188宝金博页面版

  • 图案背景
  • 纯色背景
视图
标记
批注
批注本地保存成功，开通会员云端永久保存 去开通
yangzl

上传于：2010-01-09

粉丝量：0

该文档贡献者很忙，什么也没留下。


  • 相关
  • 目录
  • 笔记
  • 书签

188宝金博页面版:更多相关文档

  • 改进粒子群优化神经网络及其在产品质量建模中的应用

    星级： 8 页

  • 改进粒子群优化神经网络及其在产品质量建模中的应用

    星级： 6 页

  • 改进粒子群优化神经网络及其在产品质量建模中的应用

    星级： 6 页

  • 改进粒子群优化神经网络及其在产品质量建模中的应用

    星级： 8 页

  • 改进粒子群优化神经网络及其在产品质量建模中的应用

    星级： 6 页

  • 改进粒子群优化算法及其在神经网络中的应用

    星级： 52 页

  • 零件表面混合维建模理论、方法及其在产品装配质量预测中的应用

    星级： 165 页

  • (论文)零件表面混合维建模理论、方法及其在产品装配质量预测中的应用

    星级： 1 页

  • 零件表面混合维建模理论、方法及其在产品装配质量预测中的应用

    星级： 1 页

  • 零件表面混合维建模理论、方法及其在产品装配质量预测中的应用

    星级： 1 页

  • 结构单元的基本原理及其在产品建模中的应用

    星级： 4 页

  • 参数建模方法及其在产品设计中的应用

    星级： 3 页

  • 三维实体建模技术及其在产品设计中的应用

    星级： 4 页

  • 参数建模方法及其在产品设计中的应用

    星级： 3 页

  • 三维实体建模技术及其在产品设计中的应用

    星级： 4 页

暂无目录

点击鼠标右键菜单,创建目录

    暂无笔记

    选择文本，点击鼠标右键菜单，添加笔记

    暂无书签

    在左侧文档中，点击鼠标右键，添加书签

    188宝金博页面版: 改进粒子群优化神经网络及其在产品质量建模中的应用

    下载积分： 0

    内容提示： 改进粒子群优化神经网络及其在产品质量建模中的应用王建国1 ,2)　 阳建宏1)　 云海滨2)　 徐金梧1)1) 北京科技大学机械工程学院 , 北京 100083 　 2) 内蒙古科技大学机械工程学院 , 包头 014010摘 　 要 　 针对传统神经网络优化算法易陷入局部最优值的问题 ,在标准粒子群算法的基础上 ,对粒子速度与位置更新策略进行改进 ,提出一种基于改进粒子群优化算法的BP 神经网络建模方法. 使用 sinc 函数、 波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明 ,与标准的反向传播神经网络和支持向量机相比 ,基于改进粒子群优化的神经网络模型...

    文档格式：PDF | 页数：6 | 浏览次数：11 | 上传日期：2010-01-09 08:31:38 | 文档星级：
    改进粒子群优化神经网络及其在产品质量建模中的应用王建国1 ,2)　 阳建宏1)　 云海滨2)　 徐金梧1)1) 北京科技大学机械工程学院 , 北京 100083 　 2) 内蒙古科技大学机械工程学院 , 包头 014010摘 　 要 　 针对传统神经网络优化算法易陷入局部最优值的问题 ,在标准粒子群算法的基础上 ,对粒子速度与位置更新策略进行改进 ,提出一种基于改进粒子群优化算法的BP 神经网络建模方法. 使用 sinc 函数、 波士顿住房数据及某钢厂带钢热镀锌生产的实际数据进行验证. 结果表明 ,与标准的反向传播神经网络和支持向量机相比 ,基于改进粒子群优化的神经网络模型可以有效提高预测精度.关键词 　 BP 神经网络 ; 粒子群优化算法 ; 产品质量模型 ; 带钢热镀锌分类号 　TP183Improved particle swarm optimized back propagation neural network and its ap2plication to production quality modelingWANG Jianguo1 ,2), YANG Jianhong1), YUN Haibin2), XU Jinwu1)1) School of Mechanical Engineering , University of Science and Technology Beijing , Beijing 100083 , China2) Mechanical Engineering School , University of Science and Technology Inner Mongolia , Baotou 014010 , ChinaABSTRACT　In order to solve the difficulties of tendency to local optima in conditional optimization algorithms for back propagationneural network (BPNN) , with improvements in the strategy for updating the particle’ s velocity and location , this paper proposed anew back propagation neural network modeling method based on improved particle swarm optimization. The data from sinc function ,Boston housing problem and the real strip hot2dip galvanizing production in an iron and steel corporation were used for verification.The results show that , compared with the standard BPNN and support vector machine algorithms , the proposed method can effective2ly help the BPNN to get a better regression precision and prediction performance.KEY WORDS　 BP neural network; particle swarm optimization; production quality modeling; strip hot2dip galvanizing收稿日期: 2008205210 　 修回日期: 2008207231基金项目: 北京市自然科学基金资助项目(No. 3062012)作者简介: 王建国(1958 — ) ,男 ,教授 ,博士研究生; 徐金梧(1949 — ) ,男 ,教授 ,博士生导师 ,E2mail : jwxu @ustb.edu.cn　　 获取产品质量指标与生产过程工艺参数间的对应关系 ,可以预测产品质量 ,控制、 优化生产过程 ,因而近年来得到了广泛的关注. 当前比较常用的产品质量建模方法有理论建模、 统计分析建：腿斯ぶ悄芊ń５萚1]. 基于神经网络的产品质量模型的输入和输出直接对应着生产过程参数和产品质量参数 ,适用于多输入多输出的建模过程 ,并具有非线性模型拟合能力 ,已成为近年来研究最多和应用范围广泛的一种质量建模方法. 理论上三层的前向神经网络可以逼近任何连续的非线性函数[2- 3]. 但是对于复杂的网络 ,反向传播算法(back propagation al2gorithm , BP)[4]有可能陷入局部最小值 ,而不能保证收敛到全局极小值. 因此 ,神经网络训练中对权值和阈值的优化是建模过程的重要研究内容.粒子群优化算法 (particle swarm optimization ,PSO)[5]是一种基于群智能方法的演化计算技术 ,属于演化计算领域中的一个新的分支. 采用粒子群算法对神经网络的权值和阈值进行训练 ,可以有效避免算法收敛到局部最小值. 但是由于 PSO 算法在优化过程中所有粒子都向最优解的方向移动 ,所以第 30 卷 第 10 期2008 年 10 月北京科技大学学报Journal of University of Science and Technology BeijingVol. 30 No. 10Oct. 2008

    阅读了该文档的用户还阅读了这些文档

    188宝金博页面版:关于我们

    188宝金博页面版:帮助中心

    188宝金博页面版:关注我们

    • 新浪微博

    关注188宝金博页面版公众号

    188宝金博页面版
    阅读
    APP
    阅读
    返回
    顶部
    188宝金博页面版官网登录在线平台入口（2026已更新）—江苏协昌电子科技股份有限公司