数控机床反向误差测定评价及补偿

建立了反向误差补偿的数学模型,提出了数控机床的反向误差的软件补偿方法。对补偿前后的反向误差进行了精度评价,结果表明,经过反向误差的软件补偿,数控机床位置误差降低,实现了机床精度的软升级。

基于反向误差传播的企业战略预警系统研究

企业战略预警系统是从企业战略层面建立的一个对企业活动进行预警预控的自组织系统。反向误差传播模型克服了传统模式的缺陷,具有极好的反馈与矫正效果,将其应用于企业的战略管理过程中,有助于企业建立自适应的企业预警系统。

XK714数控铣床轴向反向误差故障排除

根据数控铣床教学应用实践,阐述了铣床轴向反向误差产生的原因及排除方法,对铣床的数控技术教学和操作实践教学有重要的引导作用。

反向误差传播的学习策略

本文探讨多层神经网络、反向误差传播学习过程收敛缓慢的原因,提出了修改后的激励函数(x),变步长策略,输出反馈抑制策略及模式矢量预处理,从而大大加速了学习收敛过程。还给出了计算机模拟的结果。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

基于脉冲序列标识的深度脉冲神经网络时空反向传播算法

尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。

提高多频条纹投影相位提取精度的反向误差补偿法

为了减小光栅投影三维测量系统中数字投影仪的非线性响应引起的相位误差,提出了一种提高物体相位测量精度和速度的多频条纹反向相位误差补偿方法。该方法通过投影与最高频率相同且具有特定相移量的补偿相移条纹图,获取相位误差大小相等,符号相反的两幅主值相位图,二者运算后误差得以抵消,与多频法相结合从而得到精确的绝对相位值。采用标准平面对提出的方法进行实验验证,并与最近提出的希尔伯特变换补偿方法以及典型相位补偿方法进行比较。实验结果表明,所提方法能有效提高相位测量的精度和速度。通过对自由曲面以及表面不连续物体进行相位误差补偿,进一步验证了该方法的可行性和有效性。

反向间隙误差对螺旋转子精铣精度的影响及其仿真

为实现大模数少齿数螺旋转子的高效精加工,研究了数控机床旋转轴反向间隙积累误差对转子精加工法向齿厚的影响。首先建立螺旋面的方程并计算其法向矢量,求得球头铣刀精加工刀位数据;然后推导反向间隙积累误差的估算公式,分别采用空间环形走刀和空间平行走刀对转子加工过程进行仿真,得到走刀循环次数与反向间隙积累误差值之间的关系曲线。仿真结果和数控机床试切结果表明,当转子法向齿厚尺寸较小时,采用空间环形走刀方式效率较高且能保证精度;当法向齿厚处于临界值时,可以采用空间环形走刀,但需对端面型线作出一定角度的旋转以抵消误差积累;当法向齿厚较大时,应该采用空间平行走刀方式规划刀具路径。

基于误差反向传播神经网络的胃癌细胞识别研究

目的探讨误差反向传播(backpro pagation,BP)神经网络在胃癌细胞识别中的应用价值。方法在308例胃切除病例的胃组织切片中选取510个胃细胞,其中腺癌细胞210个,非癌性细胞300个,测量细胞的10个形态学特征。将所得到的数据随机分成A组(训练组)和B组(测试组)。建立三层BP神经网络,并利用A组数据对神经网络进行训练,再利用A、B两组数据对网络模型进行检验测试。结果BP神经网络对A组细胞识别的灵敏度为99%,特异度为99%,阳性预测值为98%,阴性预测值为99%,识别正确率为98%;对B组细胞识别的灵敏度为99%,特异度为97%,阳性预测值为96%,阴性预测值为99%,识别正确率为98%。ROC曲线下面积为0.99。结论本研究结果显示,BP神经网络用于胃癌细胞识别非常有效,可用于胃癌细胞的自动识别。

误差反向传播算法与信噪分离

研究了误差反向传播算法的基本原理及其在信号识别与噪声消除中的应用。通过与经典谱估计的信号处理效果进行比较 ,阐明了BP网络具有良好的信噪分离特性。

加权质心定位误差的反向修正法

研究了距离因子g对加权质心定位算法(WCL)定位精度的影响,提出了全局最优g的选取方法。然后研究了未知节点自身位置对WCL算法定位精度的影响,并提出了一种基于估计位置和误差之间关系的反向(EB)修正法。仿真结果表明,全局最优g可以使质心附近区域的定位精度得到显著提高,但不能解决远离质心区域定位精度较差的问题,而EB修正法则可在保持质心附近区域定位精度的同时有效提高远离质心区域的定位精度。

