学技术"智能"的主要手段,在新一代人工智能技术创新与软硬件升级的整体推进过程中发挥着"链式催化"的重要作用.其中时序神经网络是实现顺序类信息处理与系统建模任务的首选,已被广泛用于金融、电力、交通、医疗等行业的时序数据分析.时序神经网络的模型生成易受"伪数据"干扰、动力学行为复杂、轻量化嵌入式部署难,制约其在复杂工业场景的推广与应用,成为国际学术界和工业界亟需攻破的难题.

神经网络类机理建模下的持续自学习控制

针对未知、时变复杂动力学系统在基于模型的控制中的动态建模问题,本文采用前向全连接神经网络对动力学系统进行数据驱动下的非机理拟合建模.通过动态线性化和归一化/反归一化数据处理,基于前向传播算法,将神经网络的网络拓扑计算过程转化成动力学系统机理模型的同构等价表达形式.与基于模型的预测与反演控制相结合,提出了神经网络类机理建模下的持续自学习控制方法,探索了神经网络在动力学系统建模与控制中的可解释性问题.以机械臂为控制对象的仿真结果表明,神经网络类机理模型与机理模型在形式上同构,在参数上近似或等价,可用于控制系统控制品质的定性、定量分析.持续自学习控制对非线性未知、时变复杂系统具有较好的动态适应能力.

基于人工神经网络的风电场建模

风电场模型对风电场和电力系统的运行都具有重要意义。为克服机理建模方法的不足,在论述神经网络建模原理基础上,采用误差反向传播(BP)网络拟合风电场的静态特性模型;在神经网络静态模型的基础上,进一步建立动态实时仿真模型。通过数据样本进行预处理、训练和测试,使得网络模型达到精度要求,确定每层的权值,从而能很好地拟合建模对象的性能。用采集到的另一些数据进行验证,且与实际结果进行比较,以验证智能建模方法的可行性和优越性。

C/C复合材料CVI工艺人工神经网络建模

C/C复合材料CVI制备工艺过程的本质繁杂性限制了该材料的广泛应用.尝试利用人工神经网络技术对该工艺过程进行辨识与仿真,采用Levenberg—Marquardt算法建立了通用的CVI工艺神经网络模型.根据CVI工艺复杂、参数众多等特点,结合有限元技术及工艺实验从教师样本处理、网络拓扑结构设计和学习参数调整等方面对网络学习算法作了进一步的改进.通过对等温CVI样本集的学习,初步建立了管类零件等温CVI工艺知识库.结果表明:该模型可以挖掘样本蕴含的领域知识,不仅可以对单个工艺参数的时间效应进行预测和分析,而且可以分析任意两个工艺参数对致密化过程的偶合作用.

牵引传动中润滑油牵引特性的神经网络建模

利用BP神经网络对牵引传动中润滑油在不同卷吸速度、不同载荷以及不同滑差率多种工况下的线接触牵引系数的实验数据进行分析,建立了润滑油牵引系数的神经网络模型,试验表明,该模型能够吻合实际的牵引系数,具有应用和推广价值。

基于BP神经网络和机理法的水厂投药建模研究

通过分析某水厂现有的投药控制,基于机理法及神经网络建模法建立了混凝剂投加量的2种数学模型,并对2种模型进行了检验和比较。结果表明:2种模型都较为准确有效,但机理建模能较直观清晰地反映具体的数学解析式以及变量之间的关系,为该项目的整体优化提供条件;而神经网络建模精度则相对较高,能对水厂投药量作出及时准确预测,为操作工人提供操作指导。实际生产中可根据需要将2种模型结合运用,具有较好的实际意义。

基于粒子群模糊神经网络的立方体机器人建模

立方体机器人可等效为多变量、高阶、非线性、不稳定的多自由度空间动量轮倒立摆系统,为了解决立方体机器人系统非线性的特点和模型精度不高的问题。研究利用粒子群优化的模糊神经网络算法,通过对立方体机器人机体的输入输出数据进行学习,建立立方体机器人的粒子群模糊神经网络模型,再引入粒子群实现模糊神经网络参数的优化调整,最后选用PID控制器进行稳定性控制。仿真分析与实测实验结果表明,相较于机理模型,基于粒子群模糊神经网络模型的立方体机器人抗扰性更好,回到稳态的时间更快,控制精度更高。

基于神经网络近似模型的拉杆转子结合面参数识别

传统获得拉杆转子结合面特性参数的方法往往采用微观接触理论推导,这种理论计算方法需要通过精密仪器获得相关统计参数,成本高。针对传统方法的局限性,采用理论和试验相结合的优化识别方法,以BP神经网络代替有限元数值计算模型,并以转子轮盘结合面接触刚度为优化变量结合模态试验值,利用粒子群算法进行优化识别,计算误差<4%。结果表明:该方法可行有效,并具有较高精度。

基于ε-不敏感准则和结构风险的鲁棒径向基函数神经网络学习

该文提出一种新的基于ε-不敏感准则和结构风险的径向基神经网络(RBF-NN)建模方法。通过引入ε-不敏感准则和结构风险项,把RBF-NN训练转化为线性回归和经典的二次规划优化问题。和传统的基于最小平方误差准则的RBF-NN训练算法相比,提出的新方法对小样本数据集和噪声数据显示出较好的鲁棒性,具有较好的泛化能力。通过模拟和真实数据集进行仿真试验,上述优点得到了有效验证。

嗅球神经细胞网络建模及其信息编码的研究

在嗅球生理解剖结构的基础上,首次建立了结构相对完整的球旁细胞(PG)、僧帽细胞(MC)和颗粒细胞(GC)离子通道及其细胞网络树树突触联结中神经递质传导的神经电生理网络模型.模型初步揭示了嗅球对来自于嗅感觉神经元电信号的瞬时同步时空编码机制以及嗅球的气味分辨机制,为下一步定量地探索研究PG、MC和GC细胞在嗅球编码中的不同作用机制,以及基于嗅球生理结构的气味模式识别的研究打下了基础.

基于神经网络遗传算法的铝电解槽电压优化

为降低电解铝的生产成本,提出了一种基于神经网络遗传算法的电解铝生产过程槽电压优化方法,以寻找最优生产槽电压和对应的生产条件。采用核主元分析法确定影响电解铝生产的关键参数,建立槽电压的神经网络模型。利用遗传算法寻找电解铝槽电压的全局最优值及对应的生产条件。通过实际生产数据进行仿真实验,结果表明,基于神经网络遗传算法全局寻优的能力,该优化方法能准确预测电解铝槽电压,同时能够找到电解铝生产过程中的最优槽电压及其对应的优化生产条件。

基于BP神经网络的SCFRW均匀化研究

采用BP神经网络描述了短切碳纤维木质复合材料(Short carbon fiber reinforced wood,SCFRW)显微图像中碳纤维分布情况与SCFRW宏观性能之间的非线性映射关系,建立以单个小条形区域的最小宽度、平均面积比、平均长宽比、条形区域的总面积比作为输入量,以样板的表面电阻率、弹性模量、静曲强度作为输出量的四输入/三输出SCFRW均匀化模型。仿真结果显示,所建模型可以准确、有效地根据微观结构特征预测宏观性能,从而实现SCFRW的微观结构和宏观性能的有效结合,为制板工艺设计及优化提供了有力的科学依据。