永磁同步电机BP神经网络 智能PID滑模观测矢量控制算法

针对永磁同步电机(PMSM)转速超调量大、转子位置检测精度低等问题,提出一种BP神经网络智能PID滑模观测器控制策略,将BP神经网络与传统PID控制相结合,利用BP神经网络实现对PID增益的在线调节,实现对永磁同步电机启动、突加负载干扰时稳定控制。采用无位置传感器控制,在永磁同步电机数学模型α-β坐标系中建立了滑模观测器结构,并且在Matlab/Simulink仿真系统中建立了仿真模型进行了仿真分析;从PID参数、电机转速等方面对BP神经网络智能PID控制的有效性进行了评估和仿真验证。通过仿真分析,采用滑模观测器检测转子实际位置与预期位置之间的误差小于7%,在0.3 s之后转子实际位置与预期位置完全重合。采用BP神经网络智能PID控制的永磁同步电机在启动时转速超调量减少了10.6%,在突加负载干扰时减少了1.4%。相比起传统PI控制,提出的BP神经网络智能PID控制能够有效提高PMSM的自适应性及抗干扰能力,并且显著减少了电机在启动及突加负载时超调量。

Height prediction of water flowing fractured zones based on BP artificial neural network

Factures caused by deformation and destruction of bedrocks over coal seams can easily lead to water flooding(inrush)in mines,a threat to safety production.Fractures with high hydraulic conductivity are good watercourses as well as passages for inrush in mines and tunnels.An accurate height prediction of water flowing fractured zones is a key issue in today's mine water prevention and control.The theory of leveraging BP artificial neural network in height prediction of water flowing fractured zones is analysed and applied in Qianjiaying Mine as an example in this paper.Per the comparison with traditional calculation results,the BP artificial neural network better reflects the geological conditions of the research mine areas and produces more objective,accurate and reasonable results,which can be applied to predict the height of water flowing fractured zones.

BP网络应用于长江水质研究

运用我国地面水环境质量标准 (GB3838-88)作为学习样本 ,选取了包括氧平衡参数、营养元素、重金属离子、油类等 14个指标 ,运用人工神经网络BP模型对长江干流和主要支流 (含湖泊 )的水环境质量进行分类研究。将计算结果与GIS数字化图形相结合 ,表明长江干流和大部分支流水质状况基本良好 ,上游支流沱江、下游支流大运河及太湖已受到较为严重的污染 ;

基于BP神经网络的挤压模具磨损预测

基于修正的Archard磨损模型,将人工神经网络与有限元分析相结合,用有限元模拟数据作为学习样本,训练BP神经网络模型,以此模型预测挤压模具的磨损,实现了模具寿命的快速预测,也为模具型腔等磨损设计奠定了基础。

基于BP神经网络的船舶号灯识别模型与仿真

建立基于误差反传神经网络的船舶号灯智能识别模型,在众多的号灯识别参数中进行优化分析,确定了能见度、号灯亮度、背景亮度和眩光4个重要输入参数;利用这4个参数,基于误差反传神经网络对船舶号灯的可识别性进行建模和仿真,比较利用Levenberg-Marquart(L-M)、动量梯度下降、变学习率动量梯度下降和弹性反向传播等学习算法建立的误差反传神经网络模型,并确定L-M算法具有最优结果.通过号灯识别的仿真结果表明,识别结果与航海专家评估的结果一致.本模型实现了复杂光环境下船舶号灯可识别性的预报和影响因素分析,对保障船舶的夜航安全有着重要意义.

