人工神经元网络模型预测3D打印部件力学性能的研究

熔融沉积成型(FDM)是一种高效的增材制造技术。将响应面模型与人工神经元网络(ANN)模型相结合,研究了FDM工艺的喷嘴温度、层高和层积角度对尼龙12(PA12)丝材制造部件力学性能的影响。当喷嘴温度、层高和层积角度分别在220~260℃、0.2~0.4 mm、0°~90°之间变化时,部件拉伸强度和缺口冲击强度分别在35.69~60.89 MPa和5.48~19.83 kJ/m^(2)之间。喷嘴温度、层高、层积角度以及层积角度的二阶效应是影响部件拉伸强度的显著因素;喷嘴温度、层积角度以及层积角度的二阶效应是影响缺口冲击强度的显著因素。ANN模型预测拉伸强度和缺口冲击强度的最优结构分别是3-10-5-1和3-25-24-1,预测的拉伸强度和缺口冲击强度均方误差函数(MSE)最低分别为2.54×10^(-4)和2.07×10^(-4),回归系数均在0.97以上。与响应面的二次回归模型相比,ANN模型预测的拉伸强度和缺口冲击强度与实验值的标准偏差分别为0.46和0.32,远低于二次回归模型的2.43和1.58,更适合于优化非线性的FDM工艺。

基于Hodgkin-Huxley模型的神经元网络信息编码模式对比

目的:基于Hodgkin-Huxley(HH)神经元模型的神经元网络信息编码模式提出两类不同的信息编码方法对比。方法:采取HH神经元模型和化学突触,利用数值模拟的方法搭建不同拓扑结构的生物神经元网络,通过平均频率编码和峰峰间隔编码(ISIs)两种信息编码方法对比研究在正弦波信号和随机音频信号刺激下平均频率编码和ISIs编码的特异性,分析不同刺激信号下神经元网络的信息编码模式。结果:神经元网络的信息编码模式与刺激信号类型具有相关性:当刺激信号为连续的周期信号时,神经元网络会产生与刺激信号对应的具有周期性的放电序列;当刺激信号为随机信号时,神经元网络的放电率会随着刺激信号强度发生变化,刺激信号强度越大,动作电位发放率越高。在同一刺激信号下,神经元网络的拓扑结构会影响神经元网络放电序列的时间结构。结论:神经元网络信息编码模式与刺激信号相关,不同拓扑结构的神经元网络放电序列时间结构不同。ISIs编码方法精确度更高,包含的信息量更大,与平均频率编码相结合的编码方法能够有效表达神经元网络在刺激信号下信息编码模式的动态改变。

基于不同化学突触神经元网络抗扰特性比较

目的:基于5类不同的化学突触模型,研究基于Hodgkin-Huxley神经元模型的神经元网络抗扰特性。方法:采用Hodgkin-Huxley神经元模型和化学突触,利用数值模拟的方法构建不同拓扑结构的生物神经元网络,通过构建不同化学突触神经元网络对比研究了在叠加一定高斯白噪声的正弦波信号刺激下神经元抗扰的特异性,分析不同刺激信号下神经元网络的信号传递模式。采用相关系数法计算网络中神经元10在两种刺激信息下第0~50 ms的相关系数,进行定量分析。结果:神经元网络的抗扰特性与化学突触模型具有相关性,基于不同化学突触模型搭建的神经网络抗扰波形不同。第1~5类化学突触搭建的网络在两种刺激信号下,神经元10前50 ms相关系数分别为0.141 2、0.914 5、0.996 5、0.567 3、0.881 6。由此可见,第2、第3类化学突触相比于其他几类化学突触有更良好的抗干扰能力;第2、第3类化学突触模型最为复杂;第4、第5类化学突触延时反应最快。结论:第2、第3类化学突触模型最适合研究神经网络抗扰特性,此研究为构建神经元网络过程中选择化学突触提供了一定程度的启示。

