广义正交表和正交表的裂区试验设计法的比较

裂区试验设计方法是在正交表的基础上进行的.根据试验设计的数据分析结论要求具有再现性这一原理,将证明这种裂区试验设计法要有条件的使用才是合理的.由于广义正交表是保证设计表具有再现性的基本设计表,根据广义正交表来研究这种裂区试验设计方法的合理性.研究结果显示在裂区试验设计法对应的设计表是广义正交表,并且相应的数据分析方法采用广义正交表的数据分析方法时,才能保证其数据分析结论具有客观一致性和可重复再现性.     

广义正交表正交性的等价条件

广义正交表是一种类似于正交表的新设计.正交平衡性是广义正交表必须满足的基本要求之一,它是正交表正交性的推广,它能够使得试验因子在方差分析中保持柯赫伦定理成立,因而可以像正交表一样进行试验设计和方差分析,从而不但保证其数据分析模型符合"不自生"逻辑,而且也可以保证试验因子的各种关系比较的数据分析结论具有客观一致性和可重复再现性,但试验次数大幅减少.利用矩阵象技术,提出并证明了广义正交表的组合正交性不但等价于其矩阵象的正交性,而且也等价于其广义关联矩阵的正交性.借助于SAS软件可以方便快速的验证某些区组设计相应的行列设计是否为广义正交表.     

一类正交空间填充设计的构造

空间填充设计在计算机试验中应用十分广泛,当拟合回归模型时,正交的空间填充设计保证了因子效应估计的独立性.基于广义正交设计,文章给出了构造二阶正交拉丁超立方体设计和列正交设计的方法,新构造的设计不仅满足任意两列之间相互正交,还能保证每一列与任一列元素平方组成的列以及任两列元素相乘组成的列都正交.当某些正交的空间填充设计不存在时,具有较小相关系数的近似正交设计可作为替代设计使用.设计构造的灵活性为计算机试验在实践中的广泛应用提供了必要的支持.     

结构开放式神经网络及其应用

将传统模式识别神经网络与人类认知的方式相结合,提出了结构开放式模式识别神经网络的概念,并设计了结构开放式模式识别神经网络的体系结构.与传统模式识别神经网络相比,这种神经网络不但提高了神经网络的学习记忆功能,而且在利用计算机实现智能化时大大减少了数据结构的数据量.为了能够更容易的理解这种网络,并针对一类特殊情况的应用进行研究,设计了一个结构开放式模式识别神经网络的结构和操作流程,并通仿真试验,证明了这种网络的有效性和实用性.     

致密气储层压裂水平井产能影响因素排序

致密气是我国重要的战略接替资源,其开发理论研究处于起步阶段.水平井压裂是非常规致密气藏实现工业开采价值均有效技术手段,而压裂后产能影响因素的研究是该类气藏能否实现工业价值的关键.提出灰色关联原理和正交试验设计方法综合应用的方法对产能影响因素进行排序.首先利用灰色关联原理初步确定影响因素排序;再利用正交试验设计研究影响因素,并弥补灰色关联理论对因素之间相互制约和促进关系分析的不足;最后综合确定致密气藏单井产能影响因素的排序.研究表明:储层渗透率是影响单井无阻流量的决定性因素;其他主要因素依次为水平井段长度、有效厚度、裂缝条数;裂缝半长、水平井段纵向位置以及生产压差为次要因素.上述两种数学方法分析结果具有良好的一致性和实用性,对致密气藏现场实际生产具有重要的指导意义.     

单次多水平正交试验中效应的显著性检验

方差分析自试验设计诞生以来一直是用于分析试验中各因子是否显著的统计方法,对于正交试验设计而言其更是唯一的分析方法.然而,当正交表各列放满了被考虑的各个因子及其交互作用并且各条件组合下只能进行一次试验时,方差分析中的误差项将恒等于0,从而方差分析不再能用于对此试验设计的分析.对此,本文针对使用多水平完备正交表的单次正交试验,提出了一种新的统计分析方法.示例表明:本文提出的检验法不仅解决了方差分析无法胜任的问题,而且在表头设计有空白列从而方差分析仍能实施时,其比方差分析具有更大的局部功效.     

基于广义正交表的链式区组设计和传统链式区组设计的数据分析比较

根据广义正交表来研究链式区组设计的数据分析方法的合理性.研究发现:只有在链式区组设计对应的设计表是广义正交表,并且相应的数据分析方法采用广义正交表的数据分析方法时,才能保证其数据分析结论具有客观一致性和可重复再现性.     

