Experimental and numerical study on plasma nitriding of AISI P20 mold steel

In this study, plasma nitriding was used to fabricate a hard protective layer on AISI P20 steel, at three process temperatures (450°C, 500°C, and 550°C) and over a range of time periods (2.5, 5, 7.5, and 10 h), and at a fixed gas N₂:H₂ ratio of 75vol%:25vol%. The morphology of samples was studied using optical microscopy and scanning electron microscopy, and the formed phase of each sample was determined by X-ray diffraction. The elemental depth profile was measured by energy dispersive X-ray spectroscopy, wavelength dispersive spectroscopy, and glow dispersive spectroscopy. The hardness profile of the samples was identified, and the microhardness profile from the surface to the sample center was recorded. The results show that ε-nitride is the dominant species after carrying out plasma nitriding in all strategies and that the plasma nitriding process improves the hardness up to more than three times. It is found that as the time and temperature of the process increase, the hardness and hardness depth of the diffusion zone considerably increase. Furthermore, artificial neural networks were used to predict the effects of operational parameters on the mechanical properties of plastic mold steel. The plasma temperature, running time of imposition, and target distance to the sample surface were all used as network inputs; Vickers hardness measurements were given as the output of the model. The model accurately reproduced the experimental outcomes under different operational conditions; therefore, it can be used in the effective simulation of the plasma nitriding process in AISI P20 steel.     

基于BP神经网络的钢丝绳断丝检测系统

目前钢丝绳断丝定量检测中存在效率低、可靠性差的问题.基于BP神经网络的智能化钢丝绳断丝检测系统,利用虚拟仪器技术,可方便地实现对钢丝绳的数据采集、实时分析,实现了对钢丝绳断丝检测的综合判断.运用MATLAB神经网络工具箱进行模拟检测,结果表明:网络仿真与实际相符,准确判断率为81.82%.该系统用于钢丝绳断丝识别可行.     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题,提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征,构成模式识别的初始特征．以训练样本识别正确率为适应度函数,采用GA对初始特征进行组合优化．基于优选后的特征,用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5,与2003年BCI国际竞赛最好的处理结果（88．7％）相比,提高近4％,为BCI中EEG的识别提供了有效的手段．     

分组网络环境下的实时语音质量客观评价

提出了一种利用前馈随机神经网络在分组网络中进行实时语音质量评价的新方法．从接收到的语音分组中提取美尔频率倒谱系数向量，利用实时传输控制协议计算语音分组传输过程中的丢包率、延迟和抖动，构成网络传输参数向量．将随机神经元组织成具有1个输入层、1个隐含层和1个输出层的3层前馈网络结构，再以上述2种向量作为输入的多类别信号，以相应的主观平均意见（MOS）评分值作为输出对网络进行训练，从而获得稳定的权值矩阵．利用训练过的网络进行多类别信号的语音质量评分映射，并将映射结果与MOS进行二次多项式拟合，得到最终的语音质量评分值．实验表明，所提算法与主观评价之间的平均相关度可达到0．881．     

人工神经网络BP算法在评价网站中的应用

简要介绍了人工神经网络BP算法的基本原理及其发展趋势,构建了网站的测评指标体系,探讨人工神经网络BP算法在评价网站中的应用。     

多层感知器信用评价模型研究

建立多层感知器(MLP)神经网络信用评价模型，用来对我国2000年96家上市公司进行信用评级。按照各上市公司的经营状况分为“好”、“中”、“差”三类，每一类由32家上市公司构成数据样本。对于每一家上市公司，主要考虑其经营状况的四个主要财务指标：每股收益，每股净资产，净资产收益率和每股现金流量，所有数据都来自于2000年上市公司年报。对于MLP网络结构，隐层结点的个数是采用试验的方法来确定的。先从1个开始，然后逐个逐个地增加，一直增加到不能再改善网络性能为止。仿真结果表明，多层感知器信用评价模型分类的准确率达到79．17％。此外，还详细给出MLP网络模型的学习算法和步骤。     

基于人工神经网络的岩土工程力学参数反分析

基于人工神经网络方法,建立了非线性力学反分析模型。用位移反求岩土工程计算中的邓肯参数,并以实例进行计算分析,结果表明此法适用于解决这类复杂非线性问题,稳定性好,有良好的适用性。     

优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题。通过对不同遗传操作的分析和改进,提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法。计算结果表明,该算法能快速地求出问题的全局最优解,且具有较好的计算精度。     

无线网络分层QoS垂直映射模型及跨层优化方法

现代无线通信网络结构复杂,通信环境时变,业务流和无线信道不可预知,服务质量保障极具挑战性.基于无线网络分层QoS体系结构,文中提出了一种统一的基于协议层间虚拟缓存接口QoS垂直映射模型,以虚拟队列技术实现层间QoS指标映射.同时,基于该协议层间QoS垂直映射模型提出一种跨层QoS优化架构,并针对业务流和无线信道的不可预知性,给出该架构在线学习优化求解方法.最后,通过与现有文献技术对比一致性方法验证所提出层间QoS垂直映射模型正确性,并且在物理层包差错率小于30％条件下,分析Q学习法优化数据链路层时延收敛性,从而验证所提出跨层优化模型和在线学习优化方法的有效性.     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.