应用遗传算法和神经网络的工程电梯传动机构模糊优化设计

在弯管前安装扰流子，可以减小弯管处二次流强度，降低能量损失，并运用cfd软件对不同参数下的扰流子节能效果数值计算。以l9（33）正交试验以及4组补充试验作为bp神经网络的训练样本，建立在5种雷诺数下扰流子节能效率与扰流子叶片转角、叶片长度、安装距离3个结构参数的非线性映射关系；扰流子节能效率最大值作为目标函数，再结合遗传算法进行结构参数优化。最终得到在不同雷诺数下扰流子叶片转角、叶片长度、安装距离的最佳组合形式，并利用有限元方法对结果验证。结果表明，这种优化方案具有可行性；合适的结构参数的扰流子具有良好的节能效果。

在弯管前安装扰流子,可以减小弯管处二次流强度,降低能量损失,并运用cfd软件对不同参数下的扰流子节能效果数值计算.以l9(33)正交试验以及4组补充试验作为bp神经网络的训练样本,建立在5种雷诺数下扰流子节能效率与扰流子叶片转角、叶片长度、安装距离3个结构参数的非线性映射关系;扰流子节能效率最大值作为目标函数,再结合遗传算法进行结构参数优化.最终得到在不同雷诺数下扰流子叶片转角、叶片长度、安装距离的最佳组合形式,并利用有限元方法对结果验证.结果表明,这种优化方案具有可行性;合适的结构参数的扰流子具有良好的节能效果.

针对传统方法单独采用bp神经网络算法易陷入局部极值的问题,提出了遗传算法优化bp神经网络,并将其应用于mimo-ofdm系统信号检测中。该方法将遗传算法与神经网络相结合,用遗传算法优化神经网络初始值,使bp网络快速收敛到最优解,避免了由初始值的随机选取而带来的检测误码。仿真结果表明所提出的方法在误码率方面有比较好的性能。

本文对常见的电梯智能群控算法进行了分析比较,重点研究了模糊神经网络算法。本文首先对大厦客流的特征进行长期统计分析,进而对电梯群交通模式进行分类,利用模糊神经网络对电梯群的交通模式进行了识别。根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算,选取可信度最大的电梯响应呼梯信号,最终完成派梯。

本文对常见的电梯智能群控算法进行了分析比较,重点研究了模糊神经网络算法。本文首先对大厦客流的特征进行长期统计分析,进而对电梯群交通模式进行分类,利用模糊神经网络对电梯群的交通模式进行了识别。根据系统的识别结果判定电梯群当前处于的交通模式。然后再次利用模糊神经网络对派梯算法中各电梯响应呼梯信号的可信度进行计算,选取可信度最大的电梯响应呼梯信号,最终完成派梯。

提出了将温差发电器对内燃机排气背压的影响纳入温差发电器的优化设计过程的观点,设计了一套新的温差发电器优化方案。以发电器尺寸参数为设计变量,以排气背压、质量作为约束条件,以发电片温差为目标进行优化设计。利用中心复合设计法选取试验点,对试验点进行cfd仿真,采用高预测精度的改进bp神经网络拟合设计变量与目标函数间的关系,再利用遗传优化算法在设计空间寻找最佳设计点。优化后消除了发电器对排气背压的影响,温差提高了8.8%,质量降低了6.7%。

优化电解碲电源对电解行业节能增效、提高电解产品质量和改善电网环境具有重要意义.电源前级采用三相电压型pwm整流器；在建立pwm整流器数学模型的基础上；通过改进双闭环pi控制策略；即外环基于并行搜索全局寻优的遗传算法优化bp神经网络权值和阈值的智能控制方法；分析网侧电流波形和谐波含量；可得到所需的额定电解电压和电流；以matlab/simulink软件为平台进行仿真计算.结果表明:ga-bp(geneticalgorithm-backpropagation)算法具有输出电压平稳、响应速度快、超调量小、抗干扰性强等优点.

综合利用有限元法、正交试验法、bp神经网络以及遗传算法对大重型数控转台的花盘结构系统进行优化研究。首先对花盘结构系统进行谐响应动力学分析,找出对结构动态特性影响最大的模态频率,并确定bp神经网络的输入变量,然后利用正交试验法和有限元分析法确定出bp神经网络样本点数据,建立反映花盘结构特性的bp神经网络模型,最后利用遗传算法对建立的bp神经网络优化。仿真结果表明,花盘第一阶固有频率提高15.5%,其自重降低9.8%。

为了有效解决网络系统可能出现的故障,结合模糊神经网络提出了一种新的故障检测算法fdd-fnn(failuredetectionalgorithmbasedonfuzzyneuralnetwork).该算法根据特征信息熵建立了故障检测评价方法和最小偏差的优化模型,设计了模糊神经网络中输入层、模糊化层、模糊规则层和解模糊层,并且给出了具体的算法流程.通过建立网络仿真平台,深入分析了影响fdd-fnn算法的关键因素,同时对比研究了fdd-fnn算法与其他算法的性能情况,结果表明fdd-fnn算法具有较好的适应性.

根据某建筑中央空调系统的工作参数,创建bp神经网络模型,得到输入输出的映射关系.利用遗传算法寻找中央空调系统的最佳工作参数,对遗传算法的优化结果进行分析.利用图形分析法验证遗传算法得到的结果是全局最优解.当冷却水进口温度为室外温度、冷水出口温度为设置范围内的最大值时,空调功耗最小.

