基于BP神经网络构建简化翼结构动态代理模型

建立精确且可信度高的代理模型是数字孪生技术中的关键环节之一。为了研究航天结构动力学中动态代理模型的构建方法,选择简化翼结构作为研究对象,分别利用单点正弦定频激励及全场加速度扫频激励获得结构在瞬态动力学分析下的位移和加速度响应;将时间和部分节点响应结果作为输入,将希望关注的节点处的响应值作为输出,利用BP神经网络构建动态代理模型,当所建立的代理模型精度达标后即构建了翼结构瞬态动力学的动态代理模型。该法构建的模型不仅可用于快速预测多个节点的位移和加速度响应,亦可为后续构建航天复杂结构动力学数字孪生体奠定基础。

基于BP神经网络的土壤墒情动态系统预测模型研究与应用

BP神经网络模型构成了有效的非线性建模,其在研究环境变动如何影响土壤含水量并准确预报水资源状况方面表现出色,从而提升水资源的整合利用效率。通过整理分析土壤含水量信息,建立了一个以反向传播神经网络为基础的预报模型,并对该系统进行了实地训练和精确性测试,实验结果显示,该模型在预估精确性和稳定性方面表现卓越,从而为农作物的生产和水资源的分发提供了有力的数据支持,帮助决策制定过程。

基于BP神经网络模型的机床大件结构动态优化方法及其应用研究

将BP神经网络理论与有限元建模方法相结合 ,提出了采用BP神经网络建立机床整机主要部件的动力学模型 ,并应用大型有限元分析软件ANSYS的APDL进行BP神经网络样本的快速采样的方法 .根据所提出的方法 ,建立了机床双W筋板床身的筋板位置、厚度与床身前 5阶频率之间的BP神经网络模型 ,并以床身第 1阶固有频率最高为目标进行了设计变量的自动搜索寻优计算且获得了满意的结果 。

基于BP神经网络模型的磨床部件动态灵敏度分析

利用ANSYS的APDL语言建立磨床部件的参数化模型 ,计算出磨床部件的动态特性 ,快速采样得到BP神经网络模型的学习样本 ,建立基于BP神经网络的动态分析模型 ,将磨床部件结构参数与其动态特性之间的关系反映为神经网络模型的网络输入与网络输出之间的数学关系 ,从而方便地、快速地对磨床部件进行了动态灵敏度分析 .结果表明 ,在BP神经网络模型上进行磨床结构优化要比在有限元模型上方便、快速 。

基于神经网络算法的等离子体负载动态参数模型

等离子体负载电学模型大多基于固定参数模型,忽略了负载等效参数变化对模型的影响,容易产生较大误差。为了改善因等效参数变化带来的误差,首先探究了等效电容、等效电阻等负载参数随外加电压幅值、频率的变化情况,据此训练了BP神经网络参数调整模块,建立了等离子体负载动态参数模型,实现了外施激励变化下负载等效参数的更新。结果表明,采用神经网络动态参数模型仿真精度为95.70%,而采用固定参数模型仿真精度为82.89%,仿真精度提高了15.45%。对简化实验工作量、指导等离子体反应器设计有着重要意义。

基于BP神经网络的遥感影像压缩质量评价动态模型

采用BP算法,根据评价指标建立遥感影像压缩质量等级评价模型,达到了利用客观质量测度参数实现主观质量评价的目的,并可动态改进模型,实验结果证明了该模型的有效性。

BP神经网络模型在地价动态监测中的应用——以武汉市为例

本文运用BP神经网络模型能够以一定的精度逼近复杂的非线性映射,由地价的影响因素推导出地价的原理,通过MATLAB这种科学工程语言,对收集到的武汉市2008年住宅用地地价动态监测点情况进行分析检验,通过检验结果验证现有监测点地价合理性,并对不合理的监测点地价进行剔除或者修正,得出监测点的理想地价,从而更加准确地反映地价动态变化。

