简要介绍了弱学习回归树的基本原理和神经网络在弱学习回归树中的应用。以某变电站为例进行数据仿真与算法效能评价分析,研究弱学习回归树对投资模型的支持效果。结果显示,在迭代次数、曲线估计前推周期数、分析精度等方面基于神经网络的弱学习回归树算法均优于基于聚类重构的弱学习回归树算法,表明基于神经网络的弱学习回归树算法在电网基建投资分析方面具有良好的效用。

由于发动机的结构复杂,而火花塞处于发动机的内部,发动机在装配完成后,传统的火花塞检测方法存在误判、效率低等缺点。这里设计了有一种新型的发动机火花塞检测方法—基于Labview高精度、多通道的火花塞检测系统,用NI的采集卡采集相应的模拟量,系统反馈出火花塞放电性能变化曲线,上位机通过神经网络算法自动分析数据,并与台架已经进行检测的合格火花塞进行验证性比较,并将测试数据导出到Oracle数据库中,通过实验室与现场的测试结果表明,该系统能够准确地反馈出火花塞是否合格。

为了提高车辆动态称重测量系统的精度，在对误差分析的基础上，本文引入了神经网络算法。通过确定神经网络的输入输出变量，建立了神经网络模型。然后在MATLAB软件上进行网络训练，建立函数关系，最终通过实验验证用神经网络算法提高车辆动态称重精度是确实可行的。

面向智能车设计了一款并联式电子液压制动系统,并针对智能车在紧急制动时易失稳的问题,基于车辆制动时的载荷转移特性,提出一种制动力分配控制策略。根据车辆在制动时前、后轴载荷转移量调节前、后轴车轮制动力,并将此时前、后轴车轮制动力矩作为基准制动力矩,基于径向基神经网络和PID算法设计附加制动力矩控制器,以此调节各车轮的制动力。最后搭建模型并与PID控制进行了仿真对比,结果表明,在车辆紧急制动工况下,提出的附加制动力矩融合控制器可以有效缩短制动距离并显著提高车辆稳定性。

针对液静压轴承外部负载改变时、油膜厚度发生变化、从而出现轴承的承载力及阻尼性降低的问题,设计等油膜厚度的主动式控制方法。以比例压力阀作为压力补偿元件,控制回路以供油压力、工作台位移、油腔流量及工作压力作为回馈。计算保持稳态补偿膜厚差所需的供压压力差值作为压力阀的PID控制参数值,再结合类神经网络经训练参数找出最佳PID控制器参数,进行位移补偿控制,达到稳态等膜厚控制。实验结果表明,神经网络PID控制器比其他神经网络控制器具有更快的暂态振荡收敛,并迅速达到等膜厚的目标。

针对当前数控机床热变形误差实施补偿存在的预测值滞后实际补偿值问题,提出基于长短期记忆(LSTM)神经网络算法热误差超前预测解决方案,详细探讨LSTM神经网络算法的解析流程,建立基于LSTM神经网络算法热误差超前预测模型,并进行关键温测点及热变形误差超前预测实验。实验结果表明:热变形误差实际值与预测值的最大残差、平均值和均方差均在可控范围内,超前预测的准确度为86.3%,进一步论证了机床热变形误差超前预测的有效性。

为解决某雷达研制过程中结构复杂的问题,需要对其相关结构进行模型简化以提高研制效率.利用模型修正技术的思想,并结合遗传算法和神经网络模型的理论基础,设计出一种基于优化算法与模型修正技术的模型简化方法.通过MATLAB调用ANSYS技术,并以该雷达结构上复杂封闭腔体为模型简化对象,对该方法进行编程实现.调试运行,对获取的模态数据进行分析.结果表明,该模型简化方法的结果和效率较目前的方法有很大提高.