基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型

建立了4-12-4结构的误差反向传播(BP)神经网络.以训练样本预测误差作为适应度函数,采用具有全局寻优功能的遗传算法得到最优化的BP神经网络的权值和阀值.以TIG焊接工艺参数电弧长度、保护气流量、焊接电流和焊接速度作为网络输入,焊缝的上余高、下余高、上焊宽和下焊宽作为网络的输出,优化后的BP网络模型具有良好的泛化能力和预测能力.     

基于近似模型和遗传算法的等离子喷焊工艺参数多目标优化

为了对等离子喷焊工艺参数进行优化,提高喷焊层的质量,通过径向基函数(radical basis function,RBF)神经网络近似模型和非支配排序遗传算法(non dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)遗传算法相结合的方法,对等离子喷焊试验数据,基于MATLAB平台进行训练,以此来构建显微硬度、磨损量和稀释率的近似模型,利用NSGA-Ⅱ遗传算法对模型进行下一步的多目标优化,最终得到帕累托最优解集,研究了工艺参数间的交互作用.结果表明:利用RBF-NSGA-Ⅱ遗传算法比响应面法能更显著地提高喷焊层质量.可见对等离子喷焊工艺的优化具有一定的参考价值.     

基于遗传-小波神经网络的短时交通量预测

针对短时交通量的高度非线性,提出一种基于遗传-小波神经网络的预测方法.该方法以前馈多层感知器的神经网络拓扑结构为基础,选择Morlet母小波基函数作为隐含层激活函数,以最简化结构概念进行网络泛化,并将误差反向传播,经遗传算法对网络连接权值修正.实例证明,该方法预测精度高,预测速度较快,能够满足实际工程的要求.     

基于NSGA-Ⅱ的Q355C气保焊形貌与性能多目标优化（英文）

为了揭示熔化极气体保护焊工艺参数对形貌与性能的影响规律，改善形貌与性能质量，以熔化极气体保护焊预热温度、焊接电压、焊接电流、焊接速度、干伸长为工艺参数，开展混合正交堆焊试验。基于试验数据建立了拟合回归模型来预测焊缝高宽比、硬度和残余应力。试验结果表明，高宽比随着焊接电压的增大而减小，随着焊接电流的增大先增大后减小；硬度随着预热温度和焊接速度的增大而增大，随着焊接电压、焊接电流和干伸长的增大而减小；残余应力随着预热温度的增大而增大，随着焊接电压和焊接速度的增大先减小后增大。基于回归模型，采用NSGA-Ⅱ算法实现多目标优化，并通过实验验证了焊缝高宽比、硬度和残余应力三者间的非劣解。三个输出指标验证试验结果与预测结果的误差值均小于10%，表明了该优化方法的可行性。研究结果为电弧焊接多目标优化及精细化应用提供理论指导。     

基于激光拼焊技术的汽车B柱结构优化设计

利用激光拼焊技术对某轿车B柱进行结构材料一体化设计,在轻量化设计的前提下对其入侵位移和入侵速度进行控制以满足整车侧碰安全性能.根据C-NCAP碰撞法规建立该轿车侧碰有限元模型,并验证了模型的准确性.基于网格节点变形技术创建B柱参数化模型并定义3个结构设计变量和2个材料类型设计变量,以其质量、中部最大入侵位移和最大入侵速度为优化目标,以其上部和下部最大入侵位移和最大入侵速度为约束条件,结合径向基（RBF）近似模型和非支配遗传算法（NSGA-Ⅱ）对B柱结构进行多目标优化设计,获得Pareto优化前沿,并讨论妥协方案验证对B柱多目标优化设计的效果.      

一种多核神经网络集成的地震要素预测方法

为了提高地震要素的预测准确度,在同一个网络模型中构建多种不同类型的基核函数,对不同种径向基函数构建多核神经网络集成模型,以提高网络的精度.从确定最优径向基神经元数、适当加大训练的目标误差等多个方面加以优化,减小最小训练误差和提高预测精度.采用多元回归分析法,对样本进行拟合得到子预测的多元回归系数,对子预测模型进行多元回归集成,数据反归一化处理,最终得到了经过回归集成的多核RBF预测模型.结果表明,这种多核神经网络集成的地震要素预测方法所建立的多元回归预测集成模型,能够使实际值与预测值的拟合达到最佳,从而获得较高精度的地震要素预测值.     

尺寸限制下的多翼离心风机蜗壳型线设计

为解决切割蜗壳型线造成多翼离心风机气动性能下降的问题,采用七个控制点构成的二次非均匀B样条(NUQBS)曲线表征蜗壳型线的扩张规律,并布置两个相近的控制点满足风机尺寸要求.为减少数值模拟的计算量,利用最优拉丁超立方试验设计方法,对控制点的3个设计变量进行空间采样.用径向基函数(RBF)神经网络模型建立设计变量与优化目标之间的响应关系,使用第二代非劣排序遗传算法(NSGA-Ⅱ)对其进行多目标优化.研究结果表明:RBF神经网络模型能准确预测设计变量与风机流量和效率之间的关系;优化后的蜗壳改善了风机内部流动状态,扩大了叶轮的做功范围;与原型机相比,风机的最大流量增大1.12 m~3/min,效率提高4.4%,气动噪声降低1.72 dB.     