基于误差反向传播神经网络的超视距协同空战研究

针对多机协同空战中的多目标分配问题,利用构造的误差反向传播(BP)神经网络模型对超视距空战情况下的几种典型的第3代战斗机空战性能进行比较评估,在此基础上建立了协同优先的分配模型。给出了协同优先权的计算步骤。仿真算例表明了模型的有效性。

单亲遗传误差反向传播算法及其在县级生态农业综合评价中的应用

针对误差反向传播 (BP)算法局部收敛等局限性和单亲遗传 (PGA)算法的优点 ,提出了融PGA和BP为一体的单亲遗传误差反向传播 (PGA BP)算法 ,并用于县级生态农业的综合评价 .评价结果表明 :PGA BP算法具有简便、高效、适应性强等优点 ,用于县级生态农业的综合评价是切实可行的 .

电力系统潮流误差反向传播算法

文中将人工神经网络中的误差反向传播算法应用于电力系统潮流计算,通过算例表明,该算法具有较好的收敛特性。

一种基于误差反向传播优化的多通道SAR相位误差估计方法

方位向多通道合成孔径雷达(SAR)可实现高分辨率宽测绘带成像,准确估计通道间相位误差是保障成像质量的关键。该文提出了基于误差反向传播训练优化的通道相位误差估计方法,该方法根据多通道SAR回波生成的物理过程,构建含有通道间相位误差待估计参数的观测矩阵,通过初始化的通道误差和初始化的目标散射系数参数生成初始化的SAR回波,并计算该回波与多通道SAR实测回波之间的误差,通过深度学习中常用的误差反向传播的方法,不断训练优化上述参数,最终获得通道间相位误差的估计值,同时也得到了对稀疏目标散射系数的估计。该方法基于误差反向传播方法,并将该方法与通道误差的形成原理相结合,在稀疏假设下同时完成了相位估计和成像,为多通道SAR误差估计提供了一种全新的思路。多通道SAR仿真数据验证了该文算法的有效性。

改进误差反向传播法神经网络对手写数字识别

针对传统的误差反向传播法神经网络出现训练时间长、识别准确率不高、参数更新不精确、过于依赖初始值等问题进行改进优化。为了提高误差反向传播法对手写数字的识别准确率,在已有的神经网络基础上,改进误差反向传播法神经网络激励算法,使用新的激活函数,优化参数的更新,取交叉熵函数并引用BatchNorm算法。采用MNIST数据集对搭建的神经网络进行训练、测试,优化了神经网络的训练速率和识别精度。实验表明,改进后的误差反向传播算法神经网络对比手写数字的识别准确率提高了4%。

机床加工中反向间隙误差的控制

机床的加工误差不可完全避免,但可以从多方面进行控制。本文提出了一种在精加工过程中 用编程的方法来控制反向间隙误差的引入。

误差反向传播卷积神经网络的权值更新

误差反向传播卷积神经网络在误差反向传播中的权值更新对网络结构的优化、显卡的设计制造以及底层源代码编写都具有很重要的指导意义。针对目前关于权值更新的基础算法分析不足的问题,以简单的误差反向传播卷积神经网络为例,将卷积神经网络的结构中共用的卷积层、池化层、激活函数以及损失函数的权值更新方法进行了推导,并给出了严密的数学证明。最后,利用经典的分类模型进行试验验证,清晰地诠释了监督学习卷积神经网络误差反向传播过程中权值更新的计算过程。

基于迭代式MapReduce的误差反向传播算法

针对误差反向传播（BP）算法计算迭代的特点,给出了迭代式MapReduce框架实现BP算法的方法。迭代式MapReduce框架在传统MapReduce框架上添加了传送模块,避免了传统框架运用在迭代程序时需要多次任务提交的缺陷。通过对K/TGR146对空台射电开关控制系统进行仿真得到BP算法训练样本,并在Hadoop云计算环境下,分别在基于传统框架和迭代式框架的BP算法中进行训练。实验结果表明,基于迭代式MapReduce框架的BP算法训练速度达到了基于传统MapReduce框架的BP算法训练速度的10倍以上,正确率提升了10%~13%,能有效解决算法训练时间过长和迭代计算中多次任务提交的问题。