基于重要参数的批量 BP 算法的加工时间和精度提高(IJISA-V12-N1-5)

几种改进BP算法的性能比较
索胜军;孙光伟;王岩
【期刊名称】《哈尔滨建筑大学学报》
【年(卷),期】2000(033)001
【摘要】对ABPM、L-M、HBP三种改进的BP算法的原理进行了研究,通过仿真计算,从统计角度对它们在分类问题、逼近问题两方面的收敛速度、收敛精度等特性进行了分析比较,并对三种算法中影响网络收敛的因素进行了探讨,为使用者选择适合自己的高性能算法提供了参考.
【总页数】4页(P80-83)
【作者】索胜军;孙光伟;王岩
【作者单位】哈尔滨建筑大学,机电工程系,黑龙江,哈尔滨,150006;哈尔滨建筑大学,机电工程系,黑龙江,哈尔滨,150006;哈尔滨建筑大学,设计研究院,黑龙江,哈尔滨,150006
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.几种植物油透明皂的性能比较 [J], 蒋蕻
2.几种改进BP算法在电机故障诊断中的分析比较 [J], 王笑宇;段广建
3.几种改进BP算法及其在应用中的比较分析 [J], 耿小庆;和金生;于宝琴
4.几种改性菜籽油下脚料磷矿捕收剂浮选性能比较 [J], 曾理;姚占珍;周延财
5.几种改进BP算法在气液两相流流型识别中的比较 [J], 孙斌;周云龙;洪文鹏
因版权原因，仅展示原文概要，查看原文内容请购买。

基于GA-BP与NSGA-Ⅱ的数控铣削参数优化研究
李超文;尹瑞雪
【期刊名称】《工具技术》
【年(卷),期】2024(58)3
【摘要】高效低碳制造是可持续发展的关键,而数控铣削作为常用的金属表面加工方法存在刀具寿命短、碳排放量高的问题。

提出基于NSGA-Ⅱ的GA-BP多目标
优化方法,通过分析不同加工参数条件下的数控铣削刀具寿命及碳排放数据集,建立GA-BP神经网络刀具寿命及碳排放预测模型。

基于NSGA-Ⅱ算法建立以刀具寿命、碳排放量为目标的主体优化模型,调用构建的GA-BP神经网络模型作为目标函数进行优化求解,得到Pareto最优解集。

对Pareto最优解集进行TOPSIS最优解决策,得到综合优化刀具寿命与碳排放量的加工参数组合。

优化结果表明:该方法既可以
对数控铣削刀具寿命及碳排放量进行准确预测,还可以对两者进行有效优化,对数控
铣削参数优化具有一定的理论指导意义。

【总页数】7页(P86-92)
【作者】李超文;尹瑞雪
【作者单位】贵州大学机械工程学院
【正文语种】中文
【中图分类】TG54;TH162
【相关文献】
1.基于改进遗传算法的数控加工铣削参数优化研究
2.基于特征组合段理论研究数控铣削加工参数优化——以洗衣机金属波轮零件为例
3.基于优质高效的数控铣削参数优化方法研究
4.基于深度强化学习的数控铣削加工参数优化研究
5.基于刀具寿命及工艺碳排放预测的数控铣削参数优化研究
因版权原因，仅展示原文概要，查看原文内容请购买。

专利名称：一种提高IRIG-B时间码解码精度的方法及装置专利类型：发明专利
发明人：吕春,匡长春
申请号：CN201410209192.7
申请日：20140517
公开号：CN103997383A
公开日：
20140820
专利内容由知识产权出版社提供
摘要：本发明适用于数据处理及数据授时系统技术领域，提供了一种提高IRIG-B时间码解码精度的方法及装置，所述方法包括：通过计数器获得N次相邻秒脉冲之间时钟数的平均时钟数，所述秒脉冲通过系统时钟获取时间间隔为1秒的脉冲信号；根据所述平均时钟数和预设时钟数，获得标准时钟数；对比所述标准时钟数和所述平均时钟数，调整所述系统时钟在所述标准时钟数内少计或者多计一个时钟数。

本发明，使系统精度提高到微秒级，同时在外部1PPS有效时保持微秒值的连续。

申请人：北京中和卓远科技有限公司
地址：100000 北京市通州区云锦北里52楼1308室
国籍：CN
代理机构：云南派特律师事务所
代理人：龚笋根
更多信息请下载全文后查看。

基于ISSA-BP神经网络的纺纱生产工艺参数反演
刘颖;张守京;胡胜
【期刊名称】《棉纺织技术》
【年(卷),期】2024(52)4
【摘要】针对传统的反演模型精度不高且传统BP神经网络有权值和阈值初值过于随机化、稳定性和准确性差等问题,提出了基于改进麻雀搜索算法(ISSA)的BP神经网络纺纱生产工艺参数反演模型。

利用灰色关联分析法提取出10个关键工艺参数,以其作为模型输入;引入Chebyshev混沌映射、正余弦算法(SCA)和自适应权重因子对麻雀搜索算法(SSA)进行优化,并用ISSA优化BP神经网络,在此基础上构建纺纱生产工艺参数反演模型;利用ISSA对参数反演模型进行求解。

