基于BP神经网络的水中双爆源爆炸冲击波峰值压力预测模型研究

为了获得水中等质量两爆源同步爆炸时冲击波耦合中心的峰值压力计算模型,利用Autodyn计算得到不同药量和爆距下的峰值压力数据.一方面根据量纲分析确定的函数形式拟合数据从而获得峰值压力的计算公式;另一方面对药量、爆距及峰值压力三类数据进行对数变换和归一化,并将其分为训练集和测试集,然后将训练集代入BP神经网络进行训练,得到结构相对简单、均方误差最小的BP神经网络预测模型.结果表明：公式计算结果和BP神经网络模型计算得到的峰值压力与实际值吻合较好,公式计算值与实际值的平均相对误差为1.08%,BP神经网络预测值与实际值的平均相对误差为0.52%,与公式计算相比,BP神经网络能够以更少的数据样本容量实现更高的精度预测.     

一类非光滑整体优化的区间算法

本文在区间分析基础上,通过定义一个特殊导数给出一类求解非光滑整体优化的区间算法．理论分析和数值例子均表明本文算法具有快速、安全等特点．     

基于空中爆炸冲击波的动态爆心定位方法研究

为解决空中动态爆炸爆心位置难以测定的问题,研究一种基于冲击波超压测试结果的爆心坐标五区定位方法.将数字压力记录仪在爆炸区域组成测试方阵,根据测点距预估爆心距离将所有测点划分到5个区域.通过在每个区域选取一个测点共5个测点的方式得到多组测点,以每组测点的相对坐标和冲击波超压值为原始数据,基于空中静态爆炸自由场冲击波传播规律、动态爆炸冲击波超压工程计算公式、壁面反射规律等建立函数方程组.借助Matlab软件和莱文-马夸特方法迭代求得多组爆心坐标,通过格拉布斯法剔除异常数据,将剩余数据求平均值得到最终的爆心3维坐标.结合实爆试验,将计算结果与监测结果进行对比,结果表明该方法求解爆心坐标是可靠有效的.      

利用遗传算法优化人工神经网络权值

遗传算法是一种新的、基于自然选择和基因遗传学原理的随机搜索算法．针对神经网络中BP算法学习效率低且收敛速度慢以及容易陷入局部最优等不足，文章提出利用遗传算法对BP神经网络中的神经元间的连接权值进行优化的方法．试验结果表明，用遗传算法优化BP神经网络的连接权值后收敛速度快，并有效的解决了BP算法容易陷入局部最优的问题．     

全局优化学习算法下的高阶神经网络模型

研究了一个高阶神经网络模型，该模型采用全局优化学习算法，能使所有学习图样都成为系统的稳态吸引子，其存储容量远高于Ｈｅｂｂ－ｒｕｌｅ－ｉｌｋｅ型学习算法下的高阶神经网络模型，并能存储识别相关图样，对由３０个神经元组成的二阶神经网络系统进行了计算机模拟，模拟结果证实了上述结论。此外，还分析了初始突触强度对学习效果的影响，计算不同存储力图样数目下的平均吸引半径。     

基于思维进化算法的人工神经网络结构优化

针对神经网络结构难以优化的问题,本文采用思维进化计算(MEC)算法和BP算法相结合的方法来动态优化神经网络结构。随机产生网络结构,对每一结构,利用BP算法评价神经网络结构优劣,找到局部最优结构,再通过MEC算法中的趋同、异化操作,找出全局最优结构。仿真结果说明了算法的有效性。     

人工神经网络的优化方法

人工神经网络结构独特,具有处理数据方法高效、自学习性强、并行处理能力强、易于推广等优点,但同时也具有容易陷入局部极小特性和算法收敛速度较低的不足之处。为了弥补这些不足,科学家们尝试着将神经网络与其它的人工智能方法相结合来解决问题。本文拮取了这其中一些较有代表性的方法来加以介绍。     

基于粒子群优化算法的电阻抗图像重建

电阻抗成像的实际应用具有许多优越性,但电阻抗图像重建是一个严重病态的非线性逆问题。目前电阻抗成像的静态算法大多采用Newton-Raphson类算法,这类算法需要计算Jacobian矩阵、使用正则化技术等,算法复杂且稳定性较差。针对该问题,采用了一种新的求解逆问题的方法:粒子群优化算法(PSO)。PSO是一种基于种群搜索策略的自适应随机算法,具有算法简单、调节参数少、收敛速度快、易于实现等特点。给出了电阻抗成像的建模模型,并对粒子群优化算法做了适当的改进以适应电阻抗问题的求解。与牛顿类算法相比,它可以省去繁复的雅可比矩阵计算过程,而采用自适应搜索来求取最优解。仿真结果表明,应用PSO进行图像重构时,能够对突变区域进行准确的定位,图像分辨率较高。     

基于爆堆形态的爆破设计参数预测及优化研究

本文针对黑岱沟露天煤矿抛掷爆破——拉斗铲倒堆生产工艺,基于爆堆形态数据,利用BP神经网络模型反演优化爆破设计参数。研究显示,BP神经网络对大量抛掷爆破数据分析处理具有较高适应性,预测效果误差在453%内,利用典型爆堆曲线预测爆破参数,输出参数值与相似历史数据对比误差在656%内,预测精度不低于93%,预测参数值可用于对露天煤矿的爆破设计方案的优化。     

