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。     

基于灰色关联理论的线性直流电源故障分类定位

将灰色关联理论应用于线性直流电源故障诊断中,完成故障模式识别和决策判断:故障分类成若干故障子集并采用蚁群算法约简故障特征参数,将关联度和相似系数联合形成综合关联度,利用综合关联度分析来进行故障诊断.实验结果表明:此法能充分利用约简的故障特征信息有效地进行测后分析,有着很高的故障定位准确性.     

基于群智能神经网络的线性直流电源故障诊断

反向传播算法是应用广泛的一种多层前馈神经网络模型,具有求解精度低、易于陷入局部极小值的缺点.群智能研究领域主要有粒子群优化算法和蚁群算法.粒子群优化算法有收敛速度快、算法参数简洁等特性;蚁群算法具有正反馈、启发性收敛等特性.将群智能神经网络的方法应用于线性直流电源的故障诊断:利用蚁群算法来约简故障特征参数;用粒子群优化算法来训练神经网络的权值.实验表明:此方法提高了网络训练效率和故障定位准确性.     

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BP神经网络的电控发动机故障诊断

针对汽车发动机电控系统结构的复杂性,提出用BP神经网络进行故障诊断的方法。以北京现代05款途胜G4GC型发动机电控系统为实验,并对其进行故障设置,采集发动机故障数据流,运用BP神经网络构建诊断模型,并且改变BP训练方法。诊断结果表明用BP神经网络诊断发动机电控系统故障是行之有效的,具有较好的应用前景。     

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。     

基于小波变换与BP神经网络的模拟电路故障诊断

利用小波与改进算法的BP神经网络相结合的方法进行模拟电路故障诊断,该方法使用小波分解作为预处理工具,对信号进行消噪和小波分解,然后提取特征信息,进行归一化处理,并作为BP神经网络的输入样本进行模式识别。该方法减少了神经网络的输入维数,提高了收敛速度和辨识故障的能力。仿真结果表明,该方法能准确快速地定位故障,且可有效地进行故障识别、改善神经网络结构以及提高故障诊断精度与速度。     

基于小波能量免疫识别的发动机转子系统故障诊断

提出了一种基于小波能量免疫识别的航空发动机转子系统故障诊断方法。该方法采用小波能量表征信号特征,根据免疫识别原理,将已知故障模式中的每个样本看作一个抗体,将待检样本看作抗原,把故障诊断问题转化为抗体对抗原的识别问题。仿真实验表明该方法具有很好的在线监测性能和分类性能,对于发动机转子系统的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域。     

基于RS-LMBP算法的故障智能诊断系统

文中提出了基于粗糙集(RS)理论与BP神经网络相结合的故障智能诊断技术.首先对大型设备大量复杂的数据,利用粗糙集理论进行前期数据的预处理,约简原始数据的属性,再将处理过的数据用LM算法改进的BP神经网络技术来进行分析,最终实现故障智能诊断.建立了基于RS-LMBP算法的故障诊断模型,并通过实例验证了方法的可行性和高效性.     

基于混沌蚁群算法的BP神经网络训练研究

针对BP学习算法依赖于初始权值的选择和只能处理具有求导或者梯度特性目标函数,导致函数逼近误差较大的缺点,基于适值理论,建立了混沌蚁群算法模型.采用实值编码,把BP神经网络的权值和偏值作为混沌蚁群算法搜索的蚂蚁空间位置;设置合适的适值函数,对BP神经网络权值进行训练,并将其应用于曲线拟和.分别用混沌蚁群算法对不包含噪声的BP神经网络和包含噪声的BP神经网络进行了训练仿真,对仿真结果进行分析,取得了很好的效果.     

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。     

环网柜电缆头局部放电检测与模式识别

电缆接头的局部放电现象是户外环网柜绝缘故障的主要表现形式,本文利用电磁耦合法对电缆头局部放电进行检测,建立环网柜电缆局部放电检测实验平台,应用局放仪测得的局放量作为局放发生判据,运用小波变换理论滤除信号中的噪声干扰,提取有效信号。通过大量的实验分析,选取8MHz-12MHz信号频谱的功率谱面积作为模式识别的特征向量,利用BP神经网络算法实现电缆头的局部放电识别。结果表明,该方法能有效区分局部放电发生与否,具有较高的识别率,为局部放电检测提供了一种新的算法。     

采用BP神经网络的智能抗干扰决策引擎研究

在认知抗干扰通信系统中,智能决策是其核心,根据干扰环境,对系统的干扰抑制方式、频谱资源分配、调制编码方式和功率调整信息进行最优决策。现有的抗干扰通信系统的智能决策多采用遗传算法、人工蜂群算法等,面对日益复杂的电磁环境,通常这些算法不具有对新干扰的泛化能力。BP神经网络算法简单、具有一定的容错能力和泛化能力,本文设计并分析了一种基于BP神经网络的抗干扰实时决策引擎模型,根据系统性能设计了输入输出数据的预处理方式和判别标准,阐述了决策实现步骤,分析了算法参数;通过系统性能仿真,验证了文中提出的实时决策引擎的强抗干扰性能。与采用遗传算法和人工蜂群算法的决策引擎相比,本文提出的决策引擎决策速度更快且具有泛化能力和容错能力。      

Moving targets pattern recognition based on the wavelet neural network

Based on pattern recognition theory and neural network technology, moving objects automatic detection and classification method integrating advanced wavelet analysis are discussed in detail. An algorithm of moving targets pattern recognition on the combination of inter-frame difference and wavelet neural network is presented. The experimental results indicate that the designed BP wavelet network using this algorithm can recognize and classify moving targets rapidly and effectively.     

基于蚁群优化的BP神经网络目