基于PSO-BP神经网络的应力测量与补偿模型

doi:10.3969/j.issn.1006-2475.2015.06.023

计算机与现代化

基于PSO-BP神经网络的应力测量与补偿模型

（南京航空航天大学计算机科学与技术学院，江苏南京210016）

收稿日期:2014-12-15 出版日期:2015-06-16 发布日期:2015-06-18
作者简介:郝纲（1989-），男，天津人，南京航空航天大学计算机科学与技术学院硕士研究生，研究方向：并行与分布计算；庄毅（1956-），女，江苏南京人，教授，博士生导师，研究方向：计算机网络，并行与分布计算。
基金资助:
国家自然科学基金青年科学基金资助项目（61202351）；江苏省普通高校研究生科研创新计划资助项目（CXZZ13_0171）

A Stress Measurement and Compensation Model Based on PSO-BP Neural Network

(College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

Received:2014-12-15 Online:2015-06-16 Published:2015-06-18

摘要/Abstract

摘要： 针对柔性材料在工作过程中受力情况难以直接并准确测量的问题，提出一种基于粒子群优化的BP神经网络应力测量与补偿模型。在模型的训练过程中，采用粒子群算法对模型中的初始权值和阈值进行优化，解决BP神经网络收敛速度慢的问题。通过与柔性材料标准曲线的对比实验，验证了该模型对柔性材料进行应力测量的有效性和准确性。

关键词: 柔性材料, 粒子群, BP神经网络, 测量, 补偿

Abstract: For the problem that the stress distribution of flexible material is difficult to directly and accurately measure in the working process, this paper proposes a stress measurement and compensation model based on BP neural network with particle swarm optimization. In order to avoid trapping in local optimum, we use particle swarm optimization algorithm to optimize the model’s initial weights and threshold in the process of the training of the model. Through the contrast experiment with flexible material’s standard curve, effectiveness and accuracy of the model is verified when it is applied in stress measurement on the flexible fabric.

Key words: flexible material, particle swarm optimization, BP neural network, measure, compensation

中图分类号:

TP206.1

郝纲，庄毅. 基于PSO-BP神经网络的应力测量与补偿模型[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.06.023.

HAO Gang， ZHUANG Yi. A Stress Measurement and Compensation Model Based on PSO-BP Neural Network[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.06.023.

参考文献［17］

［1］	韩力群. 人工神经网络的理论设计与应用［M］. 北京：化学工业出版社， 2002:222-223.
［2］	朱大奇，史慧. 人工神经网络原理及应用［M］. 北京：科学出版社, 2006:55-58
［3］	Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal approximators ［J］. Neural Networks, 1989,2(5):359-366.
［4］	HechtNielsen R. Theory of the backpropagation neural network［C］// International Joint Conference on Neural Networks(IJCNN). 1989,1:593-605.
［5］	Wythoff B J. Backpropagation neural networks:A tutorial［J］. Chemometrics and Intelligent Laboratory Systems, 1993,18(2):115-155.
［6］	武妍,王守觉. 权值初始化与激励函数调整相结合的学习算法［J］. 计算机工程与应用, 2004,40(30):23-25.
［7］	Eberhart R C, Kennedy J. A new optimizer using particle swarm theory［C］// Proceedings of the 6th International Symposium on Micro Machine and Human Science. 1995,1:39-43.
［8］	杨维,李歧强. 粒子群优化算法综述［J］. 中国工程科学, 2004,6(5):87-94.
［9］	Shi Y, Eberhart R C. Parameter selection in particle swarm optimization［C］// Evolutionary Programming VII. 1998:591-600.
［10］	张选平,杜玉平,秦国强,等. 一种动态改变惯性权的自适应粒子群算法［J］. 西安交通大学学报, 2005,39(10):1039-1042.
［11］	侯志荣,吕振肃. 基于MATLAB的粒子群优化算法及其应用［J］. 计算机仿真, 2003,20(10):68-70.
［12］	Zhang Li-ping, Yu Huan-jun, Hu Shangxu. Optimal choice of parameters for particle swarm optimization［J］. Journal of Zhejiang University Science A, 2005,6(6):528-534.
［13］	朱帮助. 基于粗糙集和粒子群优化神经网络的智能决策方法［J］. 小型微型计算机系统, 2009,30(5):920-923.
［14］	Wang Ping, Huang Zhen-yi, Zhang Mingya, et al. Mechanical property prediction of strip model based on PSO-BP neural network［J］. Journal of Iron and Steel Research, International, 2008,15(3):87-91.
［15］	Dehuri S, Cho S B. A comprehensive survey on functional link neural networks and an adaptive PSO-BP learning for CFLNN［J］. Neural Computing and Applications, 2010,19(2):187-205.
［16］	Khan K, Sahai A. A comparison of BA, GA, PSO, BP and LM for training feed forward neural networks in elearning context［J］. International Journal of Intelligent Systems and Applications(IJISA), 2012,7:23-29.
［17］	Liu Jun, Qiu Xiaohong. A novel hybrid PSO-BP algorithm for neural network training［C］// International Joint Conference on Computational Sciences and Optimization. 2009,1:300-303.

[1]	陈晨, 庄毅, 高增. QoE驱动的SDN网络高可用传输框架[J]. 计算机与现代化, 2023, 0(11): 62-68.
[2]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[3]	韩雪. 基于约束聚类和粒子群算法的多路径规划[J]. 计算机与现代化, 2023, 0(08): 7-11.
[4]	潘思源, 张伟. 基于改进LSTM算法的锂电池SOC估计[J]. 计算机与现代化, 2023, 0(08): 25-30.
[5]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[6]	王玉立, 杨昌松, 邱劲, 韦俊, 吴宏杰, . 基于时空注意力机制的基坑位移预测方法[J]. 计算机与现代化, 2023, 0(05): 39-45.
[7]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[8]	曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.
[9]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[10]	陈刚, 王志坚, 徐胜超. 基于粒子群算法的移动边缘计算任务分配方法[J]. 计算机与现代化, 2022, 0(11): 32-36.
[11]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[12]	黄玲, 白晓波. 基于PSO-KPLS的教师科研绩效预测[J]. 计算机与现代化, 2022, 0(06): 8-12.
[13]	刘志锋, 舒志浩, 胥越峰, 杨舒伊, 沈文龙. 基于PSO自适应双策略的人工鱼群算法[J]. 计算机与现代化, 2022, 0(05): 46-53.
[14]	张彦虎, 鄢丽娟, 马志愤, 张彦军. 一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法[J]. 计算机与现代化, 2022, 0(05): 54-60.
[15]	李凌, 陈曦, 沈维捷, 熊汉武, 蔡冉冉. 面向电工装备智能监造的边缘缓存策略[J]. 计算机与现代化, 2022, 0(05): 61-67.

基于PSO-BP神经网络的应力测量与补偿模型

A Stress Measurement and Compensation Model Based on PSO-BP Neural Network

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献［17］

相关文章 15

编辑推荐

Metrics

本文评价

基于PSO-BP神经网络的应力测量与补偿模型

A Stress Measurement and Compensation Model Based on PSO-BP Neural Network

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献 ［17］

相关文章 15

编辑推荐

Metrics

本文评价

参考文献［17］