将多维实验方法应用于平面叶栅正反向流动实验中,避免了单参数实验方法中的缺陷,大大提高了实验数据的可靠性.同时采用改进的BP神经网络技术,对气动性能实验数据进行分析.实验发现:低雷诺数下,翼型的流动状态很复杂,附着涡在确定翼型边界层行为和失速特性中起着重要作用.在反向流动中,翼型的吸力面常伴随有旋涡的流动,类似于薄翼流动,翼型在较小的迎角下就会发生薄翼失速.

论述了BP神经网络模型拓扑结构及其算法,给出了BP网络正向传播和反向传播的函数,BP网络的结构确定,提出了BP网络运算的改进方案。

热电偶在工业测温中有着广泛应用,但其温度和热电势之间呈非线性关系,实际应用中需要采用标准化热电偶并存储和查找分度表来得到实测温度,这样既限制了测温精度,又使其在热电特性发生变化后很难再用.本文利用人工神经网络自学习、自适应的特点以及多层前向神经网络的函数逼近能力来解决热电偶温度计算的问题,并给出了两层前向神经网络和BP算法计算热电偶温度的详细过程.结果表明,这种计算方法准确性高、实用性强.

针对伺服系统中常用的比例-积分-微分(PID)控制器的参数手动整定不方便的问题,对机器学习算法和模糊控制进行研究,重点分析反向传播(BP)算法和模糊控制器的设计方法,提出一种基于机器学习和模糊控制的PID参数整定方法。利用BP神经网络的学习能力得到系统模型,结合模糊控制进行预测得到PID参数,并在实验平台上进行验证。研究结果表明:通过机器学习和模糊控制得到的PID参数具有较好的控制效果,该方法能够避免手动整定PID参数,节省大量时间。

针对现有基于机器视觉的轴承表面缺陷类型识别中分类特征选择这一薄弱环节,提出一种综合运用相关分析、标量特征选择和特征向量选择的实用特征选择算法。首先,通过相关分析剔除相似特征;然后,用标量特征选择算法作进一步筛选;最后,用特征向量选择算法选出最终分类特征。对比试验表明：该算法可实现有效的特征选择,识别率高达99.5%,且避免了大规模运算。

发动机排气系统噪声主动控制相对于被动控制具有更好的效果。其中控制算法的选取决定了降噪效果的好坏。目前主要应用BP神经网络算法对发动机排气噪声进行控制,但是BP网络算法存在一些缺点,比如容易陷入局部极小值、收敛精度低等。将GA-BP算法引入汽车排气系统噪声主动控制中,建立基于GA-BP神经网络的汽车排气噪声主动控制系统的仿真模型。由仿真结果得出,所提方法能够使BP网络算法的收敛精度明显得到改善,有效地提高了噪声主动控制系统的降噪效果。

基于模糊控制器的一种解析结构本文利用了将模糊控制器与BP算法相结合的方法.即采用BP算法完善经验规则构建一种自适应模糊控制系统.同时对BP算法的学习率也进行了模糊调节以加速收敛.仿真结果表明该控制方法能有效的控制电液速度伺服系统.

将自适应模糊控制理论引入电液速度伺服系统之中，提出了一种基于模糊逻辑关系的自学习控制方法，即彩BP算法对经验规则进行修改，改善系统动态特性，仿真结果表明该控制方法能有效的控制电液速度伺服系统。

针对国内液压挖掘机电子节能控制系统水平相对落后的现状,提出了一种模糊神经网络的液压挖掘机节能控制系统,采用基于标准模型的模糊神经网络作为控制器,应用多层前馈网络的反向传播算法(BP算法)作为学习算法。仿真结果表明该控制系统具有较好的快速性和稳定性,使变量泵的扭矩始终追踪发动机的扭矩,稳定发动机的转速,从而达到节能的目的。

针对电液伺服系统普遍存在非线性、时变性和不确定性的情况，提出一种基于改进遗传算法的模糊RBF神经网络控制方法。该方法采用模糊RBF神经网络控制实现对液压伺服系统的自适应模糊控制，并将GA的全局寻优及BP局部寻优相结合，克服了单独应用GA算法或BP算法调节模糊RBF神经网络控制器参数存在的缺陷。仿真结果表明，该方法具有很强的自适应性和鲁棒性。