人工神经元网络和径向基网络模型预测建筑冷热负荷的研究

采用人工神经元网络(ANN)和径向基网络(RBF)模型预测了建筑冷热负荷,判断了影响建筑能耗的显著因素。通过对ANN和RBF模型隐含层神经元数量进行优化,发现8-65-1和8-97-1结构的ANN模型预测建筑热、冷负荷与数据集中的结果比较吻合,相关系数(R^(2))分别为0.962、0.953;8-28-1和8-6-1结构的RBF模型预测的结果更加吻合,R^(2)达到了0.985、0.997。RBF模型的预测精度要优于ANN模型,RBF模型预测热、冷负荷与数据集结果的R^(2)分别为0.989、0.992,而ANN的R^(2)分别为0.972、0.967。采用敏感性分析发现,影响建筑冷热负荷的8个参数中表面积的影响最显著,其次是墙面积、屋顶面积和玻璃面积,而玻璃面积分布及相对密实度的影响最不显著。

考虑化学突触的神经元网络抗扰特性研究

提出化学突触模型进行仿真建模,研究基于Hodgkin-Huxley神经元模型的神经元网络抗扰特性。采取HH神经元模型和化学突触,利用数值模拟的方法搭建生物神经元网络,通过改变化学突触参数研究在叠加一定高斯白噪声的正弦波信号刺激下神经元抗扰的特异性,分析不同刺激信号下神经元网络的信号传递模式。该文通过实验发现神经元网络的抗扰特性与化学突触模型具有相关性,改变化学突触参数对神经网络抗扰波形影响不同。

电磁感应效应对神经元网络中相干共振的影响研究

本文基于FitzHugh-Nagumo (FHN)神经元模型建立了含高斯白噪声和电磁感应电流的小世界神经元网络模型,仿真了噪声诱导神经元网络产生相干共振,并进一步研究了神经元网络中电磁感应强度对相干共振现象的影响。研究结果表明:中等强度的噪声可以诱导神经元网络发生相干共振现象,且相干共振的强度随着电磁感应的增强而增强。这是因为随着电磁感应强度的增大,FHN神经元的Hopf分岔点向静息态移动。本文的结果进一步丰富了神经元网络的随机动力学,同时也为神经系统中的相干共振现象的调控提供了有效方法。

基于人工神经元网络构建广电网络智能运维分析系统的实践

本文描述了一种基于神经元网络理论在广播电视播出系统中对监控对象事件信息进行智能分析的方法,并用部署实例对比了实践效果,实现了广播电视网络运营商对广播电视播出系统监控信息分析、风险预测和知识库共享的智能运维。

基于IWOA-SA-Elman神经网络的短期风电功率预测

由于风力发电的随机性和不确定性使其短期功率的预测工作十分困难,而神经网络模型依靠其强大的自学习能力在风电功率预测领域有着广泛的应用。但神经网络预测精度受初始权重影响较大,且易出现过拟合的问题。为此构建一种基于改进鲸鱼算法和模拟退火组合优化的Elman神经网络短期风电功率预测模型,模型首先利用改进鲸鱼算法结合模拟退火策略获得高质量神经网络初始权值,接着引入正则化损失函数防止其过拟合,最后以西班牙瓦伦西亚某风电场陆上短期风电功率为研究对象,将该算法与BP、LSTM、Elman、WOA-Elman、IWOA-Elman 5种神经网络算法进行算法性能测试对比,结果表明IWOA-SA-Elman神经网络模型预测误差最小,验证了该算法的合理性和有效性。

