基于神经网络的法兰轴冷挤压成型工艺优化

为研究冷挤压成型工艺参数对法兰轴成型质量的影响，解决法兰轴成型时法兰盘填充不满和阶梯轴肩的折叠缺陷问题，课题组设计3因素3水平正交实验进行研究。采用3层拓扑结构，以凸模挤压速度、模具与坯料之间的摩擦因数、阶梯轴处圆角半径为输入层神经元，以折叠角和成型载荷为输出层神经元构建法兰轴冷挤压成型工艺优化神经网络模型。研究结果表明该模型的预测性能较好，精度较高。通过生产验证出优化后的工艺方案可有效解决法兰轴充填不满和折叠缺陷，为解决多变量多响应复杂的多元非线性工程问题提供了参考。     

大变形梁的模糊神经网络建模与预测

本文运用模糊神经网络原理．采用学习结合型FNN方法，针对两种不同材料梁的大变形进行了网络建模和预测的数值仿真．仿真结果表明，网落模型所具有的输入输出特性与所对应的实际力学系统的实验测量十分吻合实现了高精度预测．     

基于遗传算法的柴油机电控参数实时优化

为使发动机满足日益严格的排放法规要求同时使其具有较好的燃油经济性，采用柴油机性能与运转参数间神经网络模型，将遗传算法嵌入DSP中实现了电控参数的实时优化。在实验台上验证了神经网络建模和遗传算法相结合在线寻优的最优控制MAP生成技术的可行性。     

一种用于假腿的变结构智能控制器设计

针对智能假腿对不同步行模式(如上坡、下坡/楼梯、平地行走等)的力矩进行实时跟踪控制的需要,提出了一种新型变结构的小脑模型神经网络控制器(CMAC).CMAC利用一种随机重连学习算法对CMAC的输入模式进行遍历,其结构自组织到一个相对稳定状态.研究结果表明,在该状态下神经元上的输入连接不均匀分布,其度分布服从幂律分布,从而起到了优化CMAC结构的作用.这种变结构CMAC可以改善智能假腿适应步态变化的跟踪效果.     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

一种换热器网络优化新方法

基于遗传算法和神经网络的多层感知器模型的有机结合,提出一种优化换热器网络的新算法和一种新的编码方法－基因矩阵,这种算法根据遗传适应度（目标函数）的大小,以随机搜索方式寻找在求解区域的最优解,采用神经网络多层感知器模型实现换热器网络的结构优化和参数变化。经过遗传－感知模型优化并与外逼近算法做了比较,表明采用此法优化多维、多峰、非凸的换热器网络也具有很好的适应性。     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

模糊神经网络用于非线性系统模型辨识(英文)

提出了一种非线性系统的模型辨识方法。在只有被辨识系统的输入输出数据的情况下,利用一种无监督的聚类算法来进行结构辨识,从而自动获得模糊规则库,并可以得到模糊系统的初始参数。在聚类的基础上,构造一个与之相匹配的模糊神经网络,用它的学习算法来训练网络得到一个精确的模糊模型,从而实现参数辨识。同时,证明了所构造的模糊神经网络具有通用逼近能力,这个能力在模糊建模和模糊控制方面非常有用。通过对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

非线性动态液位软测量

文章设计了一种具有高度非线性逼近能力的人工神经网络模型结构,以遗传算法进行该模型参数的组合优化建模,解决连续搅拌反应釜动态液位测量问题。     

基于神经网络和遗传算法的压力机调节螺杆优化设计

强度和质量是压力机调节螺杆主要性能指标。将神经网络和遗传算法结合起来,可以很好地对调节螺杆结构进行多目标优化设计。文章首先建立了调节螺杆有限元分析模型,然后应用正交试验方法对神经网络的训练样本进行试验安排,并建立出设计参数与最大应力、质量映射关系的神经网络模型。利用遗传算法对该神经网络模型进行全局寻优,得到调节螺杆的最优结构参数。     

阴极射线管色度转换的神经网络模型

利用神经网络技术实现了从阴极射线管(CRT)的R、G和B空间到CIE的标准色度空间的转换.用拟牛顿法训练网络模型,建立了从CRT的R、G和B到CIE的X、Y和Z色度空间变换的3 10 10 3神经网络模型.采用7点LOG空间分布方案的343个训练样本建模的试验表明,收敛性与训练时间及模型精度均优于前人采用3~4个隐层的方案,343个训练样本、216个检验样本和64组测试样本的平均转换精度分别为0.6个CIELUV色差单位,说明该模型的泛化能力很好.     

测试产生的神经网络方法及若干问题研究

介绍了在微机上开发的一种基于神经网络的测试生成系统结构，详细讨论了系统中各模块的实现方案。从提高效率的角度，对电路测试生成中神经网络这一方法的发展及今后须解决的问题做了讨论     

基于PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

多类服务器计算机网络系统优化配置研究

采用马尔可夫排队网络，建立了具有多类服务器并考虑网络影响的基于Ｃｌｉｅｎｔ／Ｓｅｒｖｅｒ平台的计算机网络系统的数学模型，给出了有限源开环马尔可夫排队网络的稳态分布概率的一般解。在此基础上，推出系统负载指标的解析结果，分析、论证系统服务器负载均衡的条件，提出归一化的性能指标向量，建立系统优化目标函数，研究不同情形下的配置优化求解方法。     

武器系统费用估算的参数法研究

提出了武器系统费用估算中参数法的形式化研究方法,对参数模型的建立、目标函数的建立以及优化参数的求取进行分析.考虑到模型对样本数据的适应能力,采用径向基神经网络建立参数模型;针对模型的拟合精度和推广能力之间的矛盾以及两者的要求,提出建立一种折中的目标函数;针对目标函数的参数较多、形式较为复杂的特点,采用粒子群优化算法计算得到模型的优化参数,最后通过实例加以分析验证.理论研究和计算分析表明,该方法从本质上解决了参数法的模型建立、参数优化等问题,既可以对新参数模型的建立在理论上提供指导,也可以在实践中推广应用,通用性较好.     

基于神经网络的测井评价油层污染研究

利用测井资料,在剖析传统的测井评价油(气)层污染方法的基础上,介绍了利用BP神经网络这一现代数理统计新技术来实现测井多参数评定油气层污染程度的方法和技巧;以华北二连油田实际资料为例,建立了测井判释油气层污染的数学物理模型,并进行了模拟预测。结果表明:该法简便可行,对污染评价参数预测精度较高,对污染程度评价合理准确,可作为油(气)层污     

一类双延迟神经网络系统的稳定性分析

研究了一类带有两个离散延迟的双神经元的神经网络系统。通过分析相应的特征方程得到了零平衡点稳定和不稳定的一些充分条件。进一步讨论了系统局部Hopf分支的存在性。     

基于优化BP神经网络的营销风险衡量与控制

营销风险是由营销环境等因素的不确定变化带来的,营销风险衡量是营销风险管理的核心。文章提出了基于改进BP神经网络的营销风险评价方法。这种方法的步骤包括建立营销风险评价指标体系,并进行FA指标处理;构建BP神经网络模型,以实例训练模型,并验证此方法的可行性。在此基础上,用概率法划分五个营销风险等级,并根据企业承受营销风险的能力及风险管理水平,采取相应的预警控制措施。