基于遗传算法优化神经网络的拼焊板压边力预测

通过数值模拟与神经网络技术对拼焊板盒形件拉深成形过程中的压边力预测问题进行研究.运用数值模拟分析压边力加载形式对拼焊板盒形件成形性能的影响，找到一种较优的变压边力加载方式.建立适用于拼焊板盒形件拉深成形压边力预测的BP神经网络模型.采用遗传算法对神经网络模型进行优化，在基因选择过程中加入精英保留策略，最终通过基于遗传算法优化的神经网络模型获取了理想的压边力曲线，用以预测随拉深行程变化的压边力数值，为实现智能化冲压奠定了技术基础.     

基于BP神经网络的暂降域识别方法

暂降域是电力网络中使得电压暂降敏感用户无法正常工作的故障点所组成的区域,准确识别暂降域是电网暂降严重程度评估的基础。为了解决现有的暂降域识别方法所需样本点多、计算量大,识别精度低的问题,提出了一种基于BP神经网络的暂降域识别方法,利用BP神经网络算法的非线性拟合特性,拟合电压暂降幅值和故障点位置的内在非线性关系,利用该拟合结果计算得出确定阈值下的暂降域临界点,根据临界点得出暂降域识别结果。在IEEE30节点测试系统中对本文方法进行仿真验证,结果表明方法适用于不同的电网结构和不同的故障类型,能够准确地进行暂降域计算。     

基于灰色网络组合优化的年增油量预测

老井措施增油成为油田稳产、降低油田区块开发成本的必然选择。针对多项式回归预测的局限性、灰色理论不能反映影响因素特征、神经网络需求数据多且数据敏感性差等特征，通过建立最优控制模型，实现GM（1，1）灰色理论与神经网络的高精度组合预测。以某油田区块2011-2018年的措施增油为例，对影响措施增油量的因素进行识别，建立了最优控制灰色神经网络模型对老井措施年增油量进行预测，相比多项式回归预测、GM（1，1）预测及BP神经网络预测方法，新模型模拟效果更好，预测精度更高。新方法对2018年措施年增油量的预测精度达97.34%。基于最优控制的灰色神经网络模型可以作为一种人工智能组合最优化模型预测措施年增油量，为准确预测措施增油效果，指导油田开发决策提供了新的思路。     

基于售后服务记录的卡车动力转向系统漏油分析与预测

为了分析卡车动力转向系统的漏油原因,同时避免车辆漏油问题的进一步恶化,提出一种基于售后服务记录的漏油分析预测方法。首先采用自然语言情感分析技术,通过结合注意力机制的双向长短期记忆神经网络模型(Att-BiLSTM)根据漏油描述文本进行漏油程度量化;然后采用随机森林(RF)算法并结合BP神经网络,基于卡车相关生产数据对漏油的主要原因进行分析,并建立漏油程度预测模型。通过实例验证了本文方法的有效性。对漏油相关原因的分析结果可为卡车制造企业提供工艺改进的依据,同时,根据预测模型分析漏油程度的恶化趋势,可避免严重漏油事故的发生。     

LDPC 码改进型LBP 译码算法研究

针对LDPC(Low Density Parity Check) 码分层( LBP: Layered Belief Propagation) 译码算法计算复杂度高、不易于硬件实现的问题, 提出一种改进算法。该算法首先引入函数f(x)使LBP译码算法的计算复杂度大大降低; 同时引入具体参数校正因子和偏移因子, 提升译码性能。仿真结果表明, 改进后的算法相比LBP 算法在计
算复杂度降低的同时, 也提升了译码性能, 从而达到了易于硬件实现的目的。     