基于主成分分析的BP神经网络及其在需水预测中的应用

以甘肃省瓜州县为例，利用1988~2007年的总需水量数据，采用主成分分析法对影响水资源需求量的7个因子进行主要影响因子分析，根据确定的主要影响因子构造BP神经网络的输入样本，从而进行不同水平的年总需水量预测。结果表明：国内生产总值、工业总产值、农业总产值和大牲口数4个因子为影响研究区需水量的主要因子，将此作为主要因子构造BP神经网络的输入样本，确定网络输入节点数，建立瓜州县总需水量预测模型。模拟计算结果表明，基于主成分分析的BP神经网络模型取，预测结果的绝对误差小于±0．05×10^9m3。

基于二次曲面和BP神经网络组合模型的GPS高程异常拟合

将二次曲面模型和BP神经网络的组合模型应用于高程异常拟合中,其组合方式分别基于方差倒数法和广义回归神经网络。利用某地区实测的GPS高程数据进行比较分析,结果表明,组合模型逼近高程异常的精度和可靠性均优于单一模型,并且基于广义回归神经网络的组合模型的拟合精度高于基于方差倒数法的组合模型。

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。

基于BP神经网络的球墨铸铁组织和力学性能预测

以合金化元素与组织和性能关系为研究对象,从42组实验数据中,选取33个作为训练样本,9个作为验证样本,采用BP神经元网络原理,以珠光体球墨铸铁组织和力学性能的主要影响元素作为输入量,模型由3层神经元组成,分别为输入层、隐含层和输出层,建立了合金成分对珠光体含量的影响规律的神经网络模型,珠光体含量、铁素体含量及球化率和硬度及强度关系的神经元网络模型.用建立的网络模型预测结果表明,该方法对球墨铸铁的珠光体含量和力学性能预测具有很好的准确性,有效地解决了球墨铸铁化学成分、显微组织与力学性能之间的关系难于描述的问题.

遗传算法的BP网络模型进行瓦斯涌出量预测

从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。

基于BP神经网络的苹果图像分割算法

针对目前苹果采摘机器人图像分割运算量大、耗时多等问题,通过分析选取3×3邻域像素色度值作为苹果图像的特征,选取40幅图像作为训练样本,以人工分割后的图像作为教师信号,采用BP算法对神经网络的权值进行训练。经过100次循环后,获得有效的网络权值,误差为0.001。结果表明,利用BP神经网络能够较好地实现苹果与背景的分离,后续操作中,经过腐蚀、膨胀等算法的进一步处理后,得到了更加理想的效果。

基于BP神经网络的农业高科技投资项目风险评价模型

在建立农业高科技投资项目风险评价指标体系的基础上,引入人工神经网络建模方法,建立基于BP神经网络的农业高科技投资项目风险评价模型,并运用实例对其进行了训练和预测,取得了较好的结果,说明该模型能较为准确地按照专家的评价方法进行工作,为农业高科技投资项目提供了现实可用的风险预测及风险控制工具,同时进一步显示出神经网络模型在现代农业经济非线性领域应用的广阔前景。

基于BP神经网络的地铁站厅空调负荷预测

中央空调系统是城市轨道交通系统车站建筑中的重点耗能设备,由于在运营初期其负荷远小于设计负荷、缺乏实时负荷值而无法根据建筑的实际负荷动态调节,导致其目前能耗较大。文中以地铁车站站厅公共区域的空调系统为研究对象,根据空调负荷计算方法,基于trnsys系统仿真平台建立负荷计算模型。按照正交试验方法设计的试验方案,采用仿真模拟的方法对显著影响地铁车站站厅空调能耗的因素进行了研究。基于影响因素的显著性大小排序和BP神经网络理论建立了空调负荷预测模型。以预测负荷值与实际负荷值误差最小作为目标函数,采用仿真模拟实验数据作为训练样本对模型进行训练。训练过程较为稳定,未出现明显震荡(R^2=0.99956),预测负荷与模拟负荷的均方根误差变异系数较小(3.6%)。在客流变化、天气变化的情况下对模型进行验证,最大相对误差分别为9.8257%和11.675%。验证结果表明,模型预测精度较高,具有较好的泛化能力,能有效预测地铁车站站厅公共区域空调负荷,可为地铁车站空调控制系统提供依据。