正交试验设计法推广应用的战略研究

传统产业优势正是构建山西区域特色经济的比较优势.正交试验设计法作为一种方法科学、操作简便、费用节省、效果明显的生产控制方法,十分适合现阶段经济、政治条件下在中小企业大力推广应用.本文在分析地方经济特点和企业现状的基础上,从4个方面提出在中小企业大力推广应用正交试验设计法的战略步骤,具有很强的针对性和指导性.     

基于BP网络的混凝土耗能器骨架曲线拟合

结合5种混凝土延性柱耗能器在低周期反复荷载作用下的试验数据研究,利用神经网络的工作原理,通过建立神经网络的输入层、隐含层、输出层,确定输入单元、输出单元和隐含层节点数,从而建立了BP神经网络的模型,并根据已有的部分试验数据数据.对网络进行训练,对各种混凝土延性柱耗能器骨架曲线进行了预测拟合,实现混凝土延性柱耗能器骨架曲线的数字化,使其成为具有分析和判断的拟合曲线功能,完整的描绘混凝土延性柱耗能器的骨架曲线,为后续混凝土延性柱耗能器性能研究的仿真模拟提供了可靠的数据模型.结果表明,这种方法是可行的.     

链式区组设计与广义正交表

在区组设计理论中,当区组水平(处理)数很大时,经常采用一种链式区组设计.在基于链式区组设计收集数据时,相应的设计表已经不是平衡不完全区组设计(BIBD),因此基于BIBD的数据分析发展成的链式区组设计的数据分析方法将存在不足之处,突出的特点是试验的数据分析结论不再具有再现性.为了保证新的设计表仍然具有试验数据分析结论的再现性,至少需要相应的设计表是广义正交表,即至少需要保持新的设计表具有相遇平衡和正交平衡性质.也就是说:在某种条件下,基于链式区组设计收集数据,也能保证试验数据分析的结论具有再现性,仅需相应的新设计表是广义正交表即可.研究发现:在链式区组设计中,相应的设计表在某些条件下可以是广义正交表.从广义正交表的角度来看,证明了,将对称BIBD作为小组下标,由此构造的链式区组设计对应的设计表,仍然是广义正交表,从而说明了链式区组设计方法可以在试验设计理论中有条件的使用.这也启发可以把链式区组试验设计方法扩充成广义正交表的构造方法.     

用在线梯度法训练积单元神经网络的收敛性分析

<正>1引言仅由加和单元构成的传统前向神经网络已经广泛应用于模式识别及函数逼近等领域.但在处理比较复杂的问题时,这种网络往往需要补充大量的隐节点,这样就不可避免地增     

基于多元二次径向基神经网络的偏微分求解方法

为提高偏微分方程的计算求解精度,设计了以多元二次径向基神经网络为求解单元的偏微分计算方法,给出了多元二次径向基神经网络的具体求解结构,并以此神经网络为求解基础,给出了具体的偏微分计算步骤.通过具体的偏微分求解实例验证方法的有效性,并以3种不同设计样本数构建的多元二次径向基神经网络为计算单元,从实例求解所需的计算时间以及解的精度作对比,结果表明,采用基于多元二次径向基神经网络的偏微分方程求解方法具有求解精度高以及计算效率低等特点.     

混合优化RBF-BP网络的板形缺陷识别

针对传统板形模式识别方法存在精度低、鲁棒性弱的问题,提出了一种混合优化RBF-BP组合神经网络板形模式识别方法。首先利用自组织映射网络(SOM)对样本聚类,利用聚类后的网络拓扑结构确定RBF的中心,并计算RBF的宽度,克服了传统聚类算法随机选取中心导致聚类结果不稳定的问题。然后利用遗传算法(GA)良好的全局搜索能力优化整个网络的权值。RBF-BP组合神经网络是由一个RBF子网和一BP子网串联构成的,该网络同时具备BP神经网络能较好地预测未知样本的能力以及RBF神经网络的逼近速度快的优点。并以某900HC可逆冷轧机板形识别为应用背景,在MATLAB2010a环境下进行仿真实验,结果表明混合优化RBF-BP组合神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形缺陷识别精度并具有较好的鲁棒性,可以满足板带轧机高精度的板形控制要求。     

基于改进BP神经网络的组合预测模型设计

为提高预测精度,解决非线性组合预测中的困难,利用改进BP神经网络对非线性组合预测模型进行了设计.讨论了模型设立的原则和一般程序,比较其与传统的组合预测方法之间的优劣,并给出实例加以验证.结果显示,基于改进BP神经网络的非线性组合预测模型能够准确描述系统中的非线性,提高预测精度.     

