矢功率谱与蚁群神经网络结合在机械故障诊断中的应用研究

针对传统功率谱信号源不足以及BP神经网络收敛速度慢且容易陷入局部极小等问题,提出矢功率谱和蚁群神经网络相结合的故障诊断方法,该方法是:提取矢功率谱的8个频段能量特征,并输入到蚁群神经网络分类器进行故障识别,通过实际训练结果和实验结果对比可知,蚁群神经网络能有效地提高收敛速度,网络迭代次数明显改善,故障识别率提高,将蚁群神经网络应用于机械故障诊断是有效的.     

蚁群神经网络在齿轮箱故障诊断中的研究与应用

在ACO算法原理及框架的基础之上,将蚁群优化算法引入到神经网络的训练中来,提出了ACO训练神经网络的基本原理和方法步骤,并应用于发动机齿轮箱故障的故障诊断。本文采取经典的“频域”分析方法对齿轮箱进行故障诊断,并建立了基于蚁群神经网络的齿轮箱故障诊断模型。结果表明,用ACO算法训练的神经网络具有较高的故障诊断精度,可以有效地诊断齿轮箱中的故障,提高了诊断的效率和质量。     

基于蚁群算法的机械故障智能诊断方法研究

介绍了蚁群算法基本原理,实验验证了蚁群聚类算法可用于轴承故障诊断,对比蚁群算法和BP神经网络在故障诊断中的不同,分析了蚁群算法在故障模式识别中的特点。     

神经网络在温度控制系统中的应用

与常规控制方法相比较，神经网络控制系统有许多典型的先进特性，介绍了一些人工神经网络的基本概念及学习算法，最后，将神经网络PID控制器取代基本PID控制器用在浴室水箱温度控制中，仿真结果表明这种控制方法有很好的控制效果。     

神经网络在车牌字符识别中的应用

设计并实现了一种基于改进BP神经网络的字符识别系统,可克服传统BP算法最终进化至最优解较慢和神经网络易陷入局部最小值的缺陷,具有较好的全局性和收敛速度,经过实验,具有较好的识别速度和精度.     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

神经网络在异步电机转子故障诊断中的应用

本文利用BP神经网络对异步电机转子的几种主要故障类型进行诊断,提取异步电机转子振动频谱分量,经归一化处理后作为训练样本,代入网络进行学习,通过输出的数据即可判定故障类型,并用新的样本对训练好的网络进行了检验,取得了较好的结果.     

蚁群优化BP神经网络的电机故障诊断设计与实现

针对传统的故障诊断方法采用专家知识推理方法在获取知识方面的困难,提出了一种采用蚁群优化算法和BP神经网络的自适应电机故障诊断系统。使用BP神经网络对样本数据进行训练,可以建立故障征兆到故障之间的对应关系,从而可以克服专家系统的不足,同时,由于传统的BP算法采用梯度下降算法,具有收敛速度慢和容易陷入局部最优解的问题,且BP神经网络的网络结构和初始参数在确定时往往依靠经验,从而限制了其在故障诊断领域的进一步发展。蚁群算法是一种启发式的模拟进化优化算法,具有正反馈及其分布式计算等特点,因此,将蚁群算法应用于BP神经网络的结构和参数进行优化,然后采用优化后的BP神经网络进行故障诊断,电机诊断实例证明文中方法较BP神经网络和遗传算法优化的BP神经网络具有更高的诊断精度和训练效率。     

BP神经网络在机械故障诊断中的应用

根据BP算法神经网络模型,阐述BP神经网络应用于机械故障诊断的基本步骤,归纳总结BP神经网络在机械故 障诊断中的应用及实例,提出存在的问题和发展方向。     

基于蚁群遗传算法的BP神经网络摄像机标定

摄像机标定是从二维图像提取三维空间信息的关键步骤。为了有效解决传统摄像机标定算法中的多参数和计算费时费力等问题,提高摄像机标定的精度和速度,首次将蚁群遗传算法应用于摄像机标定中。方法初期采用遗传算法过程生成信息素分布,后期利用蚁群算法正反馈求精确解,最后用优化后的BP神经网络来进行摄像机标定,充分发挥遗传算法的全局搜索能力和蚁群算法的正反馈收敛优势。     

