导读:本文包含了神经网络参数识别论文开题报告文献综述及选题提纲参考文献，主要关键词:拉杆转子,神经网络建模,近似模型,参数识别
神经网络参数识别论文文献综述
颜正杰,李海伟,朱坚民[1]（2019）在《基于神经网络近似模型的拉杆转子结合面参数识别》一文中研究指出传统获得拉杆转子结合面特性参数的方法往往采用微观接触理论推导,这种理论计算方法需要通过精密仪器获得相关统计参数,成本高。针对传统方法的局限性,采用理论和试验相结合的优化识别方法,以BP神经网络代替有限元数值计算模型,并以转子轮盘结合面接触刚度为优化变量结合模态试验值,利用粒子群算法进行优化识别,计算误差<4%。结果表明:该方法可行有效,并具有较高精度。(本文来源于《农业装备与车辆工程》期刊2019年10期）
陈讷郁,葛耀君[2]（2019）在《基于人工神经网络的典型桥梁断面气动参数识别》一文中研究指出基于同济大学风洞实验室既有大跨度桥梁试验数据成果,利用Access数据库软件和Java编程语言,集成了大跨度桥梁抗风性能的数据库系统。通过人工神经网络技术对人工神经元的训练和神经元间连接权值的调整,建立大跨度桥梁主梁气动参数(包括静力叁分力系数和颤振导数)的智能化识别方法,主要针对扁平箱梁和倒梯形箱梁两种断面。气动参数的神经网络输出与期望输出间的误差符合预期要求,以期可作为桥梁结构初步设计阶段参考。(本文来源于《土木工程学报》期刊2019年08期）
张可赞[3]（2018）在《基于不同神经网络对已加固刚架拱桥静力有限元模型的参数识别及修正》一文中研究指出当前行业内,针对加固后的桥梁,由于各种简化和假定,依据设计资料建立的桥梁初始有限元模型的计算结果与试验测量结果之间往往存在不同程度的差异。本文在前人有限元模型修正研究工作的基础上,因遗传算法和神经网络在处理复杂非线性问题时极具优势,将遗传算法与BP神经网络结合提出了一种集成式的神经网络,引入并改造生成式对抗神经网络(Generative Adversarial Networks,GANs),分别将其用于桥梁结构静力有限元模型的参数识别与修正中。1、对有限元模型参数识别修正技术及神经网络在其中的应用、研究意义及现状进行了阐述。对有限元模型参数识别基本机理、有限元模型修正的不同类别、待修正参数的筛选、修正效果的评估、目标函数的构造作了介绍。2、引入神经网络。首先,对本文的两种神经网络基模型BP神经网络的机理进行了介绍,其次结合遗传算法与神经网络的各自优点,建立集成神经网络;基于当前在图像、语音领域应用效果显着的生成式对抗神经网络,构造适用于本文的生成式对抗神经网络。3、使用Python语言中的机器学习算法库和深度学习算法库,搭建集成神经网络和生成式对抗神经网络。结合设计资料,搭建有限元模型,进行数值模型试验。引入均匀设计法构造神经网络所需的训练数据,同时对样本数据扰动,分阶段预训练和微调神经网络。通过数值模拟试验,证明该方法的合理性和应用价值。4、根据对已加固刚架拱桥的静载试验数据、加固方案,利用Midas/FEA有限元软件建立有限元计算模型,提取相关荷载作用下模型响应数据。结合静载试验数据,搭建集成神经网络、生成式对抗神经网络,构造训练数据,调试网络模型,依据实测数据,输出预测结果,实现有限元模型参数识别与修正。在此基础上,将结构进行合理分段,对其参数细化识别修正。结果表明,最终经参数分段识别修正的有限元模型计算结果精度明显提高,在特定荷载工况下,经不同神经网络识别修正的已加固刚架拱桥有限元模型可精确反映其受力状况。可为今后该结构的技术状况评估提供了一个精确的有限元计算模型,为结构加固效果、承载能力评估提供了参考。(本文来源于《长安大学》期刊2018-04-16）
朱坚民,周亚南,何丹丹,郑洲洋[4]（2018）在《基于神经网络建模的机床滑动结合面动态特性参数识别》一文中研究指出针对机床滑动结合面动态特性参数难以准确确定的问题。以结合面的刚度参数、阻尼参数为优化变量,建立滑动结合面动态特性参数的神经网络模型,结合神经网络模型的计算结果与机床整机实验模态的分析结果,采用布谷鸟优化算法对结合面的刚度与阻尼参数进行优化识别;以自行设计制造的机床滑动结合面实验台上工作台与床身间的滑动导轨结合面为实例进行了建模、实验、参数识别等分析。分析结果表明:该方法是可行的、有效的,参数识别精度高于已有文献研究。(本文来源于《振动与冲击》期刊2018年07期）
