基于神经网络的车用汽油机稳态排放特性建模研究

车用汽油机稳态工况下废气排放与汽油机转速、负荷、空燃比和点火正时等影响因素之间是非线性关系 ,通过对汽油机试验排放数据的学习 ,建立起描述车用汽油机废气 HC,CO,NOx 排放与上述因素之间关系的 BP神经网络模型 ,该模型可用于排放预测和实时控制     

汽油机尾气后处理系统的优化设计

为应对越来越严厉的排放法规,现代社会对汽油机车辆尾气处理提出了更高的要求。现在常用的汽油机尾气后处理系统三元催化转化器（3WCC）能高效净化汽车尾气排放,由于其起燃温度较高,导致发动机启动后20 min内排放极为恶劣。为解决这一问题,对某汽油机三元催化转化器进行优化设计,以加热冷启动时汽油机排出尾气为主要手段,对废气进行温度补偿,使之始终保持在催化系统高效催化的温度区间内,可大大减少汽油发动机污染物尾气排放。     

基于试井资料分析的煤储层渗透率定量预测模型

为了探讨煤储层渗透预测的方法,基于工区的试井资料,对煤储层渗透率的主控因素进行了分析,认为煤层埋深、储层压力、地应力和有效地应力与煤储层渗透率具有较强的相关性;以工区的试井资料为依据,选取相应的参数,利用多元线性逐步回归分析和非线性的BP神经网络两种方法,对煤储层渗透率进行了预测分析.预测结果和实测资料对比分析表明:预测的煤储层渗透率与实测的煤储层渗透率之间的误差较小,且非线性的BP神经网络方法预测结果明显优于线性回归预测的结果;基于试井资料建立煤储层渗透率预测模型具有可行性,其预测结果是可靠.     

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78%,最小相对误差仅为0.01%.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.     

RBF网络在取代苯胺和苯酚定量构效关系研究中的应用

采用径向基函数网络模型,对36种取代苯胺和苯酚类化合物的急性毒性进行预测,网络自相容能力和交叉检验结果良好.结果表明:①采用分子连接性指数、线性溶解能关系参数、正辛醇/水分配系数作为输入特征参数的神经网络预测结果优于仅采用分子连接性指数作为输入特征参数的神经网络预测结果;②采用分子电性距离矢量和正辛醇/水分配系数作为输入特征参数的神经网络预测结果优于仅采用分子电性距离矢量输入特征参数的神经网络预测结果.该方法还可望成为对有机化合物其它性质进行预测的一种有效手段.     

滤料过滤效率的数值预测研究

以耐高温滤料过滤效率的试验数据为基础数据,分别采用LS-SVM、RBF神经网络和BP神经网络3种方法,以空气温度、过滤风速、发尘浓度作为输入,过滤效率作为输出训练算法,预测不同测试条件下滤料的过滤效率,并对3种算法的预测结果进行了对比分析.结果表明,采用LS-SVM无论从预测精度还是运行时间上,预测效果都最为理想;LS-SVM的过滤效率预测模型与RBF、BP神经网络相比,平均绝对百分比误差最小,程序运行时间最短.     

基于小波神经网络的建筑工程沉降变形预测

变形监测是安全化、信息化工程建设和管理的重要内容,贯穿于建筑物设计、施工和运营整个过程.本文基于小波分析、BP神经网络、小波分析与神经网络结合的相关理论,借助MATLAB编程,建立了改进的BP神经网络、辅助式小波神经网络、嵌入式小波神经网络3种变形预测网络模型.结合工程实测数据,利用建立的3种模型,分别应用累积沉降和期间沉降不同模式数据进行预测.结果表明,两种小波神经网络组合模型的预测效果明显优于单一的BP神经网络模型,具有更高预测精度和更快的收敛速度,且训练样本数目越多,模型精度越高,预测效果越好.     

基于BP神经网络的海洋声学仪器信号识别方法

分析了几种常用海洋声学仪器信号的基本特征,提出一种基于误差反向传播(back propagation,BP)神经网络,以实现对信号特征参数进行分类、识别的方法.该方法采用短时傅里叶变换提取信号特征参数,运用Levenberg-Marquardt算法训练BP神经网络.以实测海洋声学仪器信号的特征参数进行训练后,采用实测和仿真样本对BP神经网络的识别能力进行测试.实验结果表明,BP神经网络能够有效地区分不同海洋声学仪器的信号,识别准确率达到95%以上,且虚警率低于5%.该研究成果可用于识别海域中不同海洋声学仪器,检测海洋中声学仪器的工作状态.该识别方法对于其他海洋声信号的识别研究也有一定的参考价值.     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法.在此基础上,采用.NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B/S结构的智能经济预测系统.该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力.     

