基于BP神经网络的MCM-22分子筛催化性能预测模型研究

基于人工神经网络建模方法,建立了MCM-22分子筛催化剂在苯与丙烯液相烷基化过程中性能预测的BP神经网络模型,该模型关联了催化剂本征性能、工艺条件和反应产物分布之间的相互关系。对不同成型条件下得到的16种结构性能各异的MCM-22分子筛催化剂性能进行实验评价,将所获得的数据用于模型训练和预测结果检验。结果表明,所建立的模型对MCM-22分子筛催化性能具有较高的预测精度,预测平均相对误差为4.21%。因此,将BP神经网络作为MCM-22分子筛催化剂的性能预测和苯与丙烯液相烷基化过程的定量描述模型,是适宜和可靠的。     

基于BP神经网络的滚动轴承智能诊断技术

人工神经网络的应用与研究是近几年迅速发展起来的一个国际性前沿研究课题.介绍了人工神经网络及BP神经网络算法,并对传统的BP算法进行改进.建立了基于BP神经网络动车组传动系统滚动轴承智能诊断系统方法,进行了状态识别神经网络训练与测试.通过对外环、内环、滚动体故障和正常情况下数据的计算、仿真和对比,分析了四种情况下在不同网络设计中的识别效率.基于BP神经网络测试的实际输出与期望输出值非常接近,该网络具有良好的识别性能.     

开采地面沉陷预测的神经网络方法研究

应用神经网络理论,建立了开采地面沉陷预测的BP神经网络模型,采用开采地面沉陷实测数据对网络进行了训练,以此训练好的BP神经网络模型来描述开采地面沉陷与其影响因素之间的非线性映射关系,并采用测试样本对模型进行了测试,结果表明,网络的预测性能是令人满意的.     

改进BP神经网络在交通事故预测中的研究

交通事故严重程度受多种因素的影响,适合用人工神经网络来建模预测.因为标准BP(Back Propagation,BP)神经网络具有收敛较慢的缺陷,所以在自适应学习和附加动量因子改进BP神经网络~([1])基础上做了进一步的优化改进,使附加动量因子也具有自学习性.利用改进后的BP神经网络算法,选取英国利兹市的公开交通事故数据集,用影响交通事故严重程度的多种影响因素和事故严重程度构建并训练神经网络,并对最新数据进行预测.通过大量的实验对比收敛速度和预测结果,验证了改进后的算法具有更快的收敛速度和更高的预测准确率.     

人工神经网络在热舒适实验研究中的应用

使用人工神经网络(ANN)方法处理影响人体热舒适的多种环境因素和人体的热反应之间的关系,以探讨用于各类环境热舒适性预测的可行性.针对稳定热环境和非稳定热环境下的热舒适实验,建立了BP神经网络模型,利用实验数据对网络进行训练和测试,检验其预测的准确性.评测结果表明,对稳态环境,该模型较传统的线性回归方法有更高的预测精度;对非稳态环境,避免采用回归方法遇到的非线性关系处理问题,能合理地预测非稳态条件下热反应的变化.因此,合理建立各类热环境的ANN模型,用已有的热反应数据训练该模型,实现对环境热舒适性的预测是可行的.     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

基于连续优化蚁群算法的神经网络在喷射器性能预测中的应用

以现有的喷射器实验数据集作为样本,用单隐层前向神经网络预测喷射器的性能,网络的训练分别采用连续蚁群系统(CACS)算法和连续蚁群优化(ACOR)算法.数值实验结果显示,用这两种蚁群算法所训练的神经网络对于喷射器性能的预测精度能够满足实际工程的要求,其中ACOR算法的训练误差小于一般的BP算法,预测精度也有所提高.     

织物透湿性能测试与MATLAB应用研究

对各种织物透湿性能进行测试与分析.利用MATLAB6.5建立神经网络模型,选择最佳网络参数并对网络进行训练.通过应用实例提出了如何处理实验数据的方法,并通过建立大量的BP网络进行比较,筛选出最具应用价值的网络对透湿性能进行预测.     

基于神经网络的织物剪切性能的预测研究

探讨织物剪切性能和结构参数之间的关系，在33种精纺毛型织物实验数据的基础上，利用BP神经网络方法，建立了精纺毛型织物剪切性能与织物结构参数之间的网络模型，并对模型进行验证和评估。结果表明可以用神经网络来预测织物剪切性能指标，限于样本量，预测平均误差率在15％左右。     

基于神经网络的受流器滑块材料载流磨损预测

针对我国电气化铁路和磁浮交通对受流器滑块材料的性能要求,采用冷压烧结粉末冶金法制备了铜石墨材料,考察了该材料的载流磨损行为.结果表明:试样的磨损率随着试验载荷、速度、电流密度的增加而增大.载流条件下电流产生的电弧热是磨损率增加的主要因素.建立了摩擦磨损试验参数与磨损率之间的人工神经网络模型.以载荷、速度、电流密度作为网络的3个输入,以运行100km后试样的磨损率作为网络的1个输出,调试设计了一个3×3×1的反向传播(BP)神经网络.对神经网络的训练和检验表明该BP神经网络能够较好地预测影响因素对材料载流滑动磨损的作用,预测值与试验值的误差在10%以内,其仿真精度能够满足实际的磨损预测要求.     