方宁,周宇,叶庆卫,李玉刚[5]（2017）在《基于无监督学习卷积神经网络的振动信号模态参数识别》一文中研究指出针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络(CNN)的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果(N阶模态参数集)进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别(SSI)算法及其局部线性嵌入(LLE)算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。(本文来源于《计算机应用》期刊2017年03期）
李芦钰,牛芸[6]（2014）在《基于神经网络预测与小波变换的结构非线性振动参数识别》一文中研究指出首先介绍利用复Morlet小波变换进行结构非线性振动模型参数识别的原理,进而分析了因小波变换过程中的边端效应以及在采样点较少情况下复Morlet小波变换对非线性模型参数识别准确性的影响。然后提出了利用BP神经网络对非线性模型参数识别的信号进行预测延拓,并基于预测后的信号进行参数识别。最后通过对两种非线性振动模型进行数值仿真,验证了该方法能很好的提高非线性模型参数识别的准确性,并且具有一定的抗噪能力。(本文来源于《振动与冲击》期刊2014年18期）
马凯超,宋笔锋,殷之平,谢伟,曹善成[7]（2013）在《一种基于神经网络的飞机载荷参数识别方法》一文中研究指出提出一种经遗传算法优化的Kalman滤波神经网络(GA-KFNN)方法,对飞机特定机动下的载荷进行参数识别。首先,构建Kalman滤波神经网络(KFNN),设计了相关改进算法抑制滤波发散,提高了网络的预测精度和抗噪能力;其次,利用遗传算法(GA)优化KFNN的相关参数,使网络能迅速收敛,提高了运算效率。载荷识别结果显示,改进和优化后的GA-KFNN运行稳定,收敛迅速,具有良好的识别精度和泛化能力,满足工程实际需求。(本文来源于《飞行力学》期刊2013年04期）
董婷[8]（2013）在《基于神经网络的模态参数识别方法研究》一文中研究指出随着现代工业的发展,机械系统的结构动态特性要求越来越高,因此,对于结构的动力学分析也愈显重要。模态参数识别是结构动力学分析的重要方法,其目的是为结构系统动力响应分析、故障诊断和预报以及结构动力参数修改和优化设计提供理论依据。本文对模态参数识别方法进行了较为深入的研究。针对目前时域法中抗噪声干扰、分辨和提取由噪声而引起的虚假模态以及模型定阶等问题,提出了一种基于神经网络的模态参数识别方法。该方法以结构的自由响应数据或脉冲响应数据为依据,通过神经网络构建非参数模型,实现结构的响应预测,并根据神经网络的权值矩阵构建特征方程,进而求取结构的模态参数。为验证本文算法的正确性与优越性,论文的先后进行了数值仿真与实验应用两部分研究工作。数值仿真研究：1)通过Matlab/Simulink软件建立结构动力学仿真模型,分别在正弦激励、脉冲激励以及无激励自由响应叁种工况下,利用神经网络方法对系统的响应信号进行模态参数辨识,其识别结果与理论值相比,误差较小,获得了较高的识别精度；2)通过亚伯拉罕时域法(ITD)、最小二乘复指数法(LSCE)以及本文提出的神经网络方法(LNN)分别对混有不同信噪比噪声的响应信号进行参数辨识对比,仿真结果表明,神经网络方法具有较高的抗噪声干扰能力。以上两个仿真算例证明了将神经网络算法应用于模态参数识别中的可行性与优越性。实验应用研究：1)根据需求分析,结合模态分析理论、虚拟仪器技术及信息测量技术搭建了一套振动模态测试分析系统。该系统集成了模态参数识别法中的最小二乘复指数法及神经网络法,具有对测试数据进行实时采集、显示、储存、回读及模态分析等功能,可以完成包括结构模型输入和振型动画输出在内的锤击法模态分析实验的全过程。系统界面友好、性价比高且易于扩展。2)通过悬臂梁与简支梁两个应用实验,对本文提出的算法、系统的软硬件进行了测试和验证。实验结果表明,软件算法正确、‘有效,系统运行稳定、可靠,具有较高的实用价值。(本文来源于《中南大学》期刊2013-05-01）