基于BP神经网络的土体细观力学参数反演分析

利用离散元方法对颗粒材料的细观力学特性研究,目前确定数值计算模型的细观力学参数大多数通过反复调试获取,效率低、可重复性差。本文采用开源的颗粒离散元程序LMGC开展了土体双轴压缩数值试验,通过25组土体细观力学参数计算得到相应的宏观力学参数,建立了BP人工神经网络反演系统。利用土体物理试验得到的土体宏观力学参数,输入BP神经网络,反演得到土体的细观力学参数。将所得细观力学特性参数输入所建立的土体数值计算模型,得到土体破坏过程中的应力-应变关系曲线,以及土体颗粒的力链图和旋转变形云图。所建立的土体数值试验模型能够较好地模拟土体变形破坏过程,利用BP神经网络反演细观力学参数以及数值模型计算得到的土体宏观力学参数与物理试验吻合较好,误差在10%左右,土颗粒间力链云图以及旋转变形云图较好地揭示了土体变形破坏的机理。

BP神经网络在变压器故障诊断中的应用

基于BP神经网络理论设计了以气体浓度为输入、故障类型为输出的变压器故障诊断系统,并进行了计算机仿真。

BP神经网络法预测唐山市需水量

需水量预测研究已成为当前水资源规划与管理研究中的重要课题之一。本文设定不同的神经网络运行次数,根据预测结果进行误差分析,BP神经网络在运行5 000次时,具有高度的可信度和可行性。应用5 000次运行次数的BP神经网络模型对唐山市规划水平年的需水量进行预测。最后引入人均综合用水量概念,结果表明,预测结果在理论上和实际上都具有可行性。

G-LBP和方差投影交叉熵的人脸识别

针对基于Gabor特征识别人脸时存在数据维数大及冗余等问题,将变换后的频域特征转换到空间域,提出一种新的特征描述算法G-LBP。为了进一步提高系统的稳定性及精度,丰富人脸描述特征,从熵值角度对人脸进行补充描述。针对方差投影熵在特征描述上,忽略了行列之间的交互信息,定义了方差交叉投影熵。最后,基于BP神经网络对两种不同的特征空间进行决策层加权融合完成人脸识别。实验结果表明,G-LBP特征提取方法降低了数据间的冗余,且能保留有效地判别信息;方差投影熵和方差交叉投影熵丰富了人脸特征的描述;决策层加权融合的方法较好地发挥分类器间的集成作用,最终有效地提高了人脸的识别率,与其他文献的算法相比,也证明了该方法的有效性。

基于BP网络的自整定PID控制算法及其在苛化工段的应用

介绍了苛化工段控制系统的软硬件设计,并针对传统PID不能在线实时调整PID参数的缺点,利用BP网络与PID相结合,完成了在线实时调整PID参数,使控制系统处于一种最优工作状态。

机器人柔顺装配的BP神经网络系统

设计了用于机器人装配的主被动复合柔顺手腕,简化了手腕结构,缩短了搜索时间,提出了一种称为“一维搜索”的机器人装配作业主被动复合柔顺策略,将主动搜索自由度降低到一维,同时最大限度地利用被动柔顺。设计了以装配力信号为输入的BP神经网络,建立了机器人复合柔顺装配作业的BP神经网络系统,收到良好的装配效果。

基于BP神经网络的复合材料性能预测

针对复合材料性能表征十分复杂、困难的情况,利用人工神经网络的BP算法,建立了复合材料性能预测模型。模型由3层神经元组成,分别为输入层、隐含层和输出层。以碳/陶瓷复合材料性能与成分的关系为研究对象,选取了38组实验数据作为学习样本,模型总误差为0.18,用建立的网络预测未知,并给出预报曲线。和试验值相比较表明,所建立的网络能反映碳/陶瓷复合材料组分与其材料性能之间的关系,为实验设计提供了新的思路,节省了时间和劳力。