以纤维属性和纺纱车间细纱工序为对象进行反演验证,试验结果表明:ISSA-BP预测值的MAPE、MSE、MAE、迭代次数、适应度值均优于SSA-BP模型;对反演优化后的工艺参数进行预测,预测的质量指标与期望质量指标的平均相对误差(MRE)为5.04%。

认为:基于ISSA-BP神经网络的纺纱生产工艺参数反演精度较高,有助于工艺参数的合理设计。

【总页数】7页(P1-7)
【作者】刘颖;张守京;胡胜
【作者单位】西安工程大学
【正文语种】中文
【中图分类】TP183;TS111.9
【相关文献】
1.基于ISSA-BP神经网络的短期风电功率预测
2.基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断
3.基于BP神经网络的GEO等离子体环境参数反演分析
4.基于ISSA-BP神经网络的激光甲烷传感器温度补偿研究
5.基于ISSA-BP神经网络的滑坡区输电铁塔状态预测模型
因版权原因，仅展示原文概要，查看原文内容请购买。

文章编号：1000 − 7393(2022)04 − 0522 − 07 DOI: 10.13639/j.odpt.2022.04.018基于麻雀搜索算法与BP 神经网络的压裂效果预测彭绪涛 王仪 贾程 任俊松四川轻化工大学计算机科学与工程学院引用格式：彭绪涛，王仪，贾程，任俊松. 基于麻雀搜索算法与BP 神经网络的压裂效果预测［J ］. 石油钻采工艺，2022，44（4）：522-528.摘要：现有工程技术方法对压裂效果的预测精度普遍不高，容易造成经济损失，为此以麻雀搜索算法(Sparrow Search Algorithm ，SSA)优化人工神经网络的算法模型，开展以提高压裂效果预测精度为目标的研究。

首先以BP 神经网络模型对压裂效果进行预测，其次以麻雀搜索算法优化BP 神经网络权值后的模型进行预测，通过数据对比发现后者的预测精度更高，且能解决BP 神经网络收敛慢、易陷入局部最优解、易产生过拟合现象等问题。

研究结果表明，经过麻雀搜索算法调整权值的BP 神经网络模型平均相对准确率达到93.85%，不仅比工程方法预测结果的精度更高，还高于未以麻雀搜索算法优化的BP 神经网络模型的90.91%，在实际任务中拥有更稳定的性能和更高的精度。

关键词：压裂；效果预测；BP 神经网络；麻雀搜索算法；灰色关联分析法中图分类号：TE358；TP18 文献标识码： AFracturing effect prediction based on sparrow search algorithm and BP neural networkPENG Xutao, WANG Yi, JIA Cheng, REN JunsongSchool of Computer Science and Engineering , Sichuan University of Science & Engineering , Zigong 643000, Sichuan , ChinaCitation: PENG Xutao, WANG Yi, JIA Cheng, REN Junsong. Fracturing effect prediction based on sparrow search algorithm and BP neural network ［J ］. Oil Drilling & Production Technology, 2022, 44(4): 522-528.Abstract: The accuracy of the existing engineering methods for predicting fracturing effects is generally not high, which is likely to cause economic losses. For this reason, an algorithm model was proposed to optimize the artificial neural network by using sparrow search algorithm (SSA), so as to improve the prediction accuracy of fracturing effect. First, the BP neural network model was used to predict the fracturing effect, and then the prediction model was proposed after optimizing the weight of the BP neural network by the sparrow search algorithm. The latter has higher prediction accuracy and can solve the problems, such as slow convergence, easy falling into local optimal solution, and prone to overfitting, in BP neural network. The comparison results show that the average relative accuracy of the results evaluated by BP neural network model whose weights are adjusted by the sparrow search algorithm reaches 93.85%, which is not only higher than the accuracy predicted by the engineering method, but also higher than 90.91% of the BP neural network model before optimized by the sparrow search algorithm. This algorithm model has more stable performance and higher accuracy in actual tasks.Key words: fracturing; effect prediction; BP neural network; sparrow search algorithm; gray correlation analysis method基金项目: 四川省科学技术厅“间歇气举排水采气物联网系统开发”项目(编号：2019YFG0200)。

