混凝土泵车臂架结构的智能优化设计

针对混凝土泵车臂架结构优化设计非线性的复杂性和优化目标的多样性，利用BP神经网络算法建立起结构设计参数与变形、应力等的非线性全局映射关系，从而获得遗传算法求解结构优化问题所需的目标函数近似值，动态完成混凝土泵车臂架结构优化设计．     

基于萤火虫优化的BP神经网络算法研究

为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.     

基于IPSO-BP神经网络的连续刚构桥有限元模型修正

针对大跨度连续刚构桥有限元模型修正问题，提出一种基于改进粒子群算法优化BP神经网络的有限元模型修正方法。首先建立有限元模型修正的数学优化模型，其次通过改进标准粒子群算法对BP神经网络超参数进行优化，最后基于优化BP神经网络代理模型对有限元结构参数进行寻优求解。研究结果表明：基于优化BP神经网络的代理模型相较于未经优化的具有更高的拟合精度；修正后的有限元模型挠度理论计算值与实测值的平均相对误差仅为1.86%。     

BP小波神经网络模型及其在交通事件检测中的应用

将小波变换和BP神经网络进行紧致型结合,提出了基于BP小波神经网络的高速公路交通事件检测算法,即采用小波函数代替BP神经网络的隐层节点函数,相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替,以上下游检测器的速度、流量和占有率作为算法的输入,采用梯度下降法进行网络训练,构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据的实例分析,并将其与现有的经典算法进行了对比分析。结果表明,BP小波神经网络算法在检测率和平均检测时间方面具有明显的优势。     

平面张弦梁结构的优化分析

将BP神经网络引入平面张弦梁结构的优化分析,并针对离散变量结构的拟满应力法加以改进,与遗传算法相结合从而构成一种新型组合优化方法,并将该法应用于平面张弦梁结构算例的优化分析,结果表明了算法有效可靠,最后对算法的计算精度和速度进行了讨论。     

基于蚁群优化的前向神经网络

提出了一种新的神经网络学习方法.利用蚁群算法学习神经网络,克服了传统BP算法的不足.同时,针对蚁群算法主要用于组合优化的应用特点,对其进行了改进.将离散的信息素分布矩阵及概率分布矩阵拓展为连续的信息素分布函数和概率分布函数.将搜索的范围扩展到连续区域.使得新算法兼具了蚁群算法的全局快速寻优能力与神经网络的广泛映射能力.通过实例证明了该方法的有效性和快速性.     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

基于粗糙集-BP神经网络客户群特征与服务映射模型研究

针对客户服务项目的不确定性，基于不可分辨关系的粗糙集理论和BP神经网络算法优良的分类映射能力，提出了面向细分客户群的基于粗糙BP神经网络客户群特征与服务项目映射模型。本文将分析客户特征，运用粗糙集理论进行客户特征约简、划分等价关系、建立BP神经网络的初始拓扑结构，运用K-means算法划分客户群。通过引入粗糙集理论，改进BP神经网络算法，加快BP网络收敛的速度和逃离局部极小值点，并利用rosetta软件和Matlab编程实现面向细分客户群的客户特征与服务项目映射模型。     

基于动量BP算法的过渡段路基沉降预测

利用动量BP算法改进了BP神经网络的收敛性,建立了过渡段路基沉降预测模型．该模型可克服传统BP神经网络收敛速度慢、易陷入局部最优等的缺点．结合津秦客运专线路桥过渡段路基沉降实测数据,将该优化模型与传统BP神经网络预测模型进行了对比．计算表明,利用动量BP算法改进的神经网络具有较高的预测精度,同时考虑了多个影响因素,因而具有广阔的应用前景．     

遗传—神经网络在交通流预测中的应用

提出一种基于BP神经网络的遗传算法,分别利用其局部和全局寻优能力强的特点,综合为一种新的优化算法,并将改进的算法应用于交通流预测中。结果表明,改进方法的预测效果优于单一使用BP神经网络进行预测的效果。     

