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。     

基于量子粒子群优化的BP神经网络的汽轮机振动故障诊断研究

为了提高汽轮机诊断系统的诊断速度与精度,提出了将量子粒子群算法和BP神经网络相结合的故障诊断方法。用量子粒子群算法来训练网络的权值和阈值,再将优化后的权值和阈值代入BP网络,进行故障诊断。实例证明,它是一种高效,可靠的诊断方法。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

基于神经网络的电子政务绩效评价模型分析

阐述电子政务评价指标体系，基于BP神经网络的电子政务绩效评价模型及其实证应用，包括评价模型设计的原理、评价模型的结构设计、电子政务的BP神经网络算法优化、样本数据采集和处理。     

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。     

基于模糊模式和BP算法的手写数字识别

通过对多种手写数字识别算法的研究和分析，提出了一种基于模糊模式识别和BP神经网络寸亏写数字进行识别的新算法。首先应用BP神经网络对手写数字样本进行学习，然后再结合模糊模式识别的思想进行手写数字识别。实验证明：该算法与传统的手写数字识别算法相比，识别率明显提高。经过推广，该算法可应用于汉字识别、人脸识别等领域。     

几种改进BP算法在电机故障诊断中的分析比较

近年来,人工神经网络以其独特的容错、联想、推测、记忆、自适应和处理复杂的多模式等优点,在许多学科中掀起了研究热潮,同样在故障诊断领域,其发展前景也十分乐观,它作为一种自适应的模式识别技术,并不需要预先给出有关模式的经验知识和判断函数,对于特定问题建立的神经网络故障诊断系统,可以从输入数据（故障症状）直接推出输出数据（故障原因）,从而实现故障的检测与诊断。但是传统的BP算法存在一些缺陷。所以采用一些改进的BP算法,把它们用于电机的故障诊断,通过实验对这些改进算法的分析比较,得出其中较合适的算法。这样不仅能发挥神经网络的泛化映射能力而且诊断速度也有提高,有较强的学习能力。     

基于人工神经网络的航空发动机故障诊断方法

针对航空发动机工作环境和结构的复杂性,设计了一种基于人工神经网络的航空发动机故障诊断方法。使用BP神经网络实现对航空发动机故障的诊断和识别,为了加快BP算法的收敛速度,采用带惯性项的批处理BP算法对BP神经网络进行训练。通过对检验样本的测试验证了该方法的有效性和可行性,将不同隐含层数及不同误差精度的算法性能进行了比较分析,结果表明本设计的网络结构及选取的误差精度能满足实际需要。     

基于ELM和PCA的汉语数字语音识别研究

传统BP网络在语音识别应用中存在训练时间长,容易陷入局部极小值等问题,针对上述问题,本文建立一种基于ELM的语音识别系统。ELM是一种快速的单隐层前馈神经网络(SLFN)训练算法,将该算法与单隐层BP网络进行实验比较。实验中对提取的特征矩阵采用主成分分析(PCA)算法进行降维,该算法有效地提取了语音信号的主要成分。实验结果表明在训练时间上,ELM明显优于BP算法,在识别率上,ELM优于BP算法。     

基于GA-BP神经网络的矿用刮板输送机故障诊断

针对矿用刮板输送机的故障诊断问题,提出一种基于GA-BP神经网络的故障诊断方法。为了避免BP神经网络易陷入局部最小值、隐含层节点数难确定等问题,这里首先根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数;进而根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值。研究表明经经验公式寻找最优隐含层节点数后,再将遗传算法与BP神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最小等问题,提高了刮板输送机传动部的故障诊断精度。通过仿真实验验证了文中方法的有效性。     

基于GA与L-M优化算法的变压器故障诊断研究

利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。     

基于BP神经网络的智能电网配电系统改进算法的研究

提出一种基于BP神经网络的智能电网配电系统改进算法.由于BP网络是一种按误差逆传播算法训练的多层前馈网络,具有学习性,可以根据已有的配电参数样本集进行训练,从中分析出内蒙古各地区根据时间不同所配电的分配情况的内在联系,实现对以后配电系统进行自适应控制.该算法的优点就是在构造过程考虑了BP的预测精度和训练时间,采用了梯度下降法的方法,进行Matlab仿真实验,获得了较为准确的预测结果.     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

基于BP神经网络的硬盘播出系统电平诊断的应用及其实现

研究了在MATLAB环境下,利用BP神经网络解决硬盘播出系统电平诊断中的分类问题。首先阐述了BP神经网络的一种故障诊断模型,其次分析了基于集合结构的电平诊断实现原理,最后研究了BP神经网络对电平诊断的求解方法。结论表明:利用在基于BP神经网络的MATLAB环境下解决电平诊断问题时仿真效果明显,有利于实际工程技术的应用。     

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Ad Hoc网络通信能力评估

针对Ad Hoc网络特点,建立了效能评估指标体系,简要分析了指标选取的理由。然后阐述了利用BP神经网络评估网络通信能力的基本设想。构建了BP神经网络模型,分析了样本的录用和训练过程,当训练精度达到要求后,再运用BP神经网络对几种典型分簇算法构建网络的通信能力进行了评估。     

基于BP神经网络的RSSI测距优化算法

基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系.     

关于系统级故障诊断的烟花-反向传播神经网络算法

为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播(BP)神经网络相结合,提出一种新的系统级故障诊断算法—烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。