树脂薄膜光降解控制因素预测神经网络模型

利用试验室加速试验得到的不同配方COPO树脂薄膜的光降解试验数据,在分析薄膜降解各因素的基础上,选取薄膜降解后的力学性能3个指标为输入值,以COPO树脂薄膜降解的主要控制因素:环境温度、光照时间、光敏母料含量为输出值,利用MATLAB6.1软件中的神经网络工具箱建立了COPO树脂薄膜光降解控制因素预测的BP神经网络模型。讨论了模型的样本划分、网络参数、模型预测误差,选出最佳网络参数配置。模型预测精度高。     

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．     

含复合光降解剂的聚乙烯膜在汞灯辐照下的光降解行为

过改变复合降解剂中各组分的含量来控制降解ＰＥ膜以汞灯为光源的光降解行为,以得到具有时控降解效应的降解薄膜．图１同一薄膜的羰基峰１７１３ｃｍ－１与内标峰１３７３ｃｍ－１吸光度随辐照时间的变化１实验部分１．１原料及试剂低密度聚乙烯树脂,牌号１Ｉ２Ａ,兰州...     

基于LSTM的短波频率参数预测

针对现有短波通信频率参数预测方法操作繁琐、预测精度不足的缺点,首次提出一种基于长短期记忆型循环神经网络（LSTM RNN）的预测方法。通过对电离层参数f0F2数据的分析,利用LSTM在处理时序相关数据时可以长期记忆网络历史数据的优势,对f0F2值进行预测。对比反向传播神经网络（BPNN）,LSTM将误差降低了7%,并将均方误差控制在2%以下。研究结果表明：基于LSTM搭建的提前预报5天的f0F2值的模型是可行的且比BP神经网络更适合预测电离层的f0F2值。     

BP模型在强度预测中的应用

在分析普通混凝土强度影响因素基础上，选取混凝土配料中7个因素作为输入值，混凝土28d强度作为输出值建立了混凝土强度预测的BP网络模型；讨论模型的学习样本、网络参数对预测精度的影响，从而选出最佳网络参数配置，并提高模型预测精度。     

浆体流变参数建模及仿真预测

采用传统的数学函数关系难以表达和揭示浆体流变参数影响规律．章以主要影响因素正交试验结果为基础。利用神经网络理论，建立了4个输人单元和2个输出单元的3层BP神经网络模型．采用该模型仿真和预测新试验样品的流变参数，并与实测参数对比．结果表明；预测准确率达90％以上，可以用于指导工程应用中浆体配比与制各．     

基于BP神经网络的自密实混凝土梁受弯承载力预测

采用神经网络方法对自密实混凝土受弯梁的正截面承载力进行模拟。以影响自密实混凝土梁受弯承载力的主要因素(抗压强度、截面尺寸、配筋率等)为参数,以构件的受弯极限承载力为网络输出,建立多层前馈神经网络来描述其非线性关系。利用不同研究者的32组试验数据对网络进行训练和测试。测试表明,建立的神经网络模型对32组试验数据具有良好的模拟精度,可作为预测自密实混凝土梁受弯承载力的一种新的计算方法。     

人工神经网络在热轧宽厚板性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型 .在此基础上 ,利用神经网络对热轧管线钢力学性能进行了预测 ,并对预测结果与生产数据进行了比较 .此外 ,还利用神经网络对生产工艺参数进行了优化 .结果表明 ,将神经网络应用于热轧生产进行力学性能预测和工艺参数优化具有一定现实意义     

人工神经网络在热轧宽厚板性能预测中的应用

建立了神经网络预测热轧管线钢力学性能的网络模型.在此基础上,利用神经网络对热轧管线钢力学性能进行了预测,并对预测结果与生产数据进行了比较.此外,还利用神经网络对生产工艺参数进行了优化.结果表明,将神经网络应用于热轧生产进行力学性能预测和工艺参数优化具有一定现实意义.     

一种用神经网络估计网络可靠性的方法

提出一种用神经网络估计网络系统可靠性的方法．用节点数为n的网络系统的结构参数、网络中边的可靠度以及网络可靠性的精确值对神经网络进行训练，使神经网络学习到网络结构参数、网络中边可靠度与网络可靠性之间的映射关系．并利用同样的训练数据，应用GCV方法对神经网络模型的误差进行估计．对于节点数为n的其它网络系统，只要将有关数据输入获得的神经网络，就可得到该网络可靠度的估计值．     

光面爆破效果BP神经网络预测

介绍了BP神经网络的基本原理，基于Matlab工具箱建立了预测光面爆破效果神经网络模型，从岩石力学性质，周边爆破参数两个方面对光面爆破效果进行分析和预测。为了加快神经网络模型的收敛速度。增强其跳出局部极小点的能力，采用了附加动量法和自适应学习速率结合的方法对网络进行训练，利用该模型对光爆效果进行了预测。取得了很好的效果。     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