魏勇[9]（2013）在《基于改进神经网络算法的斜拉桥参数识别研究》一文中研究指出斜拉桥施工控制是一个复杂的工程系统,结构参数的实际值与设计值通常存在偏差,这些由设计参数引起的偏差将会导致结构线形和内力与设计理想值不一致。所以一个准确的参数状态是施工控制所必须的,然而结构的某些参数不能在现有的测量手段下直接得到,所以该论文在嘉绍大桥工程背景下,尝试运用改进神经网络方法对斜拉桥施工过程的结构参数进行识别,主要工作如下(1)分析了目前已成功应用十实际施工控制中的最小二乘法、卡尔曼滤波法、灰色系统理论以及人工神经网络理论各自的特点,讨论了神经网络在多参数识别应用中的优势；(2)结合嘉绍大桥工程实例,由有限元软件NLABS理论计算结果构建网络训练样本和检验样本,用训练后的网络对检验样本进行参数识别。并分析了传统BP网络的缺陷,在此基础上探讨了相应的优化方法；(3)通过对比分析,探讨了改进神经网络相对于传统BP网络在斜拉桥多参数识别中的精度以及可靠性；分析了遗传算法优化的神经网络应用的可靠性：(4)结合嘉绍大桥工程实例,将遗传算法优化的神经网络应用于嘉绍大桥工程实践中,结果表明优化后的神经网络识别结果符合客观规律,验证了其在斜拉桥多参数识别应用的可行性。(本文来源于《西南交通大学》期刊2013-04-01）
曹善成,殷之平,黄其青,马凯超[10]（2013）在《基于遗传神经网络的飞行载荷参数识别》一文中研究指出针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。(本文来源于《航空计算技术》期刊2013年01期）
神经网络参数识别论文开题报告
（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：
基于同济大学风洞实验室既有大跨度桥梁试验数据成果,利用Access数据库软件和Java编程语言,集成了大跨度桥梁抗风性能的数据库系统。通过人工神经网络技术对人工神经元的训练和神经元间连接权值的调整,建立大跨度桥梁主梁气动参数(包括静力叁分力系数和颤振导数)的智能化识别方法,主要针对扁平箱梁和倒梯形箱梁两种断面。气动参数的神经网络输出与期望输出间的误差符合预期要求,以期可作为桥梁结构初步设计阶段参考。
（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。
神经网络参数识别论文参考文献
[1].颜正杰,李海伟,朱坚民.基于神经网络近似模型的拉杆转子结合面参数识别[J].农业装备与车辆工程.2019
[2].陈讷郁,葛耀君.基于人工神经网络的典型桥梁断面气动参数识别[J].土木工程学报.2019
[3].张可赞.基于不同神经网络对已加固刚架拱桥静力有限元模型的参数识别及修正[D].长安大学.2018
[4].朱坚民,周亚南,何丹丹,郑洲洋.基于神经网络建模的机床滑动结合面动态特性参数识别[J].振动与冲击.2018
[5].方宁,周宇,叶庆卫,李玉刚.基于无监督学习卷积神经网络的振动信号模态参数识别[J].计算机应用.2017
[6].李芦钰,牛芸.基于神经网络预测与小波变换的结构非线性振动参数识别[J].振动与冲击.2014
[7].马凯超,宋笔锋,殷之平,谢伟,曹善成.一种基于神经网络的飞机载荷参数识别方法[J].飞行力学.2013
[8].董婷.基于神经网络的模态参数识别方法研究[D].中南大学.2013
[9].魏勇.基于改进神经网络算法的斜拉桥参数识别研究[D].西南交通大学.2013
[10].曹善成,殷之平,黄其青,马凯超.基于遗传神经网络的飞行载荷参数识别[J].航空计算技术.2013