混凝土三轴循环本构关系的神经网络模拟

利用BP神经网络的模拟能力代替传统的力学方法，对混凝土材料的循环本构关系进行了模拟研究．首先回顾了此类模型的研究进展和构造方法。然后直接从试验数据出发，建立了混凝土三轴受压循环比例加栽条件下的本构模型．试验结果和模拟结果的比较说明，该模型具有较高的精度和良好的泛化能力．本研究结果进一步说明神经网络模型适合于描述多影响因素的非线性复杂因果规律，为研究材料本构特性提供了一条新的途径．     

液晶高分子黏弹流体材料的本构关系研究

讨论了液晶高分子黏弹流体材料受力与形变的关系即本构关系,在液晶高分子各向异性粘弹流体的本构理论基本理论原理的基础上,提出改进液晶高分子流体共转模型Oldroyd B（LCP-B）的本构方程．     

用模糊聚类分析法建立神经网络岩土本构模型

针对岩土类材料本构关系复杂的情况 ,采用BP网络建立了其本构模型 ,并从神经网络隐层的本质特征出发 ,对样本数据 (应力和应变信息 )采用模糊聚类分析法进行特征抽取 ,以确定隐层节点数目 .算例结果表明 ,该方法是可行的 ,并具有较直观的物理意义 ,可为样本的选取提供指导作用 .     

饱和粘土本构关系的神经网络模型

基于不同应力中径下饱和粘土的三轴试验和反问题理论，提出了用改进BP神经网络和径向基函数（RBF）神经网络这两种方法来建立粘土的本构模型。实例分析表明，两种模型对具体本构关系都能够很好逼近和预测，比较起来，径向基函数神经网络模型的稳定性好，且逼近速度快，而改进BP神经网络稳定性好，但逼近速度过慢。     

利用人工神经网络模型和Z-A模型对无氧Cu本构关系的对比研究

利用Split-Hopkinson bar装置上所得变形数据,研究并比较了冲击预变形铜的神经网络本构关系模型以及Zerrilli-Armstrong本构关系模型.在此基础上比较研究了两种模型对冲击预变形铜在不同热力学状态下流变应力的预测精度.本研究中神经网络模型的总的拟合度为0.9%,而Zerrilli-Armstrong模型的拟合度为8%.研究发现:Zerrilli-Armstrong模型相对于神经网络模型有较低精度的原因是由于物理模型把材料内部某些动态变量作为常数处理,而神经网络模型建模训练时已经包含了这些动态变化的因素.研究认为通过增加神经网络输入节点数可以扩大神经网络模型的应用范围.图2,表1,参12.     

神经网络智能算法在砂砾石本构模型中的应用研究

通过人工神经网络方法构建砂砾石材料的非线性本构模型,结合工程实例进行了有限元分析计算,提出了对有一定高度的同性材料按不同围压进行分区,并结合神经网络本构模型进行计算的方法;研究结论对神经网络在本构模型上应用的特点提出了基本的研究思路.     

工程材料本构模型辨识及参数反演新方法

概述了采矿、岩土、土木等工程材料本构模型辨识及物理力学参数的反 分析等研究;针对具体工程材料最佳本构模型的选择（模型辨识）及基物理力学参数确定问题,视工程对象（岩土体）为一复杂系统,施工中实测获得的工程对象随时间的响应（如载荷、变形位移等宏观信息数据）隐式地蕴含着工程材料的本构信息,即工程对象的应力－应变本构关系和模型的物理力学参数。作为系统识别模拟的理想工具,神经网络能够学习模拟到工程材料的本构关系,这样即工程对象体的本构模型和参数识别为一“黑箱”,给定某一应变向量就可得到期望的输出应力向量,而无需写出显式参数的数学表达式,此即基于神经网络的隐式材料本构模型－智能本构模型。     

BP神经网络方法预测改性聚乙烯醇的吸水率

用人工神经网络法来预测高分子化学反应产物的性能,通过研究顺丁烯二酸酐与聚乙烯醇反应制备吸水材料过程中反应物的配比、反应体系的温度、pH值以及反应时间等条件和产物吸水率之间的关系,得出了制备最大吸水率的反应条件。并通过人工神经网络方法建立BP神经网络模型,采用Matlab语言编写神经网络程序,再以实验测得的数据对网络进行训练,然后用训练好的网络对实验条件和吸水率之间的关系进行仿真,并将仿真结果和实验数据加以比较。结果表明,BP神经网络用于化学反应产物性能的预测是可行的.为神经网络在化学反应控制预测领域的应用奠定了基础.     

预变形Cu本构关系的神经网络模型和Z-A模型

利用Split-Hopkinson bar装置上所得到的变形数据，研究了冲击预变形铜的神经网络本构关系模型以及Zerrrlli-Axmstrong本构关系模型，比较了两种模型对冲击预变形铜在不同热力学状态下流变应力的预测精度．研究表明：神经网络模型的总的拟合度为0．9％，而Zerrilli-Armstrong模型的拟合度为8％；Zerrilli-Armstrong模型相对于神经网络模型精度较低，是由于物理模型把材料内部某些动态变量作为常数处理，而神经网络模型建模训练时已经包含了这些动态变化的因素；通过增加神经网络输入节点数可以扩大神经网络模型的应用范围。     

神经网络在非球面镜面型多项式反求中的应用

介绍BP神经网络的结构与学习算法,建立用于非球面镜面型多项式系数反求的BP神经网络模型,并且论述模型建立的步骤与原则方法,最后阐述了利用所建立的模型对非球面镜面型多项式系数反求的实施过程.研究表明,该方法能够较好地实现复杂非球面镜面型多项式系数的反求,并具有一定的容错能力.     