基于改进SFLA-Elman神经网络的电离层杂波抑制方法

针对高频地波雷达目标检测中电离层杂波的干扰问题,提出了一种基于改进混合蛙跳算法优化Elman神经网络预测抑制电离层杂波的策略。为解决混合蛙跳算法初始种群分布不均匀、收敛精度低、易陷于局部极值等问题,引入Cubic混沌映射、莱维飞行策略、非线性平衡因子和复制操作,增强种群多样性,提高算法搜索能力。利用改进后的算法和其他算法分别优化Elman神经网络预测抑制模型,结果表明,改进后的算法无论是在收敛精度和稳定性上,还是在临近距离单元电离层杂波的预测抑制上,都取得了显著的提升。在基本保留目标信号的基础上,平均信杂比较原始回波提升18.52 dB,较原始混合蛙跳算法提升1.08 dB,对于电离层杂波的抑制具有较高应用价值。

基于PSO-Elman神经网络的井底风温预测模型

目前井下风温预测大多采用BP神经网络,但其预测精度受学习样本数量的影响,且容易陷入局部最优,Elman神经网络具备局部记忆能力,提高了网络的稳定性和动态适应能力,但仍然存在收敛速度过慢、易陷入局部最优的问题。针对上述问题,采用粒子群优化(PSO)算法对Elman神经网络的权值和阈值进行优化,建立了基于PSO-Elman神经网络的井底风温预测模型。分析得出入风相对湿度、入风温度、地面大气压力和井筒深度是井底风温的主要影响因素,因此将其作为模型的输入数据,模型的输出数据为井底风温。在相同样本数据集下的实验结果表明:Elman模型迭代90次后收敛,PSO-Elman模型迭代41次后收敛,说明PSO-Elman模型收敛速度更快;与BP神经网络模型、支持向量回归模型和Elman模型相比,PSO-Elman模型的预测误差较低,平均绝对误差、均方误差(MSE)、平均绝对百分比误差分别为0.376 0℃,0.278 3,1.95%,决定系数R^(2)为0.992 4,非常接近1,表明预测模型具有良好的预测效果。实例验证结果表明,PSO-Elman模型的相对误差范围为-4.69%~1.27%,绝对误差范围为-1.06~0.29℃,MSE为0.26,整体预测精度可满足井下实际需要。

基于RSSR融合RNGO-Elman神经网络的室内可见光定位

针对动态环境下基于接收信号强度的传统可见光定位方法定位精度低、稳定性差等问题,提出一种基于接收信号强度比的改进北方苍鹰算法(NGO)优化Elman神经网络(RNGOElman)的室内可见光定位系统。提出选择一个辅助参考点,将待测参考点与辅助参考点的接收信号强度比值和接收机的真实位置作为训练集数据,建立不受动态环境影响的指纹数据库。针对NGO算法收敛速度慢、容易陷入局部最优等问题,利用折射反向学习策略初始化种群,增加种群多样性,引入非线性权重因子来加快收敛速度,避免陷入局部最优。使用优化后的NGO算法来优化Elman神经网络的初始权值和阈值,构建RNGO-Elman动态定位预测模型。仿真结果表明,在4m×4m×3m的实验空间下,优化后的RNGO-Elman定位模型平均定位误差为1.34cm,定位精度相较于Elman定位算法、NGO-Elman定位算法分别提高了82%,21%。在LED发射功率波动时,基于RSSR的RNGO-Elman定位误差为1.29cm,1.38cm。所提可见光定位方法具有定位精度高、定位性能稳定等优点。

基于神经元网络的超声传感器补偿算法及在井下机器人避障中的应用

详细分析了超声波传感器在测距应用方面的局限性,并针对每个局限性提出了解决方案。文章重点指出对超声波传感器进行温度、湿度的补偿,尝试用Elman反馈神经元网络逼近函数。Elman网络隐层采用了“tansig”激活函数,输出层选用了“pureline”激活函数,保证了只要有足够多的隐层神经元个数,网络就可以任意精度逼近任意函数。经实验验证,在对超声波测距传感器进行温度、湿度补偿后,其测量精度提高了两个数量级,大大提高了超声测距传感器的工作精度。在井下机器人避障系统中测试应用后,提高了避障系统的测量精确度,降低了避障系统的误判率,使井下机器人工作安全系数得到了提高。

