微构件的力学性质分析与验证

分析了微悬臂梁的挠度与载荷、微悬臂梁的长度、宽度的力学关系.提出了一种改进的BP神经网络算法,并用该算法进行挠度与载荷在不同条件下关系的拟合实验,验证了力学分析的结论.理论和实验都表明:当其他参数固定时,挠度与悬臂梁的长度正相关,与悬臂梁的宽度负相关;挠度在较小的范围内与载荷呈线性关系,在形变位移到达最大值时接近于常量.     

改进粒子群算法在BP神经网络拟合非线性函数方面的应用

为解决BP神经网络拟合非线性函数的预测结果误差较大问题,笔者将标准粒子群算法进行改进,形成基于免疫接种的粒子群算法(IPSO);然后将该算法与BP神经网络理论相结合,实现基于IPSO算法优化的BP神经网络非线性函数拟合算法。新的拟合算法首先确定BP神经网络结构,然后用IPSO算法优化初始权值和阈值,最后进行BP神经网络预测。数值实验表明,本文提出的IPSO算法提高了BP神经网络的拟合能力,减小了拟合误差,提高了拟合精度。     

基于偏最小二乘的BP网络模型及其应用

基于BP网络模型具有拟合非线性数据的特性,提出一种基于非线性迭代偏最小二乘算法(NIPALS)的BP网络的构造策略,构造了新的PLS-BP网络模型,使BP网络减少迭代步数,提高学习效率.采用非线性迭代偏最小二乘算法预处理数据,将得到主成分数、自变量和因变量的主成分数的权重以及主成分间的关系矩阵B,以此用来确定BP网络的隐节点数和输入层、输出层的初始权值以及隐节点的关联系数.最后,进行仿真实验,并将它与PLS模型、标准的BP网络模型进行了比较,仿真结果表明,拟合和预测效果较好.     

一种低复杂度LDPC译码器的FPGA设计与实现

利用切比雪夫多项式良好的逼近性,提出了基于切比雪夫多项式拟合的BP译码算法,并将该算法在FPGA上进行了实现.该算法利用切比雪夫多项式拟合算法对传统BP算法中的复杂函数进行拟合,用少量的乘法和加法运算代替传统BP算法中的复杂函数.此外,调整得到的多项式系数,使其便于硬件实现.同时,提出一种基于移位运算的切比雪夫结构,减小因乘法器的实现带来的复杂度;并提出基于流水线设计的半并行结构,设计并实现了低复杂度的BP译码器.实验结果表明,相比于相关工作,这种结构能有效减少硬件资源.     

微构件弹性模量悬臂梁法测量的模糊建模及分析

在介绍悬臂梁法测量微构件弹性模量原理的基础上，分析了测量和评价过程的主要不确定因素，将模糊数学方法引入弹性模量的评价过程．在常规模型中，给予有关参数一定的变动范围，以隶属函数表示其取值分布情况，建立了基于模糊集的评价模型．其中，悬臂梁试件的刚度系数由载荷一有效挠度曲线经模糊加权线性回归拟合获得，其几何尺寸考虑为正态分布模糊数，利用水平截集概念转化为普通集规划问题求解．对单晶硅(100)悬臂梁试件的实验数据进行了计算，得到不同置信水平下的弹性模量评价区间．研究结果表明，带有模糊参数的弹性模量评价模型能适当吸收一些不确定因素，同时由于考虑了测量中多种因素的影响，评价结果与实际情况符合较好，因此更具有参考价值．     

基于应变梯度理论的纳米悬臂梁的大位移分析

以Aifantis发展的应变梯度理论为基础,探讨微纳米尺度下线弹性悬臂梁受集中载荷作用下的大变形问题。基于Euler-Bernoulli梁理论,考虑应变梯度的影响,建立悬臂梁发生大变形时的弹性微分方程,并给出相应的边界条件。通过打靶法并借助于Math CAD软件,求得考虑应变梯度时悬臂梁在自由端集中载荷作用下的挠度数值解。结果表明,在微纳米尺度下应变梯度对悬臂梁的变形有较大影响,弹性变形梯度系数对梁发生大变形比发生小变形时的影响更明显,且弹性梯度系数对于梁的变形有抑制作用。     

PZT压电薄膜的压电系数d 31的测量及其微悬臂梁简谐振动模拟

介绍了一种应用微悬臂梁结构，简单直接测量其中压电薄膜PZT的横向压电系数d31的方法。利用微悬臂梁器件本身和普通仪器，通过测量电压作用下微悬臂梁所产生的挠度值即可获得d31。还介绍了应用所测的d31对微悬臂梁的谐振进行有限元模拟的方法，及与振动实验结果的比较。     

BP神经网络智能入侵检测系统设计

为了解决传统静态安全技术缺乏对入侵进行主动检测的机制,而且在使用过程中需要人工实施和维护,难以满足当前网络安全要求的问题;一种针对误差信号函数和学习规则进行改进的BP算法在分析标准BP算法存在的问题和其原因的基础上被提出;采用该改进算法构建了一种结合误用检测和异常检测技术的基于BP神经网络的智能入侵检测系统模型;仿真实验结果表明与标准BP算法相比,该改进算法具有学习过程快的优点,并且该系统具有较高的检测正确率并能检测出新的未知的攻击模式。     

改进BP算法在入侵检测技术中的应用

针对传统BP算法收敛速度慢且容易陷入局部极小的缺点,提出了一种基于Cauchy鲁棒误差估计标准方法的改进BP算法.传统BP算法之所以收敛速度慢及容易陷入局部极小,主要原因在于采用的误差估计标准过度重视了样本的异常值,而Cauchy鲁棒统计误差估计能够减少样本异常值的影响,在一定程度上摆脱对初始权值和阈值的依赖性,进而提高算法训练样本的速度和入侵检测的精度.将改进后的BP算法用于入侵检测中以解决入侵检测系统要求较高的实时性难题.仿真实验取得了较好的效果.     

