BP神经网络预测高水分农产品物料比热的探索

高水分农产品物料的比热是农产品加工工程研究和农产品加工设备设计中的重要热特性参数之一．预测精度关系到所设计加工设备的质量、性能的优劣．本文建立了高水分农产品物料比热的ＢＰ神经网络模型,比较了二元回归模型和ＢＰ神经网络模型对高水分农产品物料比热的预测效果,得到ＢＰ神经网络模型的预测精度高于二元回归模型．     

应用神经网络预测高水分食品物料平衡含水量

介绍了用ＢＰ神经网络技术预测高水分食品物料平衡含水量的方法，并用试验数据进行了数学建模。实验证明，ＡＮＮ建模方法比逐步回归方法更合理，提高了预测精度，消除了模型欠适应现象。     

基于BP神经网络的CVC冷连轧机板形预测控制模型

将ＢＰ神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于ＢＰ神经网络的板形预测控制数学模型,经用宝钢１４２０ｍｍ冷轧实测数据仿真验证表明该模型具有很高的预测精度。     

高水分农副产品物料比热的研究

本文以苹果,辣椒为典型物料,研究了高水分农副产品物料的比热及其测试方法。得出了高水分物料比热与含水量之间的线性回归方程式,并初步探讨了比热与温度的关系。     

热连轧轧制力模型系数回归的新方法

热连轧过程中,为了提高轧制力预设定精度,提出一种新的修改轧制力模型参数的方法·利用ＢＰ神经网络对以往的大量生产数据进行训练、预测·对ＢＰ神经网络的预测结果利用最小二乘法,回归出轧制力模型中的温度相关系数ｍ１和变形速度相关系数ｍ３·现场生产实验证明,应用修改后的轧制力模型系数,提高了轧制力预设定精度,从而使头部厚度精度有较大提高·对于象本溪钢铁公司热连轧厂这样的老企业,这种新方法更具有在线应用的可行性·     

基于样本数据重抽样的时序数据预报方法

研究时序数据预报和提高预报精度的方法,提出了一种新的利用误差项对时序数据样本进行ＢｏｏｔＳｔｒａｐ重抽样的方法。该方法采用神经网络技术建立时序数据预报模型,并通过重抽样技术提高预报精度。通过ＢｏｏｔＳｔｒａｐ算法与ＢＰ算法的预报偏差平方和比较说明ＢｏｏｔＳｔｒａｐ算法提高了预报精度,将提出的重抽样技术引入时序数据预测中,可提高神经网络的预测精度,并适用于股票价格及外汇交易预测等效应领域。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

地震属性参数神经网络油气预测应用研究

论述了油田区块开发前期和中期的油气预测的方法及实际应用问题．主要利用三维地震资料提取地震属性参数,并采用模糊神经网络技术,即将模糊概念和ＢＰ神经网络结合一体进行预测．为使ＢＰ神经网络尽快收敛,减小振荡,增强网络的可靠性,还提出了两种主要修正ＢＰ网络的方法,其一为动态调节学习率;其二为动态调整权系数参数．通过实例分析认为：该方法的精度和可靠性较高,其预测结果为油田开发区块增产上储提供了较可靠的依据．     

高速走丝电火花线切割加工工艺建模方法研究

为了实现对高速走丝电火花线切割加工工艺效果的预测,以脉冲宽度、脉冲间隔、峰值电流及工件厚度为输入参数,以切割速度和表面粗糙度为输出参数,分别用非线性回归分析法和BP神经网络技术建立了工艺模型,并对两种模型的预测结果进行了比较。结果表明,两种模型均能反映线切割机床的加工工艺特性,可用于对给定切割条件下切割速度和表面粗糙度的预测,但神经网络模型具有更高的预测精度。     

美元/欧元汇率的趋势与波动分析及区间预测

对美元/欧元汇率进行趋势与波动分析并作出区间预测。利用BP神经网络提取趋势,对残差分别运用自回归移动平均模型和广义自回归条件异方差模型分析波动性,将趋势与波动性结合给出区间预测。对2001年7月至2017年10月美元/欧元汇率的研究发现,BP神经网络具有很好的非线性刻画能力,但只有合适的预测精度才能得出较好的预测区间,同时也发现,广义自回归条件异方差模型对波动性的分析效果优于自回归移动平均模型。因此,BP神经网络模型与广义自回归条件异方差模型的组合模型(BP-GARCH模型)更适合时间序列的中长期区间预测。通过调节BP神经网络的参数、误差及预测精度提高组合模型的精度。     

电火花加工工艺效果建模

研究了电火花加工（ＥＤＭ）技术的加工机理。以峰值电流、脉冲宽度、脉冲间隔、抬刀时间和加工时间为输入参数,并以加工速度和表面粗糙度为输出参数,分别用神经网络技术与非线性回归技术建立了ＥＤＭ工艺模型。经过实验数据的比较,认为这两种模型均能较精确地预测出给定条件下的加工速度和表面粗糙度,反映了该机床的加工工艺规律。其中,利用神经网络建立的模型具有更高的预测精度。     

