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.     

基于蒙特卡洛法的铣削让刀误差概率分布预测

基于斜角切削理论,建立铣削力计算模型,求解得到铣削力.构建薄板受力变形的挠度函数,结合刀具的受力变形求解刀具-工件耦合变形的铣削让刀误差.采用神经网络拟合方法,求出输入铣削参数与输出最大让刀误差的函数关系.考虑刀具参数、材料参数、工件参数以及加工工况等随机参数对金属切削的影响,利用蒙特卡洛方法,对输入参数进行抽样,将参数样本代入神经网络拟合的函数模型中,获得铣削让刀误差样本,并分析其概率特性,从而提出一种铣削让刀误差的概率分布预测方法,较确定性计算铣削让刀误差的方法更加符合实际.     

非线性热传导反问题数值求解

引入Bregman距离函数,建立了非线性热传导反问题的一种数值求解模式,可对非线性导热系数和边界条件等宗量进行单一和组合识别．所建的有限元正／反演模型分别考虑了非均质和分布参数的影响,并应用同伦算法进行反演求解,探讨了信息测量误差和变量初值对反演结果的影响．数值验证取得了满意的结果．     

边坡岩体力学参数反分析方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法. 按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析. 反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性.     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

可交换条件下具有测量误差的结构回归模型

提出具有测量误差的结构回归模型，研究可交换条件下测量误差对平均处理效应估计的影响．在没有其它的附加条件下，尽管大多数模型参数不可识别，平均处理效应仍可识别．如果暴露组与对照组中协变量的测量误差同分布，那么测量误差只对平均处理效应估计的精度有影响．     

基于神经网络的机器人运动模型辨识及实验验证

为提高机器人模型辨识时神经网络的学习速度，改进得到一种新的神经网络拓扑结构——状态延迟输入动态递归神经网络．以德国PowerCubeTM模块化机器人为研究对象，将机器人关节位置信息和OPTOTRAK 3020三维运动测量系统测得的机器人末端位置信息作为神经网络的学习样本，对包含各种影响因素的机器人运动模型进行了辨识．并以此模型为基础，输入验证样本进行验证，所得结果及误差分析说明了该神经网络在学习能力上的优越性及辨识模型的有效性．     

删失数据下部分线性测量误差模型的统计推断

本文重点研究了当响应变量为随机右删失数据时部分线性测量误差模型的统计推断,在假定线性测量误差的前提下,引入工具变量后通过最小二乘法来估计参数,用局部多项式估计来近似拟合非参数部分.通过数值模拟,比较了使用工具变量和其他方法对参数估计结果的影响,以及与忽略测量误差时非参数函数图像的对比.最后通过实例数据应用,展示了此方法的实际样本表现.     

基于IAGA-BP算法的高拱坝-坝基力学参数反演分析

基于监测资料对坝体和坝基的力学参数进行反演,对大坝的安全评价具有重要意义。该文提出了基于改进自适应遗传算法和BP神经网络(IAGA-BP)的力学参数反演分析方法,采用考虑权重的绝对百分误差作为目标函数,可以针对多点监测资料和非线性数值仿真进行力学参数反演。基于正常蓄水位下拱坝坝体、坝基及拱肩槽边坡等25个测点的实测变形,对坝体混凝土、基础岩体及结构面的多个材料分区的11个关键力学参数进行了反演分析。结果表明,反演值和实测值吻合较好,将材料参数作为输入层、测点变形作为输出层有效避免了反演值的“失真”问题。针对高拱坝-坝基系统的力学参数反演,分析了神经网络拓扑结构、目标函数、训练样本数量等对反演结果的影响。     

基于GA-BP算法的隧道围岩力学参数反分析

建立智能位移反分析系统,用其确定隧道围岩的力学参数.针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值.结合均匀设计法在围岩力学参数初始域范围内设计实验方案,这样不仅减少了迭代时间和次数,还提高了预测精度.通过对绿春坝隧道围岩力学参数的反演,验证了该方法的可靠性及适用性.将反演得出的围岩力学参数代入到数值模型中进行计算,结果表明,数值计算值与现场实际监测值的误差分别为-8.9%和4.5%.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型,并基于正交试验获得的训练样本对网络进行学习,以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础,用蚁群算法来学习神经网络的权系数。利用反演结果,建立快速拉格朗日快速计算法(FLAC)模型,对地表沉陷进行预测。结果表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

