一种基于蚁群算法与粗糙集的混合BP神经网络

为了解决BP神经网络对高维冗余样本分类时收敛速度慢、易陷入局部极小值问题,提出基于蚁群算法与粗糙集的混合BP神经网络分类模型.该混合BP神经网络用粗糙集对样本进行约简和降维,输入层神经元个数得到减少,降低了训练神经网络的计算复杂度,用蚁群算法解决了选取神经网络权值和阈值的随机性,避免了因其而导致的易陷入局部极小值的不足.对UCI数据库中数据集的测试结果说明,提出的混合BP神经网络对高维冗余复杂样本进行分类是可行的,性能远远比传统BP神经网络和蚁群神经网络优越.     

基于RS优化的电力变压器故障诊断方法

针对现有的故障诊断技术应用在电力变压器故障诊断中存在的冗余信息过多,诊断结果不准确等问题将粗糙集理论与概率神经网络相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再经概率神经网络进行故障模式分类,可简化故障诊断网络规模,且相比于单一的概率神经网络的诊断方法,能够更精确地诊断出变压器故障类型,其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。     

基于BP神经网络和D-S证据理论的发电机故障综合诊断

本文以发电机故障为研究对象,提出了一种基于BP神经网络和D-S证据理论相结合的信息融合的故障诊断方法,并进行了验证。利用BP神经网络对测量数据进行局部分析诊断,最后利用D-S理论对局部诊断结果进行融合,得到的结果基本满足需求,从而证明了BP神经网络和D-S理论相结合的综合诊断方法的可行性和实效性。     

基于遗传算法的BP神经网络在图像压缩中的应用

以神经网络和遗传算法为代表的进化算法都基于智能信息处理的理论,但是各自都存在一些缺陷.设计并实现了基于遗传算法的BP神经网络算法BP-GA,该算法将遗传算法和BP算法相结合,用基于实数编码的遗传算法优化神经网络的权值后,应用于图像压缩.实验证明,利用此混合神经网络进行图像压缩,压缩比高,图像恢复质量效果好.     

基于粗糙集和神经网络的数据融合方法研究

在粗糙集和数据融合基本理论的基础上,研究基于粗糙集理论和神经网络相结合的数据融合方法.由于粗糙集理论能够有效地简化知识,降低特征的维数,将粗糙集理论和神经网络结合起来,利用基于信道容量的知识相对约简算法对输入信息进行简化,剔除冗余信息,从而缩减了神经网络的规模,提高网络的收敛性和融合系统的识别率,达到提高整个融合系统效率的目的.将改进后的融合系统与传统的神经网络融合的效率进行比较,通过实例说明了该方法的有效性.     

基于模糊神经网络的执行器故障诊断

针对神经网络在故障诊断中的局限性,提出了一种将模糊理论与BP神经网络结合的故障诊断方法,使其应用到执行器故障诊断中.通过和BP神经网络学习算法对执行器故障诊断的结果比较来证明模糊神经网络算法的优越性.首先介绍执行器常见故障;其次对故障征兆进行模糊化预处理,获得了神经网络训练样本,最后应用Matlab软件进行了系统仿真.仿真结果表明:该方法收敛速度快、诊断精度高、自适应性强,能够有效地诊断执行器故障.     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

基于BP神经网络的某型飞机火控系统故障诊断

根据某型飞机火控系统的特点，给出了BP神经网络数学模型及其学习算法，在此基础上以某型飞机火控系统作为为被诊断对象，运用BP神经网络数学模型及其学习算法对其进行故障诊断。诊断结果表明BP神经网络不仅能识别出样本自身的故障，而且能准确诊断出样本以外数据故障，提高某型飞机火控系统一线维修保障效率。     

基于BP神经网络的导弹故障自动诊断研究

精确制导空空导弹是一个复杂系统,及时、准确的识别和诊断导弹故障是化解风险的重要措施。由于导弹故障模式复杂,对其故障进行识别和诊断的难度很大。文中以某型空空导弹测试问题为例,提出一种基于BP神经网络算法的导弹故障自动识别与诊断技术。通过对导弹测试数据的采集和整理形成数据样本,利用神经网络系统的学习和判断能力自动识别及诊断导弹故障,并使用Matlab神经网络工具箱进行仿真验证。验证结果证明,该技术能够快速、准确的识别和诊断导弹故障。     

基于改进ALIF与FA-BP的滚动轴承故障诊断

针对滚动轴承的故障信号存在大量噪声信号和滚动轴承故障的准确诊断等问题，提出一种基于改进自适应迭代滤波算法与萤火虫算法优化BP神经网络相结合的故障诊断新方法。首先采用自适应迭代滤波算法对故障信号进行分解得到若干个内禀模态函数，再进行奇异值分解，绘制差分谱曲线并选择重构信号，对其进行二次降噪；然后通过萤火虫算法寻找BP神经网络的最佳参数，建立FA-BP故障诊断模型，提取降噪后的内禀模态函数中心频率形成特征矩阵，输入故障诊断模型；最后应用于美国凯斯西储大学的轴承数据进行检测，准确率达99.4%，诊断时间为3.18 s。该方法与BP神经网络、萤火虫算法网络、遗传算法网络、遗传算法优化BP神经网络的诊断模型相比，大大提高了诊断效率并具有较高准确率。