基于神經網絡與遺傳算法的火焰筒浮動瓦塊壁溫優(yōu)化分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>403KB
頁數(shù):5P
人氣 :54
4.7
為了使得浮動瓦塊結構具有更好的冷卻效果,開展了浮動瓦塊壁溫優(yōu)化研究。在對浮動瓦塊結構壁溫熱-流耦合分析的基礎上,利用神經網絡建立瓦塊結構尺寸參數(shù)與瓦塊壁溫的全局性映射關系,獲得瓦塊壁溫優(yōu)化問題所需的目標函數(shù)值。然后,采用遺傳算法對瓦塊結構進行優(yōu)化設計。通過優(yōu)化分析獲得了冷卻效果更好的浮動壁結構,使其壁溫指數(shù)降低了4.19%。結果表明:基于神經網絡和遺傳算法的優(yōu)化技術應用在浮動瓦塊結構壁溫優(yōu)化設計中是有效、合理的。
基于遺傳算法的火焰筒浮動瓦塊熱-結構耦合優(yōu)化分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>1.5MB
頁數(shù):7P
以火焰筒浮動瓦塊結構為研究對象,將遺傳算法和"窮舉搜索法"相結合,采用二步遞進策略對浮動瓦塊進行了熱-結構耦合優(yōu)化分析.首先利用遺傳算法對瓦塊結構中安裝螺栓桿的位置變量進行優(yōu)化;然后利用"窮舉搜索法"對瓦塊的厚度和螺栓桿直徑進行優(yōu)化.通過優(yōu)化分析得到了結構性能更優(yōu)的瓦塊結構方案,使其最大應力比降低了22.77%.結果表明遺傳算法和"窮舉搜索法"相結合的優(yōu)化方法應用在浮動瓦塊的結構優(yōu)化設計中是有效、合理的.
火焰筒浮動瓦塊的壁溫-結構一體化優(yōu)化
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>834KB
頁數(shù):7P
以火焰筒浮動瓦塊結構為研究對象,提出了利用神經網絡與遺傳算法相結合的方法對浮動瓦塊中冷卻結構變量和安裝位置變量進行同步優(yōu)化.利用遺傳算法分別對冷卻結構變量和安裝位置變量進行優(yōu)化,將安裝位置優(yōu)化結果作為冷卻結構變量優(yōu)化中遺傳操作的依據,最終實現(xiàn)冷卻結構和安裝位置的同步優(yōu)化.為了通過計算效率,利用神經網絡對安裝位置的優(yōu)化結果進行映射取代其優(yōu)化過程.算例結果表明:該方法高效、精確,有很好的工程實用價值.
基于神經網絡與遺傳算法節(jié)能擾流子優(yōu)化設計
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>355KB
頁數(shù):6P
4.3
在彎管前安裝擾流子,可以減小彎管處二次流強度,降低能量損失,并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算。以l9(33)正交試驗以及4組補充試驗作為bp神經網絡的訓練樣本,建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉角、葉片長度、安裝距離3個結構參數(shù)的非線性映射關系;擾流子節(jié)能效率最大值作為目標函數(shù),再結合遺傳算法進行結構參數(shù)優(yōu)化。最終得到在不同雷諾數(shù)下擾流子葉片轉角、葉片長度、安裝距離的最佳組合形式,并利用有限元方法對結果驗證。結果表明,這種優(yōu)化方案具有可行性;合適的結構參數(shù)的擾流子具有良好的節(jié)能效果。
基于神經網絡與遺傳算法節(jié)能擾流子優(yōu)化設計
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>2.4MB
頁數(shù):6P
4.6
在彎管前安裝擾流子,可以減小彎管處二次流強度,降低能量損失,并運用cfd軟件對不同參數(shù)下的擾流子節(jié)能效果數(shù)值計算.以l9(33)正交試驗以及4組補充試驗作為bp神經網絡的訓練樣本,建立在5種雷諾數(shù)下擾流子節(jié)能效率與擾流子葉片轉角、葉片長度、安裝距離3個結構參數(shù)的非線性映射關系;擾流子節(jié)能效率最大值作為目標函數(shù),再結合遺傳算法進行結構參數(shù)優(yōu)化.最終得到在不同雷諾數(shù)下擾流子葉片轉角、葉片長度、安裝距離的最佳組合形式,并利用有限元方法對結果驗證.結果表明,這種優(yōu)化方案具有可行性;合適的結構參數(shù)的擾流子具有良好的節(jié)能效果.