基于机器学习的工艺参数优化与质量控制研究工艺参数优化与质量控制在制造业中起着至关重要的作用，它能帮助企业提高生产效率、降低成本、提升产品质量。

而随着人工智能和机器学习的不断发展，基于机器学习的工艺参数优化与质量控制成为了一个备受瞩目的研究领域。

工艺参数优化是指通过调整工艺参数，使得产品在满足质量要求的前提下达到最佳的性能和效益。

这个过程通常涉及到多个参数的调整和优化，传统的方法往往依赖于经验和试错，效率低下且容易导致生产成本的增加。

而基于机器学习的方法则能够通过对大量数据的学习和分析，找到最佳的参数组合，从而实现工艺参数的优化。

在工艺参数优化的过程中，数据的收集和分析起着至关重要的作用。

传感器和监测设备能够实时地收集和记录生产中的各种数据，包括温度、压力、流速等参数。

而这些数据可以被机器学习算法用来进行模型的训练和预测。

通过对历史数据和实时数据的学习，机器学习算法能够建立起生产过程和产品质量之间的关系模型，并根据这个模型来预测最佳的工艺参数。

除了工艺参数优化，基于机器学习的方法还能够在实时监测和控制中发挥作用。

监测和控制是保证产品质量的一个重要环节，它能够及时地检测和纠正生产过程中的异常和偏差，以确保产品达到一致的质量要求。

传统的监测和控制方法往往依赖于人工操作和经验判断，容易出现误判和漏判的情况。

而基于机器学习的方法则能够通过对大量数据进行分析和学习，建立起产品质量与各种因素之间的关系模型，并根据这个模型来进行实时的监测和控制。

基于机器学习的工艺参数优化与质量控制不仅可以提高生产效率和降低成本，还能够提升产品的一致性和稳定性。

传统的方法往往只能找到一个相对较优的参数组合，而无法保证在不同的情况下仍然能够达到最佳的效果。

而机器学习算法则能够通过对大量数据的学习和分析，找到产品性能与工艺参数之间的最佳关系，从而能够在不同的情况下保持较高的一致性和稳定性。

尽管基于机器学习的方法在工艺参数优化与质量控制中具有巨大的潜力，但是在实际应用中还面临一些挑战。

第41卷第8期2020年8月纺织学报Journal of Textile ResearchVol.41,No.8Aug.,2020DOI：10.13475/j.fzxb.20190402507基于BP神经网络及其改进算法的织机效率预测张晓侠1,刘凤坤2,买巍1,马崇启1(1.天津工业大学纺织科学与工程学院，天津300387；2.中国纺织信息中心，北京100020)摘要为准确预测纺织厂织布车间的织机效率,提出利用BP神经网络、主成分分析结合BP神经网络(PCA-BP)、遗传算法改进BP神经网络(GA-BP) 3种模型预测织机效率，并将GA-BP预测模型与传统BP神经网络和PCA-BP预测模型的预测结果进行对比分析。

结果表明:GA-BP对原始数据的拟合度最好，相关系数为0.94687,比BP增加了6.42%,比PCA-BP增加了2.61%；GA-BP&PCA-BP、BP这3种网络十万入纬的经停仿真值与期望值间的平均误差分别为0.3412&0.3031&0.2341,误差百分率分别为&63%&7.67%&5.92%,不同网络结构下织机效率仿真预测值与期望值间的平均误差分别为3.0109、2.6884、2.1189,误差百分率分别为3.51%、3.13%&2.47%；3种模型的预测准确度顺序由大到小为GA-BP、PCA-BP、BP。

关键词BP神经网络；遗传算法；主成分分析；预测模型；织机效率预测中图分类号:TS104.2文献标志码:APrediction of loom efficiency based on BP neural networkand iie improved algorithmZHANG Xiaoxir1,LIU Fengkun2,MAI Wei1,MA Chongql1(1.School of Textile Science and Engineering,Tiangong University,Tianjin300387,China；2.China Textile Informatioo Center,Beijing100020,China)Abstract In order to predict the loom eXiciency more accurately in the weaving workshop of textile mille,three models,i.e.BP neural network,principal ccmponent analysic ccmbined with BP neural network#PCA-BP)and genetic algorithm modified BP neural network model(GA-BP),were used to predict the loom Hiciency.At the same time,the prediction results of the GA-BP were ccmpared with that of the BP neurat nettork and PCA-BP neurat nettork.The csu O s show that the GA-BP has the best fitting degree t the oricinat data,the correlation ccefficient is0.94687,which is6.42%highee than BP and 2.61%highee than PCA-BP.The averaae absolutt eirors betteen the simulated output iayu0and th00tp0ctd yoom stoppag0iayu0soie100000w it cns etcons ae0.3412,0.3031and0.2341,esp0ctciys,ioeGA-BP,PCA-BP and BP mod0ys,co e spond cng to0e o ep0ecntag s8.63%,7.67%and5.92%.Th0aieag00e o esb0tw0n th0pedcctd and th00tp0ctd iayu0soith0loom eefciency with different nettork modets are3.0109, 2.6884and2.1189,respectively,with eiroe peecentagesoi3.51%,3.13%, 2.47%.Theoedeeoipeedcctcon a ccu ea cXo ithe th eee mode ys cs GA-BP, PCA-BPand BP.Keywords BP neurat nettork；genetic alyorithm；principat ccmponent analysis；prediction mode.；yoom e i cccencspeedcctcon新时代我国经济发展的基本特征是由高速召,与我国经济发展相协调,提高产业经济效益,增长阶段转向高质量发展阶段’为响应国家号纺织行业也需要进行一定的结构调整’纺织业收稿日期:2019-04-08修回日期：2020-05-09第一作者：张晓侠(1994—)，女，硕士生。