基于熵权法的飞机燃油流量全航程组合预测

在复杂的航班运行中,影响各飞行阶段的主要因素不尽相同。以当前使用范围较广的B737NG飞机所使用的快速存取记录器(Quick Access Recorder,QAR)的大量数据进行研究,将航段划分为巡航、爬升、下降等阶段,利用熵权法确定不同预测模型的权系数,建立全航程组合预测模型。利用Pearson相关性系数分析筛选建模数据,以平稳小波Rigorous SURE的方法对数据进行预处理、滤波去噪。针对BP神经网络(误差反向传播网络)在飞行状态复杂的下降及地面阶段预测效果不理想,引入回归模型进行修正。以熵值法确定动态权系数,即结合飞行阶段进行分段预测,以飞行参数为基础建立燃油流量(FF)的全航程组合预测模型。通过仿真分析,并选取航班中普遍且具代表性的情况验证预测模型的精确度,误差范围均在±3.5%内,证明该模型合理且具有较广的适用范围。     

团簇CoFe2BP的结构及催化性质

利用DFT(密度泛函理论)方法,在B3LYP/Lan12dz水平下,对Co Fe2BP团簇的二十几种可能构型进行全参数优化和相关频率计算,共获得二、四重态稳定构型各5种,对这些构型的立体结构及其能量、成键情况和催化活性等性质进行了分析,得出如下结论:(1)在Co Fe2BP团簇的各优化构型中,构型1(4)的稳定性最好,四重态的稳定性要大于二重态的,多重度对构型稳定性影响较大;(2)金属原子与非金属原子之间的成键对构型的稳定性起主要作用,其中金属原子与B原子更易成键,B、P原子之间存在近距离接触;(3)金属原子Fe和Co是Co Fe2BP团簇前线轨道的主要贡献者,Fe和Co原子是催化剂潜在的活性位;(4)具有近似平面型结构的构型4(2)和4(4)表现出良好的催化加氢活性。     

Software Maintainability Prediction with UML Class Diagram

Software system can be classified into many function modules from the perspective of user. Unified modeling language( UML) class diagram of each function module was extracted,and design characteristic metrics which influenced software maintainability were selected based on UML class diagram.Choosing metrics of UML class diagram as predictors,and mean maintenance time of function module was regarded as software maintainability parameter. Software maintainability models were built by using back propagation( BP) neural network and radial basis function( RBF) neural network, respectively and were simulated by MATLAB. In order to evaluate the performance of models,the training results were analyzed and compared with leaveone-out cross-validation and model performance evaluation criterion. The result indicated that RBF arithmetic was superior to BP arithmetic in predicting software maintainability.     

基于RS-BPNN理论的边坡稳定性预测及应用

从文献资料中收集并整理了45组各类危险边坡数据实例,结合粗糙集理论的数据挖掘功能和BP神经网络理论的非线性映射功能,建立了基于粗糙集-BP神经网络(RS-BPNN)理论的边坡稳定性预测模型.利用粗糙集对离散化后的数据进行了属性约简,利用神经网络对约简前后的数据进行了网络训练和仿真,并对其中五组边坡的安全系数和稳定状态进行了预测.结果表明,未经约简的BP网络安全系数预测的平均误差率为14.51%,约简后的RS-BP网络预测的平均误差率为7.24%,且经过粗糙集约简后边坡的预测状态与边坡的实际状态更加吻合.     

基于应变模态小波神经网络的结构损伤识别方法

以框架结构为研究对象,利用小波分析和神经网络理论,结合二者的优点,运用小波分析来确定框架结构的损伤位置,运用神经网络算法来识别损伤程度,给出了基于应变模态参数识别框架结构损伤的原理,建立了一种识别结构损伤的小波神经网络方法.通过建立基于振型模态和应变模态的损伤识别方法,分别对9种不同工况下框架的裂缝位置进行识别,并对比了这2种模态下损伤位置的识别效果.然后,分别对框架的振型模态和应变模态进行连续小波变换,获得2种模态参数下的小波系数模极大值.利用神经网络去模拟小波系数模极大值与损伤程度之间的非线性关系来识别结构的损伤程度,并对比了这2种模态下损伤程度的识别效果.数值分析结果表明,小波神经网络可以有效地识别出结构的损伤位置和损伤程度,基于应变模态的损伤识别方法具有更好的准确性.