遺傳算法優(yōu)化BP神經網絡的信號檢測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>173KB
頁數(shù):未知
4.4
針對傳統(tǒng)方法單獨采用bp神經網絡算法易陷入局部極值的問題,提出了遺傳算法優(yōu)化bp神經網絡,并將其應用于mimo-ofdm系統(tǒng)信號檢測中。該方法將遺傳算法與神經網絡相結合,用遺傳算法優(yōu)化神經網絡初始值,使bp網絡快速收斂到最優(yōu)解,避免了由初始值的隨機選取而帶來的檢測誤碼。仿真結果表明所提出的方法在誤碼率方面有比較好的性能。
基于神經網絡的中央空調遺傳算法優(yōu)化研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>836KB
頁數(shù):4P
4.5
根據某建筑中央空調系統(tǒng)的工作參數(shù),創(chuàng)建bp神經網絡模型,得到輸入輸出的映射關系.利用遺傳算法尋找中央空調系統(tǒng)的最佳工作參數(shù),對遺傳算法的優(yōu)化結果進行分析.利用圖形分析法驗證遺傳算法得到的結果是全局最優(yōu)解.當冷卻水進口溫度為室外溫度、冷水出口溫度為設置范圍內的最大值時,空調功耗最小.
基于遺傳算法優(yōu)化BP神經網絡的電解碲電源
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>3.2MB
頁數(shù):6P
4.5
優(yōu)化電解碲電源對電解行業(yè)節(jié)能增效、提高電解產品質量和改善電網環(huán)境具有重要意義.電源前級采用三相電壓型pwm整流器;在建立pwm整流器數(shù)學模型的基礎上;通過改進雙閉環(huán)pi控制策略;即外環(huán)基于并行搜索全局尋優(yōu)的遺傳算法優(yōu)化bp神經網絡權值和閾值的智能控制方法;分析網側電流波形和諧波含量;可得到所需的額定電解電壓和電流;以matlab/simulink軟件為平臺進行仿真計算.結果表明:ga-bp(geneticalgorithm-backpropagation)算法具有輸出電壓平穩(wěn)、響應速度快、超調量小、抗干擾性強等優(yōu)點.
神經網絡結合遺傳算法在建筑優(yōu)化設計中的應用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>318KB
頁數(shù):6P
4.3
采用遺傳算法對建筑設計進行優(yōu)化,是建筑設計領域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復雜性,提出一種神經網絡結合遺傳算法的建筑優(yōu)化設計方法.研究結果表明:與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設計的效率.
神經網絡結合遺傳算法在建筑優(yōu)化設計中的應用
格式:pdf
大小:194KB
頁數(shù):6P
4.5
采用遺傳算法對建筑設計進行優(yōu)化,是建筑設計領域一個全新的研究方向,然而,在日照分析下基于遺傳算法求解最優(yōu)值時,需要對每個進化個體進行適應度函數(shù)的計算,將消耗大量的運行時間.為了降低算法的復雜性,提出一種神經網絡結合遺傳算法的建筑優(yōu)化設計方法.研究結果表明:與傳統(tǒng)遺傳算法對比,該方法可以有效降低算法的迭代次數(shù)和運行時間,提高建筑優(yōu)化設計的效率.