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.     

嵌套BP神经网络及其在油气产能预测中的应用

提出并研究一种新的神经网络模型——嵌套神经网络模型.将嵌套神经网络模型与BP神经网络相结合,实现模武识别与函数拟合一体化,具体化为嵌套BP神经网络,并用于油气产能预测.实例验证结果表明,嵌套BP神经网络与BP神经网络相比较具有收敛速度快、预测精度高、结果有效性高并具有并行运算的特点,为处理现代化的海量数据提供了构架体系...     

汽油机瞬态排放间接检测的实践(Ⅱ)

瞬态排放间接检测是对汽油机在汽车加速滑行组合、节气门加速开启关闭等瞬态工况下进行法规性检测、获得其排放状况的基本手段之一.本文进行了汽油机瞬态排放间接检测的实践:研制了汽油机瞬态排放试验研究所用的节气门瞬态控制器,通过对比试验获得五组分排放分析仪瞬态检测性能,采用符号时间序列的单缸Shan-non熵作为瞬态排放特征参数,构建了汽油机瞬态排放间接检测平台.     

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.     

基于BP神经网络的车削表面粗糙度检测

目的研究基于计算机视觉的非接触式车削表面粗糙度检测方法.方法通过由数字显微镜、高分辨率摄像机和计算机等构成的图像采集系统获取车削工件表面图像,提取基于灰度共生矩阵(GLCM)的14个表面纹理特征参数,探讨各纹理特征参数与粗糙度Ra之间的变化规律;以14个表面纹理特征参数为输入层节点输入量,以粗糙度Ra为输出量,构建车削表面粗糙度BP神经网络检测模型.结果检测结果与实测值的绝对误差平均值不超过0.08μm,且相对误差平均值小于2%,BP神经网络检测模型具有较好的检测效果,取得了较高的检测精度.结论基于BP神经网络的车削表面粗糙度检测模型,能够满足表面粗糙度测量的精度要求,对于快速非接触式检测车削表面粗糙度的研究具有借鉴意义.     

电控汽车发动机故障诊断技术研究

分析了神经网络在电子控制汽油机诊断中的应用,介绍了BP神经网络模型和学习训练过程,以及一种电子控制发动机诊断数据读取方法;简要说明了利用神经网络进行电控发动机诊断的过程.     

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．     

基于遗传算法优化BP神经网络的地层破裂压力预测方法

针对地层破裂压力现有预测方法适用性差、误差较大等问题,提出了遗传算法优化BP神经网络(GABP)预测地层破裂压力的方法。分析了地层破裂压力的影响因素;以地层深度、地层孔隙压力当量密度和岩石密度为输入变量,以地层破裂压力当量密度为输出变量,建立了GABP预测地层破裂压力模型,并利用塔里木盆地YB1井的数据进行神经网络学习和结果验证。GABP模型的预测结果误差约3.5%,精度远高于Eaton法。该方法不受地质构造条件影响,且具有精度高、计算速度快等特点。     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

用BP神经网络对气流床粉煤气化炉的预测

利用3层BP神经网络对气流床粉煤气化炉进行模拟研究.以Gibbs自由能最小化方法建立粉煤气化炉数学模型的模拟结果作为BP神经网络训练数据,训练后的BP神经网络模型对模拟数据的预测准确度较好.以Shell粉煤气化炉和国内首套粉煤加压气化中试装置上的实际生产数据作为BP神经网络的训练数据,训练后的BP神经网络模型能预测实际生产数据.     

基于PCANN的BP神经网络话者识别系统

本文利用主分量神经网络分析法(PCANN)和反向传播神经网络,提出了一种具有较强自适应性和较高识别率的说话人识别方法.在此算法过程中,主分量分析法主要是对语音信号的原始特征作分析以得到更好的特征参数;BP神经网络则是作为一个分类器对说话人进行分类.文章将主分量分析与BP神经网络相结合,提高了识别的正确率,增强了系统抗噪声能力,减少了训练时间和计算量,同时简化了网络结构.