题目：BP神经网络的优化算法及其在气体减压器稳定性研究中的应用

涡轮气封减压试验系统所用的逆向卸荷膜片式减压器在工作过程中存在稳定性问题，标准算例仿真得到的减压器阀芯和高、低压腔压强动态变化曲线出现了无固定频率的振荡，导致整个系统工作不稳定。为了解决减压器的稳定性问题，本论文提出采用 Back-Propagation(BP)神经网络模型来训练不同结构参数的仿真算例，构建减压器稳定性的预测模型，来研究气体减压器的结构参数与稳定性能之间的依赖关系。

标准BP神经网络算法收敛速度缓慢，易陷入局部极小点。为了让BP神经网络更好的应用于多参数耦合变化下减压器稳定性研究，本论文提出采用优化理论中的共轭梯度法和拟牛顿法替代梯度下降法来优化BP算法，同时利用基于Wolfe条件的一维线搜索算法来实现可变步长。设计并实现三种BP神经网络的优化算法。从测试结果来看，相比于标准BP算法，优化的BP算法在收敛速度和精度上都有很大提高，特别是基于拟牛顿法收敛的BP优化算法，极大的减小了迭代次数。

本论文将优化后的BP算法用于研究减压器的稳定性问题，得到了减压器结构参数与稳定性能之间的依赖关系。从关系中发现减压器的膜片正向刚度、卸荷孔直径和阻尼孔直径对稳定性作用十分明显；低压腔有效长度和阻尼系数对稳定性作用明显；阀芯质量对稳定性有所作用但不明显。高压腔有效长度对稳定性几乎没有作用。由此得到提高稳定性的措施：增大减压器膜片正向刚度、增大卸荷孔直径、增大阻尼孔直径、增大低压腔有效长度、增大阻尼系数（在标准值的6.5倍之内）以及减小阀芯质量。实验结果还表明，当阻尼孔直径、卸荷孔直径和膜片正向刚度，与其它结构参数耦合变化时，减压器可以变得十分稳定，当这些参数耦合变化时，对稳定性的提高远好于单个参数变化。

数值实验误差分析表明，本论文构建的模型不存在过拟合、局部最优的情况，其预测结果是可靠的，可为气体减压器的设计和系统分析提供决策支持。该模型对不同数据集具有通用性，以用来研究其它部件的结构参数与性能指标的依赖关系。