基于改进蚁群神经网络的牵引逆变器故障诊断

牵引逆变器是各类地铁列车牵引传动系统的关键部件之一,在实际运行中其功率管极易发生各类故障。针对传统故障诊断方法无法准确识别相应的故障类型和故障部位的问题,基于改进蚁群神经网络对牵引逆变器功率管故障诊断方法进行了研究。通过提取牵引逆变器输出三相电压的频域故障特征作为神经网络的输入,以功率管的开路故障类型作为输出,采用改进蚁群算法训练神经网络的权值和阈值,对牵引逆变器的功率管开路故障进行了有效诊断。仿真和测试结果表明,改进蚁群算法神经网络具有较高的故障诊断准确性,收敛性好,可以快速有效地实现故障定位。     

蚁群算法的理论与应用

介绍了一种求解复杂组合优化问题的新的拟生态算法——蚁群算法。阐述了该算法的基本原理、几种改进蚁群算法以及蚁群算法在TSP问题、job-shop调度问题、大规模集成电路布线、电信网络路由等各种组合优化问题中的应用。     

基于蚁群算法的铣削力信号特征选择方法

为有效地进行刀具状态模式识别,以端面铣刀为研究对象,采用蚁群算法对铣削力信号进行研究分析,提出一种可用于刀具状态识别的特征选择方法。该方法将特征选择过程转化成蚁群算法中蚂蚁寻找最优路径的过程,给出了转移概率公式,并运用Fisher标准判别率作为启发信息,同时将每次搜索得出的最优特征子集输入BP神经网络进行模式识别,得到的正确率整合进信息素更新策略。另外,改进了蚁群算法参数选择方法。实验结果表明,该方法可以高效地进行特征优化选择,进而使模式识别正确率较未经特征选择时得到显著提高。     

基于蚁群算法的机械优化设计

介绍了蚁群算法的原理、模型和算法实现过程。说明了蚁群算法应用于机械优化计算切实可行，为复杂的机械优化设计问题提供了新的思路和方法。     

Job Shop调度问题自适应蚁群算法的研究

Job Shop问题是与实际生产相关的多约束组合优化问题,具有约束较多,计算量大的特点,一直以来是研究的热点.本文对利用自适应蚁群算法求解该问题进行了研究,并且进行了仿真试验,试验结果表明蚁群算法在求解类似Job Shop问题是非常有效的.     

蚁群优化算法研究综述

介绍了蚁群优化算法的基本原理、流程和研究现状,重点评述了近年来蚁群优化算法在组合优化和连续优化两个领域的研究现状,并展望了这一领域的研究方向。     

改进蚁群算法在多用户检测技术中的应用

介绍了改进蚁群算法在CDMA多用户检测技术中的应用。通过分析系统框图、改进蚁群算法的性能,对将其利用于多用户检测技术中的可行性进行了理论阐述并进行了仿真。结果表明,本文提出的多用户检测器可以有效的解决多址干扰和抑制远近效应,其性能接近最优多用户检测器,优于传统检测器。     

基于蚁群优化UKF算法的汽车状态估计

针对汽车状态估计中过程噪声和观测噪声的时变特性,提出一种新的自适应滤波算法。该算法基于三自由度非线性汽车动力学模型,在利用UKF对汽车状态量进行估计的同时,引入蚁群优化算法,根据目标函数对过程噪声和观测噪声进行寻优,实现了过程噪声和观测噪声的自适应作用,估计精度的大幅提高。虚拟实验验证了蚁群优化UKF算法的鲁棒性和精度。研究结果对汽车主动控制系统的开发具有重大的理论指导意义。