基于神經網絡和遺傳算法的溫差發(fā)電器優(yōu)化設計
格式:pdf
大小:1.1MB
頁數(shù):6P
4.7
提出了將溫差發(fā)電器對內燃機排氣背壓的影響納入溫差發(fā)電器的優(yōu)化設計過程的觀點,設計了一套新的溫差發(fā)電器優(yōu)化方案。以發(fā)電器尺寸參數(shù)為設計變量,以排氣背壓、質量作為約束條件,以發(fā)電片溫差為目標進行優(yōu)化設計。利用中心復合設計法選取試驗點,對試驗點進行cfd仿真,采用高預測精度的改進bp神經網絡擬合設計變量與目標函數(shù)間的關系,再利用遺傳優(yōu)化算法在設計空間尋找最佳設計點。優(yōu)化后消除了發(fā)電器對排氣背壓的影響,溫差提高了8.8%,質量降低了6.7%。
基于神經網絡與遺傳算法的結構優(yōu)化設計方法
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>382KB
頁數(shù):5P
4.4
從神經網絡和遺傳算法的原理出發(fā),利用遺傳算法和神經網絡相結合的策略對結構參數(shù)進行優(yōu)化.在確定結構優(yōu)化的目標函數(shù)和設計變量集合的基礎上,用神經網絡學習算法建立貨架結構設計參數(shù)與結構重量、結構最大應力、最大位移等的非線性全局映射關系,獲得遺傳算法求解結構優(yōu)化問題所需的目標函數(shù),用遺傳算法進行優(yōu)勝劣汰的尋優(yōu)搜索運算,從而求出所需最優(yōu)解.以貨架結構的優(yōu)化為例說明了上述方法的應用.遺傳算法和神經網絡的優(yōu)化結果是在正交設計法確定的訓練樣本足夠大的基礎上得出的,具有較強的可靠性.
一種基于遺傳算法的神經網絡結構優(yōu)化方法
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>2.4MB
頁數(shù):4P
4.3
神經網絡隱藏層數(shù)量的選擇以及權重值的確定對訓練算法的收斂性有很大影響,為了解決神經網絡(ann)訓練過程中結構復雜的問題,提出了一種基于遺傳算法(ga)的網絡結構優(yōu)化方法。試驗結果表明,在訓練樣板數(shù)量較大時,優(yōu)化后的ann能夠計算出隱藏層的最佳數(shù)量,從而提高整體的性能,具有較好的泛華能力。
基于BP神經網絡和遺傳算法的年負荷預測與分析
格式:pdf
大小:527KB
頁數(shù):3P
4.5
建立bp(backpropagation)神經網絡與遺傳算法相結合的電力負荷預測模型。在該模型中,利用遺傳算法具有的全局尋優(yōu)特點,將bp網絡的初始權值優(yōu)化到一個較小的范圍,然后再用bp算法在該范圍內繼續(xù)優(yōu)化,以便使優(yōu)化算法既能實現(xiàn)全局最優(yōu)求解,又能獲得較快的求解速度。最后,通過仿真算例,與傳統(tǒng)bp網絡優(yōu)化結果、及各種擬合方法獲得結果進行比對,驗證了計算方法的可行性和優(yōu)越性。
基于BP神經網絡和遺傳算法的年負荷預測與分析
格式:pdf
大小:199KB
頁數(shù):未知
4.6
建立bp(backpropagation)神經網絡與遺傳算法相結合的電力負荷預測模型。在該模型中,利用遺傳算法具有的全局尋優(yōu)特點,將bp網絡的初始權值優(yōu)化到一個較小的范圍,然后再用bp算法在該范圍內繼續(xù)優(yōu)化,以便使優(yōu)化算法既能實現(xiàn)全局最優(yōu)求解,又能獲得較快的求解速度。最后,通過仿真算例,與傳統(tǒng)bp網絡優(yōu)化結果、及各種擬合方法獲得結果進行比對,驗證了計算方法的可行性和優(yōu)越性。
基于遺傳算法的BP神經網絡隧道施工參數(shù)正反演分析與應用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>786KB
頁數(shù):7P
4.8