轧制力预报中的神经网络和数学模型

采用ＢＰ神经网络方法预报热连轧精轧机组轧制力·通过训练数据预处理、利用遗传算法优化网络结构和参数、按钢种划分训练样本等方法,提高了网络的预报精度,优于传统的数学模型方法·ＢＰ神经网络与数学模型相结合的综合神经网络方法,进一步提高了轧制力的预报精度·预测结果与实测数据比较表明,相对误差基本在±７％以内,实现了精轧机组轧制力的高精度预报     

多层神经网络BP算法的改进

多层神经网络ＢＰ算法的改进姚瑞波孙国雄汤崇熙（东南大学机械工程系，南京２１００１８）目前，前馈型多层神经网络模型已广泛应用于模式识别、语音识别、数据压缩等领域．ＢＰ算法作为其学习方式有效地解决了ＸＯＲ、Ｔ－Ｃ匹配问题，但ＢＰ网络的学习过程是对一个高...     

神经网络在光栅系统动态测量精度分析中的应用

设计了一种基于计量光栅的光栅全系统动态测量精度分析装置。针对实验所得的此光栅系统在五种不同速度下的动态测量误差，对误差特性进行了分析，并应用ＢＰ神经网络进行其误差分布特性的预测及动态测量误差的预报，结果表明ＢＰ神经网络可用于动态测量中的误差预报，从而可为动态测量误差预测、修正与补偿提供有效的手段和依据。     

利用神经网络外推预测干燥过程降水率

利用神经网络所具有的捕捉过程输入－输出之间的非线性关系的能力和强大的学习推理能力,给出了一种基于神经网络的外推预测垂直对撞流干燥过程降水率的方法．为提高预测的快速性和准确性,针对ＢＰ算法学习参数难以确定的缺点,给出了一种基于目标函数的一阶和二阶导数同时优化学习率和确定动量系数的方法,并将此法应用于外推预测物料降水率的过程之中．仿真结果表明,对于运动规律十分复杂、目前仍无法从其内部的运动机理和传热传质特性出发建立干燥特性预测模型的一类高强度的干燥方式而言,文中所提出的神经网络模型能够较正确、快速地预测干燥过程中物料降水率的变化．     

RNN神经网络的应用研究

对动态回归神经网络模型结构与算法进行了分析，采用多层反馈ＲＮＮ网络，以典型的非线性化工过程ＣＳＴＲ为应用对象，比较了采用前馈ＢＰ网络和Ｅｌｍａｎ的ＲＮＮ网络进行模型化与模拟，最后用一个时变过程和苯酐工业生产过程模拟验证。结果表明，动态回归神经网络具有较好的收敛性和稳定性，可用于复杂动态过程的工业应用。     

线性回归模型精化方法

为了解决由试验观测数据建立的回归拟合模型存在的模型误差,用基于回归残差的神经网络方法精化模型.采用给定方程获得模拟数据,通过数据结构散点图建立回归模型趋势项,利用经典最小二乘法估计趋势项参数,由趋势项参数计算回归残差,借助误差分级迭代的改进BP算法对趋势项进行精化,将两部分叠加获得精化模型.试验结果验证了基于回归残差的神经网络方法精化模型的有效性:神经网络方法精化后的模型能提高回归模型的拟合及预测精度5倍以上,优于最小二乘配置法和半参数法精化结果.神经网络方法精化模型既克服了单一神经网络模型的不可解释性,使模型具有物理意义,又具有较高的预测精度.     

BP神经网络在GDP预测中的应用研究

在经济预测中,通常采用回归分析方法建立模型对经济运行进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,得到了较为满意的预测结果。     

基于多元线性回归和BP神经网络的单井能力预测

为提高单井能力预测的精度和可靠性,提出利用地震属性数据,结合多元线性回归方法和BP神经网络方法进行预测。首先提取了研究区目的层的地震属性,然后利用多元线性回归方法和BP神经网络方法建立了单井能力与地质、地震属性之间的函数关系,得出了半定量-定量化的单井产量设计模型,并且验证了模型的预测结果。结果显示:单井能力预测精度总体在80%以上,其中BP神经网络模型预测精度更高,吻合度更好,证明了利用多种地震属性联合预测单井产能是一种卓有成效的方法。     

基于模糊神经网络的铣床热误差预测模型研究

当前,铣床主轴加工产品容易受到热误差的影响,造成产品精度下降。对此,采用模糊神经网络模型预测铣床主轴热误差,并对预测结果进行比较和分析。建立神经网络径向基函数的表达式,给出了模糊推理系统和控制规则,创建了模糊RBF神经网络预测模型,对铣床主轴进行热误差验证。结果显示:铣床主轴采用RBF神经网络模型预测误差较大,其Y轴和Z轴输出最大误差分别为5.9μm和7.1μm;铣床主轴采用模糊RBF神经网络模型预测误差较小,其Y轴和Z轴输出最大误差分别为3.5μm和2.9μm。同时,模糊RBF神经网络模型预测误差跳动幅度较小。采用模糊RBF神经网络预测模型,可以补偿铣床运行时产生的热误差,提高铣床主轴加工精度。