基于组合策略的Lyapunov指数谱的计算

分析了基于BP神经网络模型的Lyapunov指数谱计算法存在的不足,提出了一种新的基于组合策略的混沌时间序列Lyapunov指数谱计算方法.由于该方法能够同时逼近给定目标函数的非线性部分与线性部分,因而具有更高的计算精度.最后将新方法应用于Henon映射Lyapunov指数谱的计算中.通过分析与比较,表明该方法具有更高的计算精度及更强的实用性.     

BP 神经网络网络结构优化问题的研究

将灰色关联分析法应用到BP神经网络隐层结点数的确定中,实现了BP神经网络网络结构的优化,提高了网络的预测精度.仿真结果表明这种方法非常有效,同时也对BP神经网络的进一步研究提供了一种全新的思路.     

基于RBF神经网络的跳频信号频率预测的研究

提出了一种跳频信号频率预测的解决方案——RBF神经网络．比较了BP神经网络和RBF神经网络在跳频信号频率预测中的性能差异．应用MATLAB针对一伴有随机噪声的信号进行了仿真实验，证明了该理论的可行性与优越性。     

冠醚配合物:[K(DB18-C-6)(CH3COCH3)][BPh4]的合成与晶体结构

研究了DB18-C-6 与KBPh4的反应,得到了配合物[K(DB18-C-6)(CH3COCH3)][BPh4].通过熔点、红外光谱、元素分析、单晶X-射线衍射对该配合物进行了表征. 配合物为单斜晶系,空间群为C2/c,晶体学数据a=2.175 6 (17) nm,b=1.999 6(16) nm,c=2.056 8(15) nm,β=110.019(13)°,V=8.407(11)nm3,Z=8,Dcalcd=1.227g/cm3,F(000)=3 296,R1=0.050 4,Wr2=0.110 4.配合物由一个[K(DB18-C-6)(CH3COCH3)]+配阳离子和一个[BPh4]-配阴离子组成. 在配阳离子[K(DB18-C-6)(CH3COCH3)]+中,K除与DB18-C-6的6个O原子成键外还与一个CH3COCH3分子中的O原子成键.配阳离子{[Na3(15-C-5)]3(SCN)}2+与配阴离子[BPh4]-通过静电相互作用形成中性配合物.     

基于BP网络的钢骨高强混凝土框架边节点设计

为了研究钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点的承载力，在实验研究的基础上，分析了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的组成，明确了钢骨、钢强混凝土和箍筋所提供的承载力的计算方法，确定了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的计算公式。利用神经网络的原理，建立了钢骨高强混凝土柱，钢筋高强混凝土梁框架边节点承载力的BP神经网络模型，并根据试验结果，对网络进行训练，使其具有分析和判断的功能，从而形成一种新型的设计方法。     

黑龙江省一次能源消费总量和消费结构预测研究

以黑龙江省一次能源为研究对象,选取其1995~2014年一次能源消费的历史数据,构建了改进的BP神经网络模型来预测黑龙江省2015~2020年一次能源的消费总量;重构马尔科夫模型,预测黑龙江省2015~2020年一次能源的消费结构。结果表明：构建的模型模拟预测结果误差小,预测准确度良好。2015~2020年黑龙江省一次能源消费总量基本稳定在9200万吨标准煤;能源消费结构中煤炭、石油和天然气的份额均有所降低,清洁能源占比呈增长趋势;到2020年,一次能源消费结构中煤炭占比仍高达65.39%,清洁能源占比仍处于弱势。建议：降低一次能源的消费总量,尤其是煤炭和石油在一次能源消费中的占比;合理调整一次能源的消费结构,降低煤炭在能源消费结构中的占比;政府出台相关政策,引导消费理念,优先使用清洁能源。     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于均匀设计和BP神经网络的花生油SFE-CO2萃取预测

利用均匀设计和BP神经网络相结合的方法,研究了SFE-CO₂萃取花生油工艺。以半烘烤并粉碎之后的花生为原料,针对萃取压力、温度、时间和CO₂流量4个因素,每个因素10个水平安排实验,利用均匀设计的实验数据作为网络训练样本,构造花生油SFE-CO₂萃取的BP神经网络预测模型,对萃取过程进行预测,分析各实验因素与出油率之间的关系,确定较优的工艺条件。最后确定4-9-1的BP神经网络模型,利用该模型所得出油率的预测值与实验值相接近,相对误差(绝对值)小于2%;构造的BP神经网络模型能较好地预测萃取过程中各参数影响下花生出油率的变化趋势。结果显示,当萃取压力30MPa,温度40.5℃,时间125min,CO₂流量187L/(h·kg)时花生出油率可达期望值47.5%。该方法为实现预测与控制SFE-CO₂萃取花生油过程奠定了可靠的理论基础。     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

基于烧伤控制的18CrNi4A材料齿轮磨削工艺研究

为对18CrNi4A材料齿轮加工过程中出现的磨削烧伤现象进行有效控制与预防,从而达到改进工艺、延长寿命的目标,利用ABAQUS有限元仿真方法,建立了齿轮磨削仿真模型,研究了18CrNi4A材料齿轮磨削过程中砂轮线速度、磨削切深等工艺参数对磨削温度场的影响规律,确立了各工艺参数对磨削温度场影响的权重,为实现基于烧伤性能变化的磨削参数控制研究提供了参考.进行了18CrNi4A材料齿轮磨削加工试验,验证了有限元仿真分析的可信性,并得到了18CrNi4A材料的磨削烧伤临界温度,能够对18CrNi4A材料齿轮磨削加工工艺参数的确定提供一定的理论指导.