改进的神经网络并行算法及其在地震初至拾取中的应用

针对经典BP神经网络易于陷入局部极小点、易于产生振荡等缺点,提出了神经网络初始权值的二分法,改进了一种网络结构自动确定算法,并将随机算子和遗忘因子引入BP神经网络中.在提高全局寻优能力的同时,加快了网络的收敛速度.在分析了神经网络内在并行性的基础上,基于MPI实现了改进算法的并行化,将算法应用于地震资料的初至拾取,并取得了良好的应用效果,验证了算法的有效性.     

改进型 BP 神经网络自适应均衡器设计

针对传统的基于 BP 神经网络的自适应均衡器存在的缺陷,提出了一种改进的 BP 神经网络自适应均衡器的 FPGA 设计方法.从互连结构、训练法则及收敛算法等几个方面对 BP 网络进行改进,通过加入协调器提高 BP 网络收敛速度和容错性能,并根据 BP 网络的并行性能得到分块结构模型,同时采用流水线技术使计算速度明显提高.通过软件仿真,验证了这种结构简单、收敛速度较快的 BP 网络的有效性和可行性,并在ModelSim 工具上完成了自适应均衡器的仿真验证     

用BP神经网络法预测反相液相色谱保留值

运用逐步回归法筛选BP人工神经网络的输入元素改进BP网络的结构，并用于疏水分配常数及氢键作用能预测反相液相色谱保留值，结果表明，逐步回归法与人工神经网络相结合，能优化网络，大大提高网络收敛速度在很大程度上克服了通常BP网络过所合的缺点，较通常BP神经网络及回归法在处理构效关系方面有更强的信息处理能力和预测能力。     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

IWOA和BP神经网络的压缩机故障检测算法

针对压缩机故障难以检测与分类的问题,传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络容易陷入局部最优值的情况,从而导致了预测精度较低和稳定性较差的问题。因此,本文提出了改进的鲸鱼优化算法(IWOA)和BP神经网络的模型,首先通过优化WOA中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了IWOA的全局搜索能力和收敛速度,其次将IWOA对BP神经网络的权值和阀值进行深度寻优,从而提高了BP神经网络的预测精度和稳定性,最后将该模型运用到压缩机故障检测实验中。实验结果表明,与其他模型相比,证明了IWOA和BP神经网络提高了预测精度,且具有良好的稳定性。     

基于动量BP神经网络的英文字符识别

英文字符识别已经广泛地应用于很多重要领域.已有的英文字符识别算法很多,一种典型的算法是BP神经网络算法.但是,BP神经网络算法有时不收敛,或陷入震荡.这就导致识别率下降.为此,本文研究了一种改进的称为动量BP神经网络算法用于英文字符识别.这种算法在BP神经网络算法的网络参数控制中添加一个动量系数和一个动量项.这样可以避免迭代的震荡,加快收敛速度.提高识别率.利用动量BP神经网络算法,对52个英文大小写字符进行了识别试验.实验结果表明,这种算法能获得满意的识别率.     

基于BP神经网络的西洋参等级分类方法研究

以西洋参外观图像为基础数据源,从形状、颜色、纹理3方面入手提取表征等级差异显著的特征向量,构造输入数据集.基于BP神经网络采用经验法与枚举实验法相结合构建参数合理的等级分类模型.从收敛标准、自适应步长等方面对传统算法进行改进.进一步提高了分类精准度及实时性,实验结果显示,基于传统BP神经网络所构建的等级评判模型识别率达83.67%,改进后识别率达90.82%,且收敛速度较快.     

基于遗传神经网络的插铣铣削力建模与分析

本文首先对插铣铣削力进行了理论分析,并基于正交试验方法对铣削力进行了测量试验,然后利用遗传算法对BP神经网络的权值和阈值进行优化,建立了预测铣削力的遗传神经网络模型,最后将经过遗传算法优化的BP网络与未优化的进行对比分析.结果表明,经遗传算法优化后BP网络模型预测误差明显减小,网络的计算精度和收敛速度有了显著提高.     

水轮机特性的神经网络建模

针对水轮机特性难以用数学方法解析表达的问题，研究用神经网络对水轮机特性进行建模，并给出了具体步骤.水轮机单位流量和单位力矩特性的BP神经网络模型能真实地表达水轮机的非线性特性，且解决了插值法的导数不连续问题，从而改善了水击计算的收敛性，为用于工程计算和科学分析的水轮机特性表达开辟了新的途径.计算实例说明了该方法的有效性和实用性.     

基于贝叶斯神经网络的SPA-H热轧板力学性能预测

研究了基于贝叶斯方法的神经网络及其在SPA-H热轧板力学性能预测中的应用.在网络的目标函数中引入代表网络复杂程度的惩罚项,融入"奥克姆剪刀"理论,防止网络"过训练"的发生.考虑到网络在应用中的实际问题,在前人改进的算法基础上,采用Levenberg-Marquardt算法训练网络,提高了该网络的收敛速度.利用上述网络进行SPA-H集装箱热轧板力学性能预测,在收敛速度、稳定性和泛化能力方面都优于传统的BP神经网络.