尾砂充填体力学参数混沌优化反分析研究

采场尾砂胶结充填体力学参数难以在实验室得到,有必要用反分析方法获取.采用有限元方法对不同充填体力学参数的变形结果进行计算,建立充填体力学参数与其变形结果的神经网络映射模型.用混沌优化与神经网络映射模型相结合,实现了充填体力学参数反演计算.对安庆铜矿高阶段充填体工程实例进行了分析,得出了不同配比尾砂胶结充填体力学参数.研究结果表明,混沌优化与神经网络相结合的反分析方法能实现全局寻优,具有较高的计算精度.图2,表3,参8.     

边坡弹性模量反分析的模拟退火BP网络方法

通过模拟退火算法,对BP网络进行优化并编写了模拟退火BP网络程序,应用该程序对三峡永久船闸高边坡岩体弹性模量进行了位移反分析.结果表明,根据模拟退火BP网络反分析得到的弹性模量计算出的位移值和监测位移值差别较小.因此,模拟退火BP网络方法可以用于边坡岩体力学参数的反分析.     

具有未知控制方向的自适应神经网络控制

讨论了一类具有未知死区模型和未知函数控制增益的SISO非线性系统的自适应神经网络控制问题.根据滑模控制原理,并利用Nussbaum函数的性质,提出了一种自适应神经网络控制器的设计方案.该方案取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件.通过引入逼近误差的自适应补偿项来消除建模误差和参数估计误差的影响.理论分析证明了闭环系统是半全局一致终结有界,且跟踪误差收敛到零.     

不确定非线性系统的自适应反推终端滑模控制

针对一类具有未知非线性函数的严格反馈型不确定非线性系统,提出了一种自适应反推终端滑模控制方法。反推控制的前n-1步结合动态面控制技术设计虚拟控制律,第n步仅采用一个神经网络函数逼近器补偿系统所有未知非线性函数,得到了基于全局快速终端滑模控制的自适应神经网络控制器；通过引入一阶滤波器，不仅避免了传统反推控制存在的复杂计算,提高了系统的收敛速度,而且通过引入逼近误差和不确定干扰上界的自适应补偿项来消除建模误差和参数估计误差的影响,改善了稳态跟踪精度。理论分析证明闭环系统所有信号半全局一致终结有界，仿真结果验证了该方法的有效性。     

动态误差时间序列小波神经网络预测模型

基于现代误差修正技术,研究小波神经网络建立的动态测量误差预测模型,以进行误差修正,提高动态测量精度,避免了传统神经网络需要人为干预网络结构参数的不足。文章介绍了建模方法,重点对大轴圆度误差测量过程中的动态测量数据进行实例分析,结果表明,该模型预测精度高,具有重要的应用价值。     

电大尺寸矩形谐振腔耦合场的神经网络预测

以电大尺寸的矩形谐振腔局部点的前后门耦合场的计算,通过神经网络方法实现其他点耦合场的预测,判定矩形谐振腔的电磁敏感点.由于电大尺寸的矩形腔很难通过全波分析或小波分析获得特定条件下的耦合场,而神经网络方法不需考虑内部模型的复杂性便可实现非线性预测,因此将人工神经网络方法应用于电磁预测中可实现矩形腔耦合场的计算.通过电大尺寸矩形腔前后门耦合场实验方案,提取了目标参数,创建了BP神经网络的预测模型.即在平面波照射下,以入射波的功率,极化方向,预测点的位置坐标作为BP网络的输入参数,相应点的功率(电压)作为输出参数,经过适当的训练,建立耦合场的预测模型,并以此模型预测了腔体内探测点的耦合场.预测结果与实测结果相比较显示了该方法的有效性和准确性,为电大金属腔耦合场的计算提供了一种有效的方法.     

基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.