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.

提出了一种神经网络与遗传算法相结合的电镀锌镍磷合金工艺参数优化方法。以试验数据为样本,通过神经网络建立电镀工艺参数与电镀性能关系之间的复杂模型,利用遗传算法对电镀工艺参数进行优化,可充分发挥神经网络的非线性映射能力和遗传算法的全局寻优能力。试验显示了方法的有效性和优越性。

针对目前斜盘发动机用弹性联轴器设计方法落后,对轴系振动减振效果不良的现状,提出采用bp人工神经网络模型和遗传算法ga优化设计弹性联轴器的方法。首先建立斜盘发动机轴系动力学数学模型,并通过数值仿真获得样本。然后采用bp神经网络建立弹性联轴器设计参数与目标函数间的非线性映射关系。最后采用遗传算法调用训练好的神经网络进行全局优化。优化结果表明该方法能够快速可靠地搜索到全局最优解,不仅具有足够的工程精度,而且使用方便、实用性强。

基于结构系统静强度可靠性分析、神经网络和遗传算法,对空间梁板结构系统进行了可靠性分析和基于可靠性的优化设计。结构可靠性分析中,给出了安全余量以及安全余量对各变量敏度的显性表达式,便于各安全余量间相关性计算和可靠性计算精度提高。结构优化中,用神经网络和遗传算法,每代遗传操作中只需用传统方法计算1次结构系统可靠性指标,将该代最优解对应的数据加入神经网络的训练样本,从训练样本中删除最次样本,使训练样本不断处于更新状态。数值算例表明:该法收敛平稳、用时较少,具较好的收敛性和较高的计算效率。

针对隧道工程施工网络计划执行率低的现状,将遗传算法和神经网络技术联合用于隧道施工网络计划的动态优化与决策。基于遗传优化和神经网络方案(模式库、专家知识系统)的优化决策方法能使该技术在隧道施工的应用更科学合理、准确可靠和方便快捷。该技术不仅能解决施工网络计划的执行率低的现状,而且为信息化和智能化的隧道施工提供了有力的技术保障,具有广泛的应用前景。

为有效gis设备放电故障诊断的快速性和准确性,采用近几年出现的遗传算法对bp神经网络进行优化,减少了bp神经网络算法陷入局部最优解的风险,显著增强了bp神经网络的泛化能力和全局寻优能力。对比发现,遗传算法优化后的bp神经网络模型具有比较好的快速性和准确的诊断能力。测试结果表明,遗传算法优化bp神经网络对gis设备放电故障诊断具有可行性和有效性。

针对压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,会严重影响其定位精度的问题,提出遗传算法优化bp神经网络的压电陶瓷蠕变预测算法。采用遗传算法优化了bp神经网络的权值和阈值,构建了基于遗传算法的bp神经网络(ga-bp算法)的蠕变预测模型。用ga-bp算法对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比。结果表明,获得的蠕变预测结果与实验数据的最大绝对误差均不超过0.2μm,最大蠕变误差均小于1.5%,最大均方误差仅为0.0046,因此,ga-bp预测模型可作为预测压电陶瓷蠕变误差的一种有效手段。

针对压电陶瓷驱动器的蠕变误差随时间呈现非线性变化,会严重影响其定位精度的问题,提出遗传算法优化bp神经网络的压电陶瓷蠕变预测算法.采用遗传算法优化了bp神经网络的权值和阈值,构建了基于遗传算法的bp神经网络（ga-bp算法）的蠕变预测模型.用ga-bp算法对压电陶瓷蠕变进行了预测仿真,并将结果与实测数据进行了对比.结果表明,获得的蠕变预测结果与实验数据的最大绝对误差均不超过0.2μm,最大蠕变误差均小于1.5％,最大均方误差仅为0.0046,因此,ga-bp预测模型可作为预测压电陶瓷蠕变误差的一种有效手段.

基于遗传算法的改进BP神经网络模型在水质评价中的应用

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.

目的将改进的神经网络模型应用于钻孔灌注桩桩孔质量的智能化识别,从而减少人为的误判、漏判情况.方法将遗传算法与神经网络模型有机地结合起来,建立桩孔质量检测的智能化模型,先利用遗传算法对神经网络的权值和阈值进行优化,再结合训练完成的神经网络模型对桩孔质量进行预测,同时根据现场数据建立三维分析图,通过预测结果与三维分析图的比对来验证模型的准确性.结果测试样本的仿真误差为0.00575,训练样本的仿真误差为0.0224;5、6号桩孔的预测结果为(0.0012,0.9999),(0.0027,0.0051),即5号桩质量为合格,6号桩质量为良好.结论通过预测结果与三维分析图的比对结果,可以得出基于遗传算法的神经网络模型能够较好地对孔灌注桩进行智能判别.

神经网络隐藏层数量的选择以及权重值的确定对训练算法的收敛性有很大影响,为了解决神经网络(ann)训练过程中结构复杂的问题,提出了一种基于遗传算法(ga)的网络结构优化方法。试验结果表明,在训练样板数量较大时,优化后的ann能够计算出隐藏层的最佳数量,从而提高整体的性能,具有较好的泛华能力。