自组织特征映射神经网络在薄板冲压中的应用

从影响薄板冲压成形结果因素和有限元网格法出发,研究了基于神经网络预测毛坯尺寸模型的方法.选取模具参数和工艺参数等作为影响冲压成形结果的因素,用正交表和随机法产生径向基函数神经网络的学习样本;利用自组织神经网络对样本进行分类,用有限元网格法反算的毛坯的长度作为神经网络的输出;设计了神经网络流程,定义了神经网络输出与有限元分析数据的相对误差.通过仿真试验证明,提出的预测毛坯尺寸模型的方法是有效的.     

普通混凝土强度预测的BP神经网络模型

在分析普通混凝土强度影响因素基础上 ,选取混凝土配料中 7个因素作为输入值 ,混凝土2 8d强度作为输出值建立了混凝土强度预测的 BP网络模型。讨论了模型的学习样本、网络参数对预测精度的影响 ,选出最佳网络参数配置。实例证明模型预测精度高。     

汽车性能数据库的建模

基于人工神经网络在非线性系统辨识中的优越性，依据整车的各项参数、动力性及经济性的试验测试结果，分析了系统辨识精度的评价指标，确定了两隐层BP神经网络的神经元数、初始权值及初始阈值，建立了汽车性能数据库的神经网络模型．该模型可实现正向预测与逆向推理功能，可缩短汽车的研发周期，并利用实例进行了说明与验证．     

二氧化钛光催化降解地下水中的六六六

通过实验证实了利用二氧化钛作为催化剂光降解地下水中六六六的可行性. 讨论了光照时间、 光照强度、 地下水pH值、 温度等因素对降解效果的影响. 由正交实验确定出最佳降解条件： 8 W紫外光灯管照射、 光照时间为30 min、 地下水pH=5、 温度为14 ℃, 降解率为47.96%, 考察了Fe₃₊,Mn₂₊对光降解效果的影响.     

基于蚁群算法和神经网络的位移反分析

运用蚁群算法和人工神经网络构造了位移反分析的蚁群人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该方法以神经网络为基础，用蚁群算法来学习神经网络的权系数。利用反演结果，建立快速拉格朗日快速计算法（FLAC）模型，对地表沉陷进行预测。结果表明：用蚁群算法训练神经网络，可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。     

神经网络技术在织机生产状况预测中的应用

为提高织机生产效率,研究了基于优化神经网络的织机生产运转状况预测方法.针对BP网络模型的缺点,在反复实验的基础上对BP网络参数、算法进行改进,建立了织机生产运转状况预测模型,并与传统的BP神经网络预测方法进行比较.实验结果表明,利用改进的BP神经网络预测织机生产运转状况时,网络收敛速度快,预测精度高,优于传统的BP网络...     

定量预测α-淀粉酶及其突变体的酶反应米氏常数

【目的】α-淀粉酶是一种重要淀粉水解酶，而Km值是酶反应中重要的参数，尝试建立一种利用α-淀粉酶初级结构定量预测米氏常数Km值的有效模型。【方法】通过神经网络模型，利用535种氨基酸属性定量预测α-淀粉酶 Amy7C及其52个突变体反应的Km值，其中33个酶用于模型训练，其余的用于模型验证。首先用双层的20-1前馈反向传播的神经网络进行预测，然后对多层神经网络模型进行筛选。【结果】535种氨基酸属性中有109种属性可以用模型预测，其中动态属性拟合结果较好，4个动态氨基酸属性中有3个属性可以用于模型预测，但拟合结果最好的氨基酸属性分别来自氨基酸理化性质和二级结构。对9种拟合和验证结果最好的氨基酸属性进行7种多层神经网络模型拟合，结果显示增加模型的复杂度并不能提高预测结果的精准度，表明较为简单的模型，如20-1或20-5-1是定量预测建模的首选。【结论】α-淀粉酶酶解反应的米氏常数Km ，可以利用某些氨基酸属性通过神经网络模型进行定量预测。为今后利用酶的初级结构定量预测酶反应中各参数最适条件提供思路。     

一种新数控系统温度误差补偿控制方法

针对车床加工具有多因素非线性,利用神经网络提出解决数控机床系统的温度误差补偿控制问题的办法。方法是在现有的数控系统内部嵌入一个神经网络的小型系统,利用主元分析进行温度误差补偿数据压缩及特征提取,通过应用粗集理论对温度误差属性进行约简,用一个BP（back propagation）神经网络进行补偿控制,在网络的训练过程中利用蚁群算法对BP网络参数进行全局搜索,实现网络快速收敛到全局最优值。试验仿真表明,此方法可有效提高系统补偿精度和实时性。