时间序列预测在社会商品零售中的应用研究

神经网络和遗传进化的方法在时间序列预测中的应用已得到充分地认可,一些模型已经提出,例如多层感知器(MLP),误差反向传播(BP),径向基函数(RBF)网络和遗传规划算法(GP)等等。本文通过实例分析,比较了以上的几种方法,计算了各种预测模型的精度和推广预测能力。     

基于神经网络的IGBT结温预测

针对大电流下绝缘栅型双极晶体管(IGBT)饱和压降和集电极电流与结温之间的非线性关系带来的结温预测难题,搭建了大电流下IGBT饱和压降测试系统,获取了结温和集电极电流与饱和压降之间的非线性关系曲线,分析了关系曲线变化规律对应的物理机制.采用Matlab软件建立了误差反向传播(BP)神经网络模型和径向基函数(RBF)神经网络模型进行结温预测.与多项式数学模型预测结果对比表明:两种神经网络模型的预测相对误差和预测误差90%置信区间比多项式数学模型更小,结温预测精度更高;并且BP神经网络模型的预测精度高于RBF神经网络模型,结温预测模型选择时应优先考虑BP神经网络模型.     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

基于遗传神经网络的AZ91镁合金力学性能预测

在合适的参数条件下径向基函数神经网络能够以任意的精度来逼近任意的函数,遗传算法是一种高效的全局寻优的搜索方法.将遗传算法和径向基函数神经网络相结合,建立遗传神经网络,运用到合金设计的性能预测方面.使用简单易行的二进制编码方法,在寻求径向基函数神经网络隐含层神经元最优中心矢量的同时确定其最优个数,通过设定合理的目标函数解决网络函数逼近能力与泛化能力之间的矛盾.试验证明,该方法在合金性能预测方面有较好的效果,能够成为合金设计有力的辅助手段.     

基于近似模型的机床铣削质量稳健性优化设计

在铣削加工优化设计过程中，设计变量的不确定性通常被忽略，这容易导致优化解违反优化设计约束条件.为此，本文基于近似模型方法，开展铣削参数的多目标稳健性优化设计研究.在该优化设计方法中，采用多项式响应面模型和径向基函数模型近似模拟铣削过程最大铣削力、铣削后工件表面粗糙度两目标函数与铣削线速度、每齿进给量两设计变量之间的隐式关系，采用NSGA-Ⅱ多目标遗传算法结合蒙特卡洛模拟方法对比分析了针对铣削参数的常规确定性优化以及考虑设计变量波动的稳健性优化.结果表明：稳健性优化后的铣削参数有效地降低了铣削加工过程中的铣削力，提高了加工后工件表面质量，同时优化解具有较高的可靠性.     

基于改进径向基函数神经网络的交通出行选择策略分析

利用逻辑回归方法分析影响交通出行选择的各种因素;建立基于径向基函数神经网络的交通出行选择预测模型,同时建立基于线性回归-径向基函数神经网络模型和基于逻辑回归-径向基函数神经网络模型预测人们出行方式选择高铁还是火车.结果表明,与单一径向基函数神经网络算法相比,回归-径向基函数神经网络组合算法预测准确率更高,而逻辑回归-径向基函数神经网络可有效减少非重要因素影响,并能提升预测准确率,取得较佳预测效果.     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.     

一种基于覆盖超球算法的径向基概率神经网络结构优化

介绍了径向基概率神经网络(RBPNN)的一种启发式结构优化算法.该算法首先提出一种移动平均中心超球覆盖算法,并用于初选径向基概率神经网络的隐中心矢量,然后使用遗传算法进一步优选隐中心矢量,同时优化核函数控制参数.实验结果表明,该算法在实际应用中能够加快优化速度,降低计算复杂度,有效地简化RBPNN模型的结构.     

基于遗传算法径向基神经网络的交通流预测

为提高径向基（RBF）神经网络预测模型对交通流预测的准确性,提出了一种基于遗传算法优化径向基神经网络的交通流预测方法。利用遗传算法优化径向基神经网络的权值和阈值,然后训练RBF神经网络预测模型以求得最优解,并将该预测方法与RBF神经网络和BP神经网络的预测结果进行对比。仿真结果表明,该方法对交通流具有较好的非线性拟合能力,预测精度高于径向基神经网络和BP神经网络。     

基于支持向量机的炭黑工艺建模

将支持向量用于炭黑工艺建模，并与主成分回归、反向传播人工神经网络以及径向基神经网络建模方法相比较．结果表明，炭黑生产过程具有比较强的非线性，不适合用主成分回归方法建立模型，支持向量机对炭黑吸碘值和吸油值的相对预测误差分别为1．62％和1．31％，所构建的模型的预测准确度明显优于反向传播人工神经网络(2．54％，1．64％)，稍优于径向基神经网络(1．85％，1．38％)。     

基于NSGA-Ⅱ的DP船舶推力分配方法研究

针对动力定位(DP)船舶的推力分配问题,首先建立了关于推进器能耗、磨损以及推力误差的多目标优化目标函数,然后通过分析推力禁区、死区、饱和、推力变化率和方位角变化速率等约束条件,给出了多目标优化问题的约束不等式,最后利用改进的非支配排序遗传算法(NSGA-Ⅱ)对所提出的推力分配多目标优化问题进行了仿真验证.仿真结果表明:采用NSGA-Ⅱ算法进行推力分配可以有效降低推进器的能耗,在工程应用方面具有一定的可行性.     

基于QPSO-RBFNN的短期电力负荷预测模型

为了提高短期电力负荷预测的精度,提出了一种量子行为粒子群优化(Quantumbehaved particle swarm optimization,QPSO)算法和径向基函数神经网络(Radical basis function neural network,RBFNN)相结合的电力负荷短期预测模型。通过K-均值聚类算法确定RBFNN的基函数中心,并用粒子群优化算法优化神经网络权值,在加快RBFNN收敛速度的同时提高预测精度。以实际负荷数据进行预测验证,预测负荷的均方根误差小于0.01,验证了模型的合理性和有效性。     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.