相對于監(jiān)測數(shù)據采集的高效性,隧道施工中對現(xiàn)場突發(fā)狀況缺乏高效的應對措施。本文結合工程實例,采用正交表及對應三維數(shù)值計算模型,得到隧道施工參數(shù)與對應隧道變形的樣本集,應用基于遺傳算法的bp神經網絡matlab程序,通過對施工參數(shù)進行正演分析,實現(xiàn)相對高效的施工反饋;在實測數(shù)據基礎上,通過進一步的反演分析,可優(yōu)化施工參數(shù),實現(xiàn)施工工藝的經濟優(yōu)選。工程應用結果表明,該方法的分析結果能夠滿足工程施工精度要求,有效提高施工過程中突發(fā)狀況的應對效率,同時也為設計中參數(shù)的優(yōu)化選擇提供參考,為建立隧道工程施工的高效反饋機制提供新方法和新思路。
基于遺傳算法優(yōu)化BP神經網絡的GIS設備放電故障診斷
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>562KB
頁數(shù):4P
4.7
為有效gis設備放電故障診斷的快速性和準確性,采用近幾年出現(xiàn)的遺傳算法對bp神經網絡進行優(yōu)化,減少了bp神經網絡算法陷入局部最優(yōu)解的風險,顯著增強了bp神經網絡的泛化能力和全局尋優(yōu)能力。對比發(fā)現(xiàn),遺傳算法優(yōu)化后的bp神經網絡模型具有比較好的快速性和準確的診斷能力。測試結果表明,遺傳算法優(yōu)化bp神經網絡對gis設備放電故障診斷具有可行性和有效性。
基于遺傳算法和BP神經網絡的花盤結構優(yōu)化設計
格式:pdf
大小:303KB
頁數(shù):3P
4.7
綜合利用有限元法、正交試驗法、bp神經網絡以及遺傳算法對大重型數(shù)控轉臺的花盤結構系統(tǒng)進行優(yōu)化研究。首先對花盤結構系統(tǒng)進行諧響應動力學分析,找出對結構動態(tài)特性影響最大的模態(tài)頻率,并確定bp神經網絡的輸入變量,然后利用正交試驗法和有限元分析法確定出bp神經網絡樣本點數(shù)據,建立反映花盤結構特性的bp神經網絡模型,最后利用遺傳算法對建立的bp神經網絡優(yōu)化。仿真結果表明,花盤第一階固有頻率提高15.5%,其自重降低9.8%。
基于遺傳算法和神經網絡的梁板結構可靠性優(yōu)化
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>671KB
頁數(shù):5P
4.5
基于結構系統(tǒng)靜強度可靠性分析、神經網絡和遺傳算法,對空間梁板結構系統(tǒng)進行了可靠性分析和基于可靠性的優(yōu)化設計。結構可靠性分析中,給出了安全余量以及安全余量對各變量敏度的顯性表達式,便于各安全余量間相關性計算和可靠性計算精度提高。結構優(yōu)化中,用神經網絡和遺傳算法,每代遺傳操作中只需用傳統(tǒng)方法計算1次結構系統(tǒng)可靠性指標,將該代最優(yōu)解對應的數(shù)據加入神經網絡的訓練樣本,從訓練樣本中刪除最次樣本,使訓練樣本不斷處于更新狀態(tài)。數(shù)值算例表明:該法收斂平穩(wěn)、用時較少,具較好的收斂性和較高的計算效率。
基于遺傳克隆選擇算法優(yōu)化BP神經網絡的地理信息預測研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>486KB
頁數(shù):4P
4.7
針對bp神經網絡訓練過程中的訓練時間較長、完全不能訓練或容易陷入局部極小值等問題,提出基于遺傳克隆選擇算法(cloga)優(yōu)化bp神經網絡的流程,克服bp算法的一些缺陷。并通過湖北省人口預測問題進行效果檢驗,得到滿意的結果。
基于 BP 神經網絡的公路隧道視頻火焰識別
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>1.3MB
頁數(shù):6P
4.6
為提高基于視頻圖像的公路隧道火災火焰識別率,在對火焰動態(tài)特征研究成果之上,利用bp神經網絡融合火焰靜態(tài)特征,對公路隧道視頻火焰進行綜合識別.火焰動態(tài)特征選取作者研究的火焰邊緣運動量(amfe)和火焰區(qū)域跳動特征,火焰靜態(tài)特征選取前人研究的尖角數(shù)目、火焰顏色特征和圓形度.將此5種火焰特征作為bp神經網絡的輸入,達到融合火焰多特征信息并實現(xiàn)火焰綜合識別的目的.實驗結果表明,火焰識別率穩(wěn)定在86.2%~96.5%之間,驗證了該方法的可靠性.