BP神经网络算法的改进及其在手写体汉字识别中的应用

分析BP算法的基本原理,指出BP算法具有收敛速度慢、易陷入局部极小点等缺陷以及这些缺陷产生的根源.针对这些缺陷,通过在标准BP算法中引入变步长法、加动量项法等几种方法来优化BP算法.应用实例利用MATLAB软件对标准BP算法及其改进的算法进行语言编程、仿真.实验结果表明,这些方法有效地提高了BP算法的收敛性,避免陷入局部最小点.同时,将改进的BP神经网络算法应用于脱机手写体汉字识别系统的实现,实验表明系统较好地回避了汉字结构复杂、变形难以预测等问题,提高了识别率.     

基于Bayesian正则化算法的非线性函数拟合

为克服常规BP算法在解决非线性函数拟合时泛化能力不强的问题,本文研究了用贝叶斯正则化算法来提高网络泛化能力的问题,结果表明在相同网络规模或误差条件下,Bayesian正则化算法泛化能力明显优于基本BP算法及其它改进的BP算法,且收敛速度较快,拟合效果好。     

基于BP神经网络改进算法的遥感图像分类试验

BP神经网络分类方法是一种新的模式识别方法,在遥感图像分类识别处理中有良好的应用前景。本文在阐明标准BP算法及其改进算法——Levenberg-Marquardt算法的基础上,介绍了BP神经网络的遥感图像分类过程,并在MATLAB平台下对基于BP神经网络的分类算法进行了试验。实验结果表明基于BP神经网络的遥感图像分类方法是一种有效的图像分类方法。     

一种改进人工鱼群算法对BP神经网络的优化研究

针对BP神经网络存在易陷入局部极值的缺陷,提出一种基于改进的人工鱼群算法优化的BP神经网络.先用改进的人工鱼群算法优化BP神经网络的初始权值和阀值,然后再执行BP算法训练BP神经网络的权值和阀值.函数拟合仿真实验表明该优化方法提高了BP神经网络的泛化性能.     

基于局部特征点检测与匹配的微悬臂梁变形受力测量方法

提出了一种基于局部特征点检测与匹配的微悬臂梁变形受力测量方法.通过光学显微镜得到微悬臂梁变形前后的图像和基于放大的微悬臂梁表面的散斑纹理特征，在尺度空间中定位具有局部响应极值的LOG（Laplace of Gaussian)特征点，并在LOG特征点周围提取局部仿射不变封闭区域，其质心可以作为具有亚像素精度的特征点位置.由封闭区域构造仿射不变特征描述算子并进行特征点匹配，根据匹配点的位移信息进行悬臂梁弯曲挠度曲线拟合以描述微悬臂梁的弯曲变形，并采用最小二乘法计算悬臂梁受力大小与受力点.通过对实际的微悬臂梁变形图像实验，验证了所提方法的有效性.     

均布载荷作用下矩形截面梁的弹塑性弯曲

采用弹塑性理论研究了均布载荷作用下的矩形截面梁弹塑性弯曲问题,推导出了矩形截面悬臂梁的弹塑性弯曲挠度表达式,并重新推导出了矩形截面简支梁的弹塑性弯曲挠度表达式,更正了有关文献在研究均布载荷作用下矩形截面简支梁弹塑性弯曲时存在的错误．     

关于对BP神经网络算法改进的研究

为了减小标准BP算法中迭代次数并提高其收敛速度，现提出将负梯度下降法与DFP变尺度算法相结合进行权值修正的方法．在误差寻优初期，首先采用标准BP算法进行迭代，每迭代一次的工作量较小、所需存贮量较少，义对初始点的要求不高．然后，当寻优过程开始接近最优时，更改寻优算法，即使用DFP变只度算法．最后，运用MATLAB工具箱和VisualBasic实现算例．实验结果表明；改进后的BP算法减少了迭代次数，提高了寻优的收敛速度．     

用粒子群算法优化BP神经网络进行函数拟合

由于BP网络具有收敛速度慢和容易陷入局部极值,为了提高BP网络预测的准确性,本文提出了用粒子群(PSO)算法来优化BP网络,并进行非线性函数拟合.用PSO迭代算法找到最佳的网络权值和阈值,再以网络的正向传播的最小误差作为目标函数指导PSO的优化.将该算法与标准BP算法进行matlab仿真比较.实验结果表明,优化后的网络拟合误差小,效果更好.     

基于粒子群优化的神经网络在教学质量评价中的应用

文章提出了一种将粒子群优化(PSO)算法训练的神经网络用于高校教师教学质量综合评价的方法。该方法使用由PSO训练的BP模型来拟合影响教师教学质量评价的众多指标与评价结果之间的复杂关系。与BP算法比较,该方法在提高误差精度的同时可以加快训练收敛的速度,其泛化性能也比较好。     

基于SVM的BP改进新法

BP人工神经网络算法作为一种基本算法在许多领域中都有着广阔的应用前景.但由于其本身的缺陷而很难投入实际应用.给出了一种基于SVM(Support Vector Machines)的BP改进回归算法,有效地提高了算法的收敛速度,减少了迭代次数,提高了回归预测的精度.     

基于动态补偿神经网络误差修正的广义预测控制

本文采用权值可在线调整的动态补偿神经网络(动态BP网络)对模型预测误差进行拟合,从而显著提高了基于线性模型的非线性广义预测(GPC)的预测精度,增强了算法的鲁棒性。仿真实验证明了该算法的有效。