铝型材挤压模具导流孔结构优化

基于MATLAB平台,将BP人工神经网络、遗传算法和数值模拟技术应用于铝型材挤压模具的导流孔形状优化设计。由正交实验法安排模拟实验组合,采用SuperForge软件对进行型材挤压过程进行数值模拟,并以挤压时金属流出模口平面的z向质点流速的均方差作为模型目标值;将模拟结果作为人工神经网络的输入样本对进行网络训练并建立网络知识源;通过遗传算法求得模型的全局优化解;最后通过有限体积法数值模拟技术验证并比较优化所得导流孔形状与经验法确定的导流孔形状对金属流动均匀性的影响。分析结果表明,通过调整导流孔形状能使金属流出模口的速度分布更均匀,表明对挤压模具导流孔形状的优化是有效的。     

人工神经网络在审计领域的应用

介绍了人工神经网络的基本特征,对国内外将人工神经网络技术应用于审计的有代表性的研究成果进行了综述,建议我国也应开展此类研究,且应将研究重点放在审计实质性测试方面。     

BP神经网络算法在龙门吊称重系统的应用

介绍了龙门吊称重系统的应用,运用BP神经网络的学习算法对称重系统进行校正,与传统加权平均算法进行了比较,其结果对精度具有较好的提高。     

基于BP神经网络对念珠藻摇瓶培养条件的优化

利用均匀设计就pH、装液量、接种量和光强等影响念珠藻生长的因素进行研究,并以所得的数据为样本建立一个结构为4-6-1的神经网络.当网络的学习速率为0.08,动态参数为0.8,SIGMOID参数为0.8,隐含层神经原数为6时,网络的拟合平均误差为2.24%.在固定装液量为100 mL的条件下,利用该网络优化念珠藻的培养条件,得到最优的培养条件为pH7.4,接种量1.5 g/L,光强5 700 lx,生物量达到1.702 3 g/L.     

改进的粒子群优化算法结合人工神经网络用于有机物毒性的QSAR研究

介绍了粒子群优化算法和Alopex-B算法的基本原理,提出了一种用Alopex-B算法改进的粒子群优化算法,并将其应用于函数优化和有机物毒性的QSAR研究。结果表明:改进型粒子群算法对复杂的测试函数搜索效率明显提高,应用于有机物毒性的QSAR研究能提高计算的精确度,降低预测误差。     

国际环境下的项目政治风险评价模型

在分析国际环境下项目政治风险的基础上，根据最优化原理和Lagrangian算子性质，得到国际环境下项目政治风险识别和选择的最优性条件，提出基于反向传播（BP）神经算法的国际项目政治风险评价模型．通过对60个国际项目进行政治风险的识别、选择、评价和分析，仿真试验结果表明，该模型及算法效果良好，可以综合众多专家的知识，计算结果精度较高，能准确评价政治风险对项目成本的影响．     

通讯网络指标告警的预测方法研究与应用

以时间序列ARMA模型为基础,加以BP神经网络的学习方法的模型,并利用区间估计的置信区间来过滤异常数据。对某通讯企业网络指标数据进行预测的结果表明,该模型与传统的模型相比具有较强的适应能力和较好的预测效果,从而验证了本模型与算法的可行性、有效性和可靠性。     

基于神经网络的简支梁桥预应力衰减评估模型

以后张法室内模型梁受弯全过程试验采集的数据为样本,研究了预应力混凝土桥梁有效预应力与各主要影响因素之间复杂的非线性关系,应用改进BP神经网络建立了混凝土桥梁服役期内预应力衰减的神经网络评估模型。该模型以受弯梁全过程P-Δ理论曲线为依据,构造了基频衰减率(IFDETR)、变形指标(IDISP)、混凝土应变变化率(ICSV)、钢筋应变变化率(IRSV)4种归一化指标作为网络输入值,以计入时变效应的预应力衰减率指标(IEPDR)作为网络输出值。测试样本的评估结果表明,误差小于1%的测试样本数在样本集中所占的比例大于85%,且误差均小于单因素回归方法。     

对不平衡类分类的一种组合方法

具有不平衡类分布的数据集在许多实际应用中是很常见的,但由于类分布不平衡,给那些已有的分类算法带来了很多问题。一种为处理不平衡类问题而开发的基于决策树和人工神经网络的有效组合方法被讨论。它基于数据抽样的方法构建组合分类器,并利用ROC曲线(Receiver Operating Characteristic curve)作为评价挖掘性能的分析工具,最后在PAKDD2007竞赛活动提供的实际数据上进行了有效性验证。     

Yarn Properties Prediction Based on Machine Learning Method

Although many works have been done to constructprediction models on yarn processing quality, the relationbetween spinning variables and yam properties has not beenestablished conclusively so far. Support vector machines(SVMs), based on statistical learning theory, are gainingapplications in the areas of machine learning and patternrecognition because of the high accuracy and goodgeneralization capability. This study briefly introduces theSVM regression algorithms, and presents the SVM basedsystem architecture for predicting yam properties. Model.selection which amounts to search in hyper-parameter spaceis performed for study of suitable parameters with grid-research method. Experimental results have been comparedwith those of artificial neural network(ANN) models. Theinvestigation indicates that in the small data sets and real-life production, SVM models are capable of remaining thestability of predictive accuracy, and more suitable for noisyand dynamic spinning process.