基于遺傳算法與神經網絡相結合的區(qū)域水資源承載力綜合評價
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>552KB
頁數(shù):4P
4.4
在遺傳算法與誤差反向傳播網絡(bp網絡)結構相結合的基礎上,提出了利用改進的遺傳算法優(yōu)化神經網絡進行水資源承載力綜合評價的新方法,將該方法應用于淮河流域水資源承載力綜合評價,實例表明是可行的,為水資源承載力定量分析開辟了新的途徑.
基于遺傳神經網絡的巖土參數(shù)優(yōu)化反分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>460KB
頁數(shù):4P
4.6
由于地下工程巖土力學參數(shù)的復雜性,在實際工程設計和施工中,要想得到比較準確的巖土力學參數(shù)是比較困難的,而巖土參數(shù)對地下工程的設計和施工的成敗具有很重要的意義。本文利用遺傳神經網絡優(yōu)化算法結合數(shù)值模擬試驗對地下工程巖土力學參數(shù)進行優(yōu)化反分析,并取得了良好的效果。
遺傳算法優(yōu)化的BP神經網絡壓電陶瓷蠕變預測
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>1.3MB
頁數(shù):6P
4.5
針對壓電陶瓷驅動器的蠕變誤差隨時間呈現(xiàn)非線性變化,會嚴重影響其定位精度的問題,提出遺傳算法優(yōu)化bp神經網絡的壓電陶瓷蠕變預測算法。采用遺傳算法優(yōu)化了bp神經網絡的權值和閾值,構建了基于遺傳算法的bp神經網絡(ga-bp算法)的蠕變預測模型。用ga-bp算法對壓電陶瓷蠕變進行了預測仿真,并將結果與實測數(shù)據進行了對比。結果表明,獲得的蠕變預測結果與實驗數(shù)據的最大絕對誤差均不超過0.2μm,最大蠕變誤差均小于1.5%,最大均方誤差僅為0.0046,因此,ga-bp預測模型可作為預測壓電陶瓷蠕變誤差的一種有效手段。
用神經網絡和遺傳算法優(yōu)化電鍍鋅鎳磷工藝參數(shù)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>1.1MB
頁數(shù):4P
4.7
提出了一種神經網絡與遺傳算法相結合的電鍍鋅鎳磷合金工藝參數(shù)優(yōu)化方法。以試驗數(shù)據為樣本,通過神經網絡建立電鍍工藝參數(shù)與電鍍性能關系之間的復雜模型,利用遺傳算法對電鍍工藝參數(shù)進行優(yōu)化,可充分發(fā)揮神經網絡的非線性映射能力和遺傳算法的全局尋優(yōu)能力。試驗顯示了方法的有效性和優(yōu)越性。
文輯推薦
知識推薦
百科推薦
職位:安全工程師
擅長專業(yè):土建 安裝 裝飾 市政 園林