厚壁管件无芯棒开式冷挤压尺寸预测的实验研究

对于无芯棒开式冷挤压厚壁管件的相对伸长量的研究与预测是设计开式冷挤压管类零件及其专用设备的依据.本文通过对厚壁管件无芯棒开式冷挤压尺寸预测的实验研究,分析了影响相对伸长量的主要参数,找出了它们与相对伸长量之间的变化规律曲线,为指导实际生产提供了依据.     

基于DEFORM-3D的管材开式冷挤压过程的数值模拟

开式冷挤压是一种高效、节能、节材的先进成形技术。利用刚塑性性有限元软件De—form-3D对管材在开式冷挤压成形过程进行了模拟,获得了挤压过程中的等效应力、等效应变以及速度场的分布云图,并对这些模拟结果进行了详细的分析,为优化开式冷挤压工艺提供了理论参考。     

中碳钢(45~#)开式冷挤压极限变形程度的实验研究

首次通过试验给出了中碳钢 ( 4 5 #)在不同参数组合下的极限变形程度 ,并与低碳钢材料 ( 2 0 #钢、2 0 Cr钢 )的极限变形程度进行了比较 ;分析了厚径比及模具锥角对极限变形程度的影响 ;并给出了可供实际应用的数据     

对改进的自适应BP算法中参数研究

文章以预测开式冷挤压中极限变形程度的BP网络模型为例,针对改进的BP算法,讨论神经元作用函数、初始学习率及隐层节点数等对预测准确性的影响;确定了各参数的选择范围和选择比较理想的网络结构;为更好地预测极限变形程度具有重要的使用价值。     

基于小波神经网络的股票预测

通过将Morlet母小波基函数作为神经网络隐含层神经元的激励函数,构建了Morlet小波神经网络,对网络结构进行了隐含层节点的优化,对股票收盘价的变化进行仿真和预测,实验结果表明,Morlet小波神经网络具有较好的逼近非线性映射的能力,其泛化性能和预测能力较优.     

基于BP神经网络的坡面降雨产流预测

为预测坡面降雨产流,基于坡面降雨产流的非线性特性,引用3层BP(Back-Propagation)网络建模方法,对B市密云水库流域石匣小区水土保持监测小区的坡面降雨产流进行了研究。模型输入层变量数为5个,分别代表坡度、坡长、降雨强度、降雨历时、土壤的有效糙率,输出层变量数为坡面降雨产流量,利用野外小区实测数据,对上述网络进行了训练,学习100次后网络趋于收敛,训练样本集误差达到2.040 96×10-10,小于预设精度,预测样本的平均相对误差为1.67%。该模型的建立与实践,为坡面降雨产流预测的研究提供了新的方法。     

基于BP神经网络客运量的分析及预测

客运量分析预测是一个复杂的非线性系统，针对传统分析预测方法的不足，采用BP神经网络对客运量进行分析及预测，通过对1990—2002长江三角洲地区社会经济数据与客运量数据的处理，建立了客运量的神经网络预测分析模型，借助MATLAB7．0软件，进行网络学习与训练仿真实验，与线性回归模型分析预测结果进行对比，结果表明应用BP神经网络对客运量的分析预测精度更高、效果更好。     

开式冷挤压成形功率及挤压力的研究

给出了开式冷挤压动可容连续速度场及上限挤压力计算公式,讨论了主要参数对挤压力的影响,理论分析结果得到了实验验证。     

管件开式冷挤压尺寸预测的数值模拟

尺寸预测是管材在挤压过程中的一个重要方面,借助有限元模拟软件Deform分析了在成形过程中各个参数如入模锥角、摩擦系数及毛坯厚径比等参数对试件的相对伸长量及相对壁厚增量的影响.从模拟结果中找到各个参数与它们之间的关系,从而为实际生产提供参考数据.     

改进的神经网络算法在瓦斯涌出量预测中的应用

针对传统神经网络存在的收敛速度慢、容易陷入局部最小等缺陷,采用改良的BP算法———双权值迭代优化法,提高神经网络传统BP算法的训练速度。以三层神经网络为例,对权值进行优化。实验对比表明：双权值迭代优化法应用于瓦斯涌出量的预测,比一般BP网络有更高的预测精度和程序运行速度。     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

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。     

一种基于GA-ANN算法的层状土参数预测模型

结合BP神经网络和遗传算法,建立起自适应遗传算法-BP神经网络系统.以不同土层大量物理力学参数汇总整理形成的试验数据作为样本值,应用该系统对地基土层物理力学参数进行了预测,并将预测结果和BP神经网络的预测结果进行对比分析.结果表明:当样本数据离散性小时,两种方法均能取得理想的预测效果,而且所建立的系统还能有效防止"过训练"和提高网络自身的泛化能力;当样本规模大,且样本数据具有一定的离散性时,该网络系统的预测优势能更好地体现出来.     

基于遗传算法的挤压模具型腔形状优化设计

以磨损为目标建立优化数学模型,采用B样条函数插值描述模具型腔轮廓形状,基于有限元和修正的Archard磨损模型计算结果训练BP神经网络,建立模具型腔控制点与目标函数之间的映射关系,计算遗传算法的适应度值,优化模具型腔．研究结果显示：采用本方法得到的模具型腔形状,与锥形模相比,沿其表面最大磨损深度降低了63．9％,磨损深度分布均匀,说明此设计方法可行．     

基于BP神经网络的绝缘子表面污秽预测方法

针对传统方法清扫绝缘子污秽的弊端,提出了利用BP神经网络预测绝缘子污秽的方案.通过BP神经网络的输入、输出和参数的选取,在实验室进行数据验证.结果表明:该方法可以准确有效的预测绝缘子表面污秽程度,可以指导现场绝缘子的清扫和优化绝缘子的清扫周期.     

基于人工神经网络和遗传算法的中小企业决策模型

为适应现代经济和社会的发展,使企业面临纷繁复杂的内部和外界环境,利用遗传算法和人工神经网络建立一数学模型,同时结合企业态势分析法（SWOT）选取各类指标——企业所处状态、策略集,形成一个完善的企业决策模型：该模型能在充分考虑企业现有状况和已有历史数据的情况下,得出决策结果,帮助企业管理者作出科学决策。     

遗传算法优化BP神经网络的泊车位数量预测

为了提高停车场空余泊车位短时预测的精度,利用遗传算法优化BP(back propagation)神经网络的权值和阈值,建立了基于GABP(genetic algorithm back propagation)神经网络的有效泊车位数量的预测模型,并对该预测模型进行训练,最终得到最优解。实验结果表明,该方法对泊车位数量预测具有更高的预测精度,且非线性拟合能力显著。     

基于优化BP算法的上证指数预测分析

上证指数变化是股市投资者重点关注的指标之一。文章基于BP神经网络来建立预测模型,结合遗传算法优化BP网络存在的不足,然后通过组合不同的辅助技术指标优化训练样本,探寻对上证指数预测准确度较高的混合算法。实验结果表明,优化后的混合算法能较好的预测上证指数未来一段时间的走势变化,为投资者提供决策辅助。