焊接热影响区性能的神经网络预测模型

针对四类２４种钢材，将其化学成分和ｔ８／５性能的数据作为样本，构造学习空间，建立了一种新的预测方法ＢＰ网络预测模型，并讨论了网络参数对网络收敛速度及误差函数的影响     

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．     

海水腐蚀梁抗剪强度及其智能分析

为了确定海水腐蚀钢筋混凝土梁斜截面承载力特性，用人工海水对15根钢筋混凝土梁进行加速腐蚀试验，得到海水腐蚀下钢筋混凝土梁斜截面受剪承栽力．随着腐蚀循环次数增加，承载力与构件参数及循环次数之间存在非线性关系，而采用常规的方法建立它们之间的关系，难以用数学公式来表达．利用神经网络方法，建立3层BP网络模型，以拟合不同条件下海水腐蚀钢筋混凝土梁受剪承载力的变化规律．根据试验训练样本数据，对该模型进行训练，建立BP网络模型系统．结果表明，基于模型系统的拟合曲线与试验曲线符合较好，能够反映承载力和腐蚀循环因素之间非线性变化关系，为腐蚀钢筋混凝土梁的抗剪强度预测提供参考．     

基于神经网络的泡沫混凝土强度及导热性能预测

基于神经网络原理,建立预测泡沫混凝土性能的BP神经网络模型,期望通过输入配合比主要参数,得到泡沫混凝土强度及导热性能的预测结果。将实验数据分为训练组和对照组,对训练组进行非线性拟合,若拟合结果满足误差精度则模型建立完毕;通过拟合结果与对照组的比较,可验证模型预测精度。结果表明,BP神经网络模型能够准确拟合实验数据,利用其泛化能力进行预测的结果与对照组的误差小于8%,该模型具有很高的预测精度。     

大型管件JCOE成形智能化控制中的材料性能参数识别

大型管件JCOE成形智能化控制系统可根据板材性能差异自动预测最佳成形工艺参数,为此采用神经网络技术,利用LM(Levenberg-Marquarat)算法,设计了材料性能参数识别神经网络模型,用于实时识别板坯的材料性能参数。通过10种不同的材料,采用正交实验设计网络模型训练方案,经10组样本数据检验,收敛精度小于1‰,检验误差小于3%,能够满足工程应用的需要。     

人工神经网络在钎焊材料酸洗工艺设计中的应用

本文将前向人工神经网络技术用于酸洗工艺设计过程，建立了钎焊材料的酸洗工艺设计模型，实验证明该模型能准确预测ＣｕＺｎＡｇ钎焊材料的酸洗效益、能有效设计不同前期生产条件下的酸洗工艺。     

利用BP神经网络预测材料温锻流动应力

采用 BP神经网络算法对 0 8F钢和 40 Cr在温锻温度范围内流动应力的实验数据进行处理 ,建立起预测材料温锻流动应力的 BP网络模型 .同传统回归方法相比 ,该方法不需事先判断变形温度 t、应变速率 ε·-、应变 ε与流动应力 σ的复杂关系 ,而是通过对大量离散样本进行多次训练 ,找出蕴含在 t、ε·-、ε与σ之间的本质联系 .结果表明 ,训练好的神经网络模型能够比较准确地描述温锻成形时 t、ε·-、ε与 σ的关系 ,从而预测出材料在一定变形条件下的 σ     

神经网络在材料低周疲劳寿命预测中的应用

采用基于BP算法的三层前向神经网络 ,用滞后环上的数据点辨识滞后环的形状参数 ,并根据疲劳过程形状参数的变化 ,阐明形状参数可以用来预测材料的疲劳寿命 .     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于BP神经网络的啤酒瓶口检测方法

运用BP神经网络可以实现啤酒瓶口的破损检测.首先获取啤酒瓶口图像,并进行图像处理.然后计算啤酒瓶口的周长、面积、圆形度和相对圆心距离4种特征参数,由这4种特征参数构成特征向量组.其次建立结构为4-7-1的BP神经网络模型,将特征向量组作为神经网络的输入.最后对啤酒瓶口破损情况进行训练,根据训练结果获得权值和阈值矩阵,通过逻辑转换关系获得啤酒瓶口的破损情况.经实验验证该方法具有很好的准确度和检测效率.