短期电力负荷预测的小波神经元网络模型的研究

根据短期电力负荷预测的特点，提出一种负荷预测新算法——小波神经元网络负荷预测模型。它以非线性小波基为神经元函数，通过伸缩因子和平移因子计算小波基函数合成的小波网络，从而达到全局最优的逼近效果，同时有效地克服了人工神经元网络学习速度慢、难以合理确定网络结构、存在局部极小点的固有缺陷。经实例验证，该方法能有效地提高预测精度。

基于PI神经元网络的三相四开关电力有源滤波器研究

针对电力有源滤波器的应用越来越广泛,成本要求越来越高,并且容错需求也逐渐显现的情况,提出基于PI神经元网络控制器的低成本三相四开关电力有源滤波器。对PI神经元网络控制机理进行分析,设计其在三相四开关APF中的应用模型。参考经典电压空间矢量算法,对三相四开关APF电压空间矢量进行数学推算,对三相四开关APF电压空间矢量调制算法进行计算,提出确定矢量空间区间的"旋转坐标法"。最后进行仿真和实验,结果验证了所提理论的正确性。

基于神经元网络的薄壁筒滚珠旋压成形缺陷诊断

作为一种连续局部塑性成形工艺,滚珠旋压被应用于制造高强度、高精度的纵向内筋薄壁筒形件。通过使用铝合金作为旋压材料,在实验的基础上分析了滚珠旋压过程中金属材料非稳定流动的基本原理及旋压件产生表面质量缺陷的原因。以人工神经元网络为基础,对旋压件的表面质量缺陷进行了预测。实验证明,神经元网络能够精确地诊断旋压件的表面质量缺陷。

遗传算法优化管网神经元网络模型

拟利用BP神经元网络建立杭州市供水管网宏观状态模型。针对传统BP网络学习速度慢、网络结构难以确定等问题,引进遗传算法来优化改进算法的BP神经元网络的拓扑结构,模型预测结果较为理想。

基于HH模型的神经元网络的数值模拟与FPGA实现

目的提出了一种数值模拟结合硬件实现生物神经元网络的方法。方法运用Simulink与Dsp builder软件分别对HH模型神经元组成的神经元链网络、神经元环网络进行建模仿真,进而运用FPGA硬件实现生物神经元网络。结果通过对比,两种软件的仿真结果相同,验证了建模的一致性;再现了神经元链网络的神经元动作电位传导特性,神经元环网络的同步放电特性。FPGA硬件结果与对应的软件仿真结果相同,验证了硬件结果的正确性。结论运用FPGA实现具有生物特性的神经元网络是可行的。

基于主成分分析与BP神经元网络的驾驶能耗组合预测模型研究

近年来交通领域能源消耗问题备受关注,本文从微观交通能耗预测出发,以实现北京市快速路基础路段的油耗预测为目的,基于出租车车载OBD/GPS终端,提取驾驶员微观驾驶行为数据,建立基于主成分分析与BP神经元网络的油耗组合预测模型,实现北京市快速路基础路段油耗的准确预测.结果表明:速度均值及标准差、最大车速、工况百分比、加速度及减速度均值、行驶距离和动能对油耗影响程度相对较高;同时模型能够实现城市快速路基础路段能耗的有效预测,预测精度达到92.46%.该方法的研究为城市交通能源消耗的监管与把控提供了支持.

岩石工程数值分析中选择岩体力学参数的神经元网络方法

讨论了确定岩石工程数值分析中所需输入的岩体力学参数的人工神经元网络法，这种方法的优点是可以考虑较多非定量的岩体地质描述。应用实例表明，计算结果与实测结果比较一致。

RBF神经元网络在非线性系统建模中的应用

本文从径向基函数（RBF）神经网络的特点着手，分析了该网络存在的问题，并且对网络径向基函数中心的选取、计算以及网络的拓扑结构作了改进，最后用改进的径向基函数神经元网络对化工中的连续搅拌反应釜（CSTR）系统进行建模，结果表明方法有效．