遗传算法优化的模糊神经网络在故障诊断中的应用

本文针对船舶柴油机故障诊断系统提出了一种基于遗传算法优化训练的模糊神经网络诊断方法,介绍了这种模糊神经网络故障诊断系统的结构及其参数形式,通过遗传优化算法对它的权值和阈值进行了学习优化训练。这种方法可以有效地避免通常所选BP算法训练易陷于局部极值的问题,最后将该遗传算法优化训练的模糊神经网络系统应用到船舶柴油机的故障诊断中,通过仿真研究,说明了该方法的有效性。     

张弦梁结构的优化设计方法研究

利用神经网络的强大映射功能,采用拟满应力法分析杆件截面变量的离散性,同时与遗传算法相结合而构成的一种新型组合优化方法．经平面张弦粱结构算例优化分析表明,计算速度快捷、有效可靠且能够满足工程精度要求。     

����Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ���������Hession�����Ż���NDEKF�������ʶ����ֱ��ͬ�����

永磁直线同步电动机模型的建立对研究其稳态特性、动态特性和控制策略都是非常重要的。首先，将带外部输入的非线性自回归模型展成多项式形式，然后在此基础上用残差分析法导出真实的阶次所满足的条件。为了克服神经网络结构依靠人工试凑的不足，使用基于Hession矩阵的修剪法来优化其结构。考虑到BP算法的一些固有缺点，使用NDEKF(基于节点的解耦扩展Kalman滤波器算法)来训练网络。实验证明，网络的输出结果与试验样机(永磁直线同步电动机驱动的垂直运输系统)的实际输出十分接近；同时将NDEKF与BP算法进行对比，NDEKF算法具有收敛较快、泛化能力强、不易陷入局部极小等特点。     

Minimum resistance ship hull uncertainty optimization design based on simulation-based design method

In the ship hull optimization design based on simulation-based design (SBD) technology, low precision of the approximate model leads to an uncertainty form of optimization model. In order to enable the approximate model with finite precision to maximize the effectiveness, uncertainty optimization method is introduced here. Wave resistance coefficient approximation model, built by back propagation (BP) neural network, is represented as a form of interval. Afterwards, a minimum resistance optimization model is established with the design space constituted by principal dimensions and ship form coefficients. Double-level nested optimization architecture is proposed: for outer layer, improved particle swarm optimization (IPSO) algorithm with learning factor improvement strategy is used to generate design variables, and for inner layer, modified very fast simulated annealing (MVFSA) algorithm is used to solve the objective function interval with uncertainty region. Cases calculation proves the effectiveness and superiority of uncertainty optimization method for ship hull SBD optimization design, thus providing a good way for finding optimal designs.     

基于免疫粒子群神经网络的短时交通流量预测

免疫理论中的基于浓度选择机制能避免粒子群算法在群体收敛性和个体多样性平衡问题上的不足,使改进后的粒子群算法优化BP神经网络参数的配置,提高短时交通流量预测的准确性。仿真实验表明：免疫粒子群优化后的BP神经网络可有效提高短时交通流量的预测精度,减小预测误差。     

BP神经网络收敛性问题的改进措施

BP算法现在已成为目前应用最广泛的神经网络学习算法,它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用,但存在收敛较慢问题.笔者在文中简述了BP算法原理,针对BP算法的收敛性问题,提出了几点改进措施.     

Forming path optimization for press bending of aluminum alloy aircraft integral panel

Because of the light weight, high stiffness and high structural efficiency, aluminium alloy integral panels are widely used on modern aircrafts. Press bend forming has many advantages, and it becomes a significant technique in aircraft manufacturing field. In order to design the press bend forming path for aircraft integral panels, we propose a novel optimization method which integrates the finite element method (FEM) equivalent model based on our previous study, the artificial neural network response surface, and the genetic algorithm. First, a multi-step press bend forming FEM equivalent model is established, with which the FEM experiments designed with Taguchi method are performed. Then, the back-propagation (BP) neural network response surface is developed with the sample data from the FEM experiments. Further more, genetic algorithm (GA) is applied with the neural network response surface as the objective function. Finally, experimental and simulation verifications are carried out on a single stiffener specimen. The forming error of the panel formed with the optimal path is only 5.37% and the calculating efficiency has been improved by 90.64%. Therefore, this novel optimization method is quite efficient and indispensable for the press bend forming path designing.