基于粒子群优化算法的神经网络钻削参数优化

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点,本文探讨用粒子群优化算法训练神经网络,并应用到钻削加工参数优化中,试验表明粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。     

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。     

一种求解背包问题的新的神经网络模型

背包问题是一类经典的组合优化问题,在网络资源分配中有着广泛的运用。人工神经网络已成为求解大规模优化问题的一种有效方法,已经证明了合适的神经网络能实时地得到问题的精确解。研究了背包问题的神经网络解法,给出了一种求解背包问题的新的神经网络模型,并证明了该网络模型收敛到背包问题的最优解。算例说明了模型有效性和准确性。     

母线保护的人工神经网络模型的构建与仿真

叙述了基于ANN函数逼近能力的母线保护原理,分析了母线保护物理对象的函数关系,构建了母线保护的人工神经网络模型.     

基于神经网络的侧吹风空调工况自动转换

为建立空调实时控制系统提供简单可靠的工具，介绍了化纤厂侧吹风空调控制系统的工作原理及工况转换方法，运用神经网络理论和MATLAB中的仿真工具SIMULINK，通过对吹风空调系统全年运行工况分析，建造出基于神经网络的工况转换仿真模型，提出了工况转换的SIMULINK实现的方法，使空调工况转换变得更加迅捷有效。     

人工神经网络辅助汽车变速箱设计

针对汽车变速箱优化设计中所存在的大计算量、多图表问题,提出应用人工神经网络进行映射辨识·根据BP网络在特征识别上的优势,以其为工具,通过算法改进,对设计数据进行应用以提高计算速度和编程处理能力,消除数据的“组合爆炸”现象·对具体数据、图表的实际应用表明,人工神经网络方法能够很好地表达原图表数据关系,使数据应用更加灵活、方便,数据的识别精度能够满足计算要求·     

基于ANN和FUZZY的装载机故障诊断模型

提出了一种基于神经网络和模糊理论的层次诊断模型、针对装载机的特点建立的模糊系统可自动生成和调整隶属度函数，构造了一种平行的神经子网络，网络训练的速度和诊断准确率有明显提高．模型缩小了知识库，减少了计算量．本模型具有比较强的除噪能力，能将对故障信息敏感而对噪声不敏感的信息提取出来．经仿真实验证明，识别效果良好，有效减少了误判和漏判．     

基于地理信息系统与人工神经网络耦合技术的产油潜力评价模型

对控制油田产油潜力各种影响因素进行了系统的分析,选择地质构造、储层孔隙度、储层渗透率和原油性质4个因子作为控制油田产油潜力的主控因素。应用地理信息系统(GIS)的空间分析和处理操作功能,构建了各个主控因素的子专题图层,并建立了主控因素与每米采油指数间的非线性人工神经网络(ANN)分析模型,最终提出了评价产油潜力的GIS与ANN耦合模型。应用该评价模型对埕北30潜山油藏的产油潜力进行了评价,并应用灵敏度分析方法对该地区各个主控因素的灵敏度进行了系统分析,有效地解决了人工神经网络难以通过权重系数矩阵来判定各个影响因子影响程度的难题。     

基于模糊法和神经网络的增压开采方案的优选研究

多属性决策问题广泛存在于经济、管理、社会等各个领域中,如方案优选、工厂选址、资源分配、投资决策、项目评估、质量评估、科研成果评价、人才考核、产业部门发展排序、经济效益综合评价等,因此多属性决策理论及方法有着广阔的应用前景．对多属性决策理论、方法及其应用进行系统的研究具有重要的学术价值和实践意义．基于模糊理论的模糊优选方法是一种用于涉及模糊因素决策问题的优选方法,采用模糊优选方法可以较好地解决方案优选中的模糊性问题．本文以ANN、模糊理论为基础,对引入模糊优选方法解决气藏增压开采方案优选问题进行研究．     

发电机转子绕组匝间短路故障的分析与检测

深入分析了发电机发生转子绕组匝间短路故障后的电磁特性,得出当发电机发生匝间短路故障后,若端电压和有功功率保持不变时,无功功率会相对减小的结论;同时推出在一定的状态下,有功功率、无功功率和励磁电流之间的对应关系。利用人工神经网络具有不需要精确的数学模型及诸多参数的优点,把人工神经元网络方法引入到发电机转子绕组匝间短路的故障诊断技术中,可通过对故障样本的比较,诊断出转子绕组匝间短路的故障情况。     

基于BP神经网络模型的ADCP倾斜条件下的修正算法研究

针对现有ADCP倾斜条件下修正算法不准确的问题,将BP神经网络模型应用于分析倾斜条件下波浪估计误差与影响因素ADCP俯仰角、横滚角以及安放深度之间的非线性关系。结果表明,BP神经网络模型的预测值和实测值吻合较好,能够提升波浪估计的准确性。