An improved determination approach to the structure and parameters of dynamic structure-based neural networks

Dynamic structure-based neural networks are being extensively applied in many fields of science and engineering. A novel dynamic structure-based neural network determination approach using orthogonal genetic algorithm with quantization is proposed in this paper. Both the parameter (the threshold of each neuron and the weight between neurons) and the transfer function (the transfer function of each layer and the network training function) of the dynamic structure-based neural network are optimized using this approach. In order to satisfy the dynamic transform of the neural network structure, the population adjustment operation was introduced into orthogonal genetic algorithm with quantization for dynamic modification of the population’s dimensionality. A mathematical example was applied to evaluate this approach. The experiment results suggested that this approach is feasible, correct and valid.     

Crankshaft-bearing evolution indexes investigation and asperity contact identification based on neural network

The dynamic and lubrication characteristic analyses of the crankshaft–bearing system is quite a complex problem, and it is important to avoid asperity contact which may lead to bearing wear and increase of friction loss significantly in dynamic lubrication condition. In this paper, the dynamic characteristic that has an essential impact on lubrication was investigated over an inline six-cylinder engine. Multi-body dynamics method, tribology, finite element method (FEM), finite difference method (FDM) and component mode synthesis method (CMS) were combined to analyze the dynamic characteristic of crankshaft, oil leakage, oil film pressure, asperity contact pressure and friction loss. Then the orthogonal experiment that included 5 levels and 6 factors was conducted to obtain the training sample sets for neural network, and the probabilistic neural network (PNN) was employed to identify weather the asperity contact happened or not according to its nonlinear characteristic. The analyses which can provide the guidance for the design of main bearing, and avoid the asperity contact in the lubrication are significant to the design of the bearing at the development stage of the engine.     

用牵制控制方法进行含随机噪声的复杂网络的拓扑结构识别

本文研究了含噪声的复杂动态网络的拓扑结构识别的问题.利用牵制控制(Pinning控制)方法,基于随机微分方程的理论基础,来进行网络的拓扑结构识别,设计自适应反馈控制器和识别率,来反演网络结构,通过数值仿真,获得了pinning控制方法主要是通过一部分未知节点来识别整个网络的拓扑结构的结果,噪声强度的范围将影响网络结构正确识别时的耦合强度范围,噪声强度越大,可识别的耦合强度也越大.     

基于蚁群神经网络的财务危机预警方法

为了克服神经网络财务危机预警方法收敛慢、不收敛和网络结构难以确定等缺陷,提出了基于蚁群算法的改进神经网络财务危机预警方法。将神经网络模型的结构和参数进行编码,利用蚁群算法确定若干个神经网络模型的结构和参数,然后通过评价函数得到神经网络的最佳结构,最后通过BP算法训练该神经网络,得到神经网络财务危机预警模型。验证结果表明,该模型结构简单、预警精度高。     

Support vector regression based metamodeling for seismic reliability analysis of structures

The present study deals with support vector regression-based metamodeling approach for efficient seismic reliability analysis of structure. Various metamodeling approaches e.g. response surface method, Kriging interpolation, artificial neural network, etc. are usually adopted to overcome computational challenge of simulation based seismic reliability analysis. However, the approximation capability of such empirical risk minimization principal-based metamodeling approach is largely affected by number of training samples. The support vector regression based on the principle of structural risk minimization has revealed improved response approximation ability using small sample learning. The approach is explored here for improved estimate of seismic reliability of structure in the framework of Monte Carlo Simulation technique. The parameters necessary to construct the metamodel are obtained by a simple effective search algorithm by solving an optimization sub-problem to minimize the mean square error obtained by cross-validation method. The simulation technique is readily applied by random selection of metamodel to implicitly consider record to record variations of earthquake. Without additional computational burden, the approach avoids a prior distribution assumption about approximated structural response unlike commonly used dual response surface method. The effectiveness of the proposed approach compared to the usual polynomial response surface and neural network based metamodels is numerically demonstrated.     

Gaussian neural networks for control function implementation

The systematic storage in neural networks of prior information to be used in the design of various control subsystems is investigated. Assuming that the prior information is available in a certain form (namely, input/output data points and specifications between the data points), a particular neural network using Gaussian nonlinearities and a corresponding parameter design method are introduced. The proposed neural network addresses the issue of effectively using prior information, and its use is illustrated in an implementation of a control law scheduler.