基于BP神经网络的高通量铅铋反应堆中子通量最大化设计方法研究

优化设计高通量铅铋反应堆对于缓解快中子研究堆辐照资源稀缺难题、支撑先进核能系统的发展具有重要意义。本文以提升堆芯中子通量水平为目标,针对高通量铅铋反应堆复杂的多维非线性约束优化问题,依托反应堆蒙特卡罗程序RMC和子通道程序Subchanflow,构建了基于BP神经网络(Back Propagation Neural Network)算法的预测模型,并结合Sobol指数法开展堆芯设计参数的敏感性分析,提出了基于BP神经网络动态代理模型(Dynamic Surrogate Model,DSM)更新迭代的设计优化方法,开发了高通量铅铋反应堆设计优化平台。以多功能超高通量堆为例开展堆芯栅径比、燃料芯块直径、活性区高度、径向反射层厚度的多堆芯参数协同优化验证,结果表明:该优化方法对堆芯中子通量密度与有效增殖因数keff的预测精度误差在0.1%之内,在4组堆芯设计变量单独作用和共同作用下对于最大中子通量的影响程度都按照反射层厚度<栅径比<活性区高度<燃料芯块直径的递增顺序排列,优化后的中子通量密度相比原始设计方案提高了15.41%,表明开发的高通量铅铋反应堆设计优化平台有效可靠。

基于BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。

6063铝合金BP神经网络动态力学本构模型

采用霍普金森压杆对挤压态6063铝合金进行不同应变速率下的常温压缩试验。结果表明:在室温条件下,6063铝合金的压缩流动应力随应变的增加而上升,即存在应变硬化效应;同时,流动应力随应变速率的增大而增大,表现出明显的应变率效应。运用BP神经网络构建6063铝合金的动态力学本构模型,采用LM(Levenberg-Marquardt)算法提高网络收敛速率,经训练所得的神经网络本构模型可以较好地预测6063铝合金的动态压缩变形行为。

一个基于神经网络的动态手写签名验证模型

手写签名验证作为一种有效的生物身份认证技术,具有广泛的应用前景,但由于签名易变化的特点,其性能还不够理想。最近神经网络越来越多地在模式识别领域使用并取得了很好的效果,但在签名验证中尚不多见。本文提出并实现了一个基于BP神经网络的动态手写签名验证原型,并通过实验对网络结构进行了分析。通过对从10人收集的190个本人签名和371个伪造签名评价EER=2.16％,还是比较满意的。

基于灰色神经网络组合模型的动态数据序列预测

为了提高动态数据序列的预测精度,分析了现有BP神经网络和灰色预测方法各自的优缺点,并在此基础上建立了灰色神经网络组合模型。组合模型兼有BP神经网络和灰色预测的优点,弥补了单个模型的不足,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性。本方法利用灰色预测中的累加生成运算对原始数据进行变换,从而得到规律性较强的累加数据,便于神经网络进行建模和训练,并利用神经网络的函数逼近特性,实现对原始数据的预测。仿真结果表明:组合模型的预测精度高于单独的GM(1,1)模型,适用于具有复杂成分的动态数据序列的建模。

基于改进BP的神经网络模型参考自适应控制

由于传统BP算法存在收敛速度慢,容易陷入局部极小值等弊端,目前的BP优化算法又使得控制过程变得复杂,继而基于BP神经网络的模型参考自适应控制过程也存在实时性差,收敛性慢,精度不高等不足。现针对改进的BP算法和非线性系统的可逆性,分析设计了一种基于激励函数自寻优的BP网络模型参考自适应控制,并通过Matlab仿真结果表明,在满足控制精度的情况下控制系统中的辨识器和控制器效果都很理想。因此,对工程应用有很大的实际参考利用价值。

基于模型参考和神经网络的传感器动态补偿器的设计

为了改善传感器的动态响应特性,提出了一种动态补偿器的设计方法.该方法在传感器后接一基于模型参考自适应方法的动态补偿器,并利用BP神经网络算法不断在线辨识补偿器参数,使其始终工作在最佳参数下,实现动态性能的在线补偿.试验表明,对动态品质较差的双孔悬臂梁式压力传感器进行在线补偿,其到达稳态值的调节时间由0.1s缩短为0.015s,动态性能得以较好的改善.该方法为提高传感器性能开辟了新途径.

