导读:本文包含了粒子群算法优化神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:再制造,疲劳寿命预测,反向传播,神经网络
粒子群算法优化神经网络论文文献综述
温海骏,孟小玲,曾艾婧,郭孝敏,许向川[1]（2019）在《基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测》一文中研究指出再制造工件多元异质材料特性及工艺参数对疲劳寿命的影响,使得传统的疲劳寿命计算方法无法适用于再制造工件,针对此问题建立了再制造工件疲劳损伤预测修正模型,并通过疲劳试验分析了不同熔覆厚度和宽度条件下对试件疲劳强度和可靠性寿命的影响,同时获取了寿命预测修正系数;进而采用二阶粒子群算法优化的反向传播(back propagation,BP)神经网络,构建了材料性能参数、应力水平及再制造工艺影响因素与疲劳寿命之间的关系模型,针对再制造工件进行寿命预测。结果表明,神经网络的预测结果与试验数据相符,优于数值计算预测模型,为实现再制造工件的疲劳寿命预测提供了一种新的方法和手段。(本文来源于《科学技术与工程》期刊2019年21期）
吴金文,王玉鹏,周海波[2]（2019）在《基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究》一文中研究指出为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。(本文来源于《机床与液压》期刊2019年11期）
白燕燕[3]（2019）在《基于粒子群算法优化卷积神经网络结构》一文中研究指出卷积神经网络(Convolutional Neural Network,CNN)在各领域应用非常广泛.训练的神经网络分类器的性能取决于其结构,而寻找一个最优CNN结构非常困难,这成为CNN应用的一大阻碍.首先,CNN的结构复杂多样,决定CNN结构的是超参数,这些超参数无法通过网络训练得到,需要人工设定且组合方式多样,而现有的方法多依赖于经验.其次,CNN训练的初始权重对CNN的学习有一定影响,一个好的CNN结构具有鲁棒性,可削弱初始权重对其影响.最后,对于不同的问题,CNN结构不同,需要重新选择CNN结构.本文针对CNN结构优化存在的问题做了以下研究:(1)研究了CNN的结构以及现有优化CNN的算法,通过分析算法原理和实验结果,讨论了优化CNN结构的重要性.(2)研究了现有粒子群算法(Particle Swarm Optimization,PSO)优化CNN结构的方法.在此基础上,提出了改进的基于粒子群算法优化卷积神经网络结构(Improved Particle Swarm Optimization Convolutional Neural Network,IPSOCNN)算法,增加超参数的个数,丰富了CNN结构的多样性,使CNN结构的优化更加自动化,解决了人工选择的不确定性问题.实验表明,在MNIST数据集和AR数据集上,相比人工选择的最佳CNN结构及现有优化CNN算法,IPSOCNN算法的结果正确率更高.(3)经过研究及实验分析,IPSOCNN算法存在进一步优化空间.由于量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)的性能优于PSO算法,并且其参数通过学习自动选择,本文提出了基于量子粒子群算法优化卷积神经网络结构(Quantum Particle Swarm Optimization Convolutional Neural Network,QPSOCNN)算法.实验结果表明,QPSOCNN算法比IPSOCNN算法有更高的正确率.(本文来源于《内蒙古大学》期刊2019-06-01）
陈希鸣,黄张裕,秦洁,刘仁志[4]（2019）在《粒子群算法优化的神经网络短期钟差预报》一文中研究指出针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。(本文来源于《测绘科学》期刊2019年09期）
张伟,茅大钧[5]（2019）在《谱聚类分析下粒子群算法优化BP神经网络的风电场功率预测》一文中研究指出以提高风电场输出功率的预测精度为目的,引入一种新的研究方法。该方法首先将复杂风场情况进行谱聚类分析,结合粒子群算法对传统BP模型权值阈值优化后,进而对风电功率预测问题进行讨论。最后以江苏某风电场6～8月份的实测数据为样本进行仿真。结果表明:与传统方法比较,谱聚类分析下粒子群算法改进BP算法的均方根误差指标可以降低4.99%左右,本文方法能更准确地预测风电场的输出功率,并具有良好的跟踪性与可靠性。(本文来源于《上海电机学院学报》期刊2019年02期）
梁龙,房桂干[6]（2019）在《神经网络结合粒子群算法优化制浆浸渍工艺》一文中研究指出采用神经网络算法对化学机械法制浆过程中原料材性、工艺参数和纸浆质量之间的关系进行拟合建模,实现对化机浆抗张指数、松厚度和白度的预测评估。将工艺模型与粒子群优化算法相结合在一定工艺条件范围内对浸渍工艺进行优化,在满足生产标准的同时实现工艺成本最优。(本文来源于《2019中国制浆造纸自动化技术与智能制造研讨会论文集》期刊2019-03-26）
