摘要：针对造纸企业在生产过程中的能源消耗问题,提出了基于粒子群算法的神经网络能源消耗预测模型。通过所设计的模型预测造纸生产中的能源消耗量,以某造纸厂生产车间的能耗量进行预测分析,得出神经网络预测模型的应用效果。表示,和传统预测方法对比,粒子群算法神经网络能源消耗模型的预测误差比较小,具有良好的预测效果。能够保证企业源稳定的供需,提高企业经济效益,促进企业稳定的发展。

摘要：中高压绝缘栅双极型晶体管(IGBT)的开关特性在电力变换器设计、变换器性能、效率和寿命改善中至关重要。本文基于中高压功率模块离线测试平台的数据,分析了工作环境如门极电压、门极电阻、集电极电压、工作电流和器件结温等参数对IGBT在感性负载电路中开关特性的影响,对开关特性各参数建立了基于遗传算法优化的误差反向传播多层前馈神经网络模型,实现了在额定值范围内对各种环境条件下的IGBT开关特性参数如开关时间、开关损耗、最大电流尖峰和最大电压尖峰的可靠预测。

摘要：用神经网络预测给水泵全特性模型 ,并利用均匀设计和逐步回归分析对其BP网络结构和BP算法参数进行全面综合优化。先对 4层BP神经网络 (含 2个隐层 ) ,把L -M法的 4个参数及隐层神经元个数作为优化因素 ,各取 11个水平 ;后对 3层BP神经网络再优化 ,仍把L -M法的 4个参数及单隐层神经元个数作为优化因素 ,各取 11个水平分别进行计算机仿真实验。仿真实验结果表明 :该优化方法很有效 ,优化预测模型具有很好的学习能力和泛化能力。

摘要：以易切削黄铜的加工表面粗糙度与各种加工参数的关系为对象,将L9( 34)型正交切削试验数据作为训练学习样本,同时以与正交试验参数有关的6个样本作为预测样本,用BP神经网络对其进行了预测。结果表明:经设计的BP神经网络训练1183次,其最大误差不超过5 % ;人工神经网络与正交试验相结合,能大大节省预测时间和费用,效果很好。

摘要：为解决大棚灌溉系统数据采集和水量预测精度差的问题,设计了一种基于神经网络预测的大棚灌溉系统。采用Penman-Monteith公式和BP神经网络对作物需水量进行建模和预测,提出基于BP神经网络预测的模糊PID控制算法,实现适时适量的大棚灌溉自动化监控,进一步推进种植业生产智能管理。

摘要：针对抽油机远程监控中信息延时的问题,提出了基于神经网络的信息延时预测方法。采用GPRS技术和Quest3D软件,构建了抽油机网络监控环境,分析了网络监控中存在的较大延时、不确定延时、数据丢失等问题,建立了信息延时的预测模型,为提高抽油机监控质量、保证采油作业安全提供了技术保障,利用现场数据,在MATLAB环境中进行了仿真,仿真结果验证了该方法的有效性。

摘要：集中供热系统存在大惯性、非线性以及时变性等问题,为了保证集中供热系统末端用户的采暖质量,针对集中供热二次网系统,设计了二次网回水温度的预测模型及智能控制策略,以实现二次网回水温度的准确控制,满足末端用户的采暖需求。通过飞升曲线建立了温控系统的数学模型。设计了一个RBF神经网络预测模型,模型的输出作为温控系统的二次网回水温度给定值。在控制算法上,设计了三层前向型神经网络与PID相结合的智能控制器,实现对二次网回水温度的闭环控制。基于所建立的数学模型、预测模型及控制器进行了仿真实验。仿真结果表明,所采用的控制方法与常规PID控制相比,具有调节时间短,超调量小的优点。验证了所采用控制方法的可行性和有效性。

摘要：静电目标特性是静电探测和目标识别的基础。构建了一个基于USB数据采集卡的静电探测器数据采集系统,给出了低通滤波器算法的基本原理和设计实现过程。为满足高速弹目交会条件下对信号处理速度的要求,采用线性神经网络和非线性Elman神经网络设计了目标特性预测器,仿真结果表明:非线性Elman神经网络预测器能够有效给出目标特性预测结果,提高了静电探测系统实时性。

摘要：建立了血管支架变形影响因子与其变形结果之间的具有高度非线性识别能力的神经网络模型,通过引入学习因子η和动量因子ψ,采用附加动量项的权值修正方法,优化了网络训练算法,从而提高了网络训练速度和系统鲁棒性.结合实例对网络进行训练,并对预测误差进行了统计假设检验,检验结果表明血管支架变形神经网络智能预测结果与非线性有限元分析结果误差均值低于0.03%,训练后的网络能够较好地对血管支架变形进行预测.在此基础上,基于Pro/Toolkit工具,融合血管支架扩张变形神经网络智能预测模型,建立了血管支架力学性能快速评价工具,该系统实用性强、效率高,能大幅缩短血管支架产品开发周期。

摘要：螺杆转子主要应用在压缩机、螺杆泵等设备中,其表面质量对使用性能及工作寿命起到关键性作用。工艺参数为影响螺杆转子表面粗糙度的主要因素之一。为了探究工艺参数对螺旋曲面铣削表面质量的影响规律,设计转子铣削实验,获取预测及实验对比样本。利用改进的北方苍鹰搜索算法(INGO)对BP神经网络的初始权值和阈值进行优化,以便提高铣削后的多头螺杆转子表面粗糙度的预测精度。通过实验结果验证所提出算法的预测精度。结果表明,提出的预测模型在平均训练精度及预测精度等方面均优于GRU神经网络及CNN-GRU神经网络模型,其中平均训练精度及预测精度分别约为94.502%和95.523%。故提出的算法具有较高的预测精度,可为合理选择螺杆转子铣削加工的工艺参数提供理论依据。