BP神经网络用于某油田的生产动态分析

将BP神经网络用于油田生产动态分析,是指收集现有油田生产、测井、试油试采数据并将其用于建立生产动态分析预测模型,使其为生产实践服务。该方法对原始数据要求不高,弥补了传统分析方法计算量大、耗时费力的缺陷,而且此方法不受油田开发阶段和生产方式的影响,适用性强,应用范围广。BP神经网络结构由输入层、隐层、输出层三部分组成。以某油田区块3号井为例,验证BP神经网络在生产动态分析方面的应用效果。对比该井12个月内实际产油速度与分析预测产油速度的差异,结果表明两者数值差异不大,分析预测误差被限制在6%以下。

基于BP人工神经网络的钻柱动态行为预测方法

为了掌握常见的钻柱动态行为及产生原因,应用BP三层人工神经网络模型,采用频谱分布特征、轴心轨迹和振动特征等共15个输入征兆来研究预测4种典型的钻柱动态行为。8组输入征兆的预测输出结果表明,这种人工神经网络模型通过样本训练,能够根据钻柱输入征兆完全、不完全信息,进行联想、记忆和聚类等自组织学习,实现了网络输出准确率高,且网络输出结果与实际测试资料可以互相解释印证,说明这种神经网络的预测结果可以指导实际钻井作业,同时又可由实际钻井资料收集样本模式不断反馈,从而完善网络模型。

基于BP神经网络模型的机床结构动态优化措施

为了更好地优化机床结构,提高机床的运行性能,现以BP(Back Propagation)神经网络模型应用为例,采用有限元建模方法,构建机床整机主要部件的动力学模型,然后利用有限元分析软件,实现对BP神经网络样本的自动化和高校化采样。根据机床双W筋板安装位置、厚度等参数,构建相应的BP神经网络模型,然后根据机车第一阶段所获得的最高频率,采用自动化搜索的方式得到最终寻优结果。结果表明:通过将BP神经网络模型与有限元建模方法进行充分结合,可以实现对机床结构的动态化分析和优化,完全满足实际应用需求。

基于神经网络的温室土壤水分动态预测模型研究

针对智能温室变量施水的土壤水分预测问题,建立基于神经网络的土壤水分动态预测模型。以Delaunay三角剖分布点方法为基础,并将种植区域离散成若干单元。对各离散单元,模糊其土壤喷灌量,将单位时间土壤含水量的变化映射成土壤水势变化。考虑到土壤的时空特性,使用MATLAB建立以预测单元表层测量点土壤含水量、土壤温度和单位时间土壤含水量变化量作为输入,未来时刻该单元中心土壤深层含水量作为输出的BP神经网络和RBF神经网络预测模型。利用温室实际数据验证模型的准确性,通过比较两种神经网络模型结果,得出RBF神经网络模型具有较好实用性,为温室精细化变量施水的实现奠定基础。

BP神经网络数据预测模型的建立及应用

针对BP神经网络输入节点、初始权值的选取和激励函数问题,讨论BP神经网络预测模型的建立与改进。然后构建改进后的BP神经网络预测模型,并以贵阳市1998年~2013年的房价及其影响因素的数据为基础,通过实验验证该改进模型的有效性和精确性;结果表明采用论文模型预测结果相对误差不超过0.6%。

BP神经网络在动态液位测量的应用

制药生产行业中连续搅拌反应釜的动态液位的测量一直困扰着生产的安全、高效地进行。利用BP神经网络高度的非线性函数逼近的能力,较为成功地解决了这一问题。介绍了BP的基本算法及其改进,并通过实验数据的学习建立了较为有效的动态液位测量网络模型。