颜菲,张军[7]（2019）在《粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能》一文中研究指出建立了粒子群算法优化的人工神经网络预测模型。以工艺参数为输入变量,以单因素试验得到的Ni-Fe合金镀层的性能指标为输出变量,将粒子群算法优化的人工神经网络预测模型的预测结果与传统BP神经网络预测模型的预测结果进行了比较。结果表明:粒子群算法优化的人工神经网络预测模型具有更高的预测精度。通过建立模型得到了各个工艺参数对Ni-Fe合金镀层性能指标的评价指标权重。当电流密度为1.0～1.5A/dm2、镀液温度为45℃、搅拌速率为1 000～1 200r/min时,Ni-Fe合金镀层的表面粗糙度和腐蚀速率均处于较低水平。(本文来源于《电镀与环保》期刊2019年01期）
王春林,胡蓓蓓,冯一鸣,刘轲轲[8]（2019）在《基于径向基神经网络与粒子群算法的双叶片泵多目标优化》一文中研究指出针对双叶片泵存在水力性能比相同比转速的多叶片离心泵低的缺陷,该文以一台型号为80QW50-15-4的双叶片污水泵作为研究对象,将其设计流量点的扬程和效率定为优化目标,运用ANSYS CFX(computational fluid dynamics x)进行数值模拟获得性能数据,采用径向基(radial basis function,RBF)神经网络建立结构参数与扬程、效率性能间的预测模型,并将其用作粒子群算法的适应值评价模型,在样本空间内进行最优值求解,获得扬程和效率的Pareto解。选取扬程最优个体和效率最优个体进行数值模拟,研究其在输运不同介质时的性能与内流场差异,并与初始模型的数值模拟数据相比较。经试验验证,清水介质中设计流量点扬程最优个体的扬程较初始个体增加0.96 m,增幅达到5.5%;效率最优个体的效率较初始个体提升了10.11个百分点。该优化方法改善了叶轮水力特性,使双叶片泵性能得到提高。(本文来源于《农业工程学报》期刊2019年02期）
白燕燕,曹军,张福元,彭心怡[9]（2019）在《基于粒子群算法优化卷积神经网络结构》一文中研究指出目前卷积神经网络(Convolutional Neural Network,CNN)在各领域应用非常广泛.训练的神经网络分类器的性能取决于其结构,而寻找一个最优CNN结构非常困难,故现有的方法多依赖于经验.提出的IPSOCNN(Improved Particle Swarm Optimization Convolutional NeuralNetwork)算法,利用粒子群(Particle Swarm Optimization,PSO)算法搜索范围广、收敛速度快的特点,自动选择CNN的最佳结构,解决人工选择的不确定性问题.实验表明,相比人工选择的最佳CNN结构及现有优化CNN算法,IPSOCNN算法的结果正确率更高.(本文来源于《内蒙古大学学报(自然科学版)》期刊2019年01期）
马梅琴,李风军,赵菊萍[10]（2019）在《基于改进粒子群算法优化小波神经网络的短时交通流预测》一文中研究指出传统的小波神经网络预测模型,通常采用单向梯度下降法进行参数优化,但其存在收敛速度慢和局部最优等问题.为了提高城市道路短时交通流的预测精度,提出一种改进的粒子群算法优化小波神经网络预测模型.该算法可以调整惯性权重和学习因子,以改善粒子群算法后期收敛速度慢、局部搜索能力弱等缺点.最后将模型应用于短期交通流的实证研究,结果表明,与传统的小波神经网络和蚁群算法优化小波神经网络预测模型相比,提出的模型预测的结果误差更小,且具有较快的收敛速度和较好的非线性拟合能力.(本文来源于《宁夏师范学院学报》期刊2019年01期）
粒子群算法优化神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了降低机床主轴运行产生的热误差,建立混合算法优化BP神经网络预测模型,通过实验验证预测精度。分析模拟退火算法和粒子群算法的不足,采用模拟退火算法耦合粒子群算法,给出混合算法寻优步骤。引用BP神经网络结构,构造机床主轴热误差预测模型,采用混合算法优化BP神经网络预测模型。采用实验验证主轴热误差预测精度,并与优化前进行比较和分析。结果显示:采用混合算法优化后的BP神经网络预测模型,其Y轴方向产生的最大误差值从7.3μm降低到2.3μm;而Z轴方向产生的最大误差值从7.5μm降低到2.6μm。同时,机床主轴整体误差波动幅度较小。采用混合算法优化BP神经网络预测模型,用于机床主轴热误差在线补偿,提高了加工精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
粒子群算法优化神经网络论文参考文献
[1].温海骏,孟小玲,曾艾婧,郭孝敏,许向川.基于二阶粒子群算法优化的神经网络再制造工件疲劳寿命预测[J].科学技术与工程.2019
[2].吴金文,王玉鹏,周海波.基于模拟退火耦合粒子群算法优化BP神经网络的机床主轴热误差补偿研究[J].机床与液压.2019
[3].白燕燕.基于粒子群算法优化卷积神经网络结构[D].内蒙古大学.2019
[4].陈希鸣,黄张裕,秦洁,刘仁志.粒子群算法优化的神经网络短期钟差预报[J].测绘科学.2019
[5].张伟,茅大钧.谱聚类分析下粒子群算法优化BP神经网络的风电场功率预测[J].上海电机学院学报.2019
[6].梁龙,房桂干.神经网络结合粒子群算法优化制浆浸渍工艺[C].2019中国制浆造纸自动化技术与智能制造研讨会论文集.2019
[7].颜菲,张军.粒子群算法优化的人工神经网络预测Ni-Fe合金镀层的性能[J].电镀与环保.2019
[8].王春林,胡蓓蓓,冯一鸣,刘轲轲.基于径向基神经网络与粒子群算法的双叶片泵多目标优化[J].农业工程学报.2019
[9].白燕燕,曹军,张福元,彭心怡.基于粒子群算法优化卷积神经网络结构[J].内蒙古大学学报(自然科学版).2019
[10].马梅琴,李风军,赵菊萍.基于改进粒子群算法优化小波神经网络的短时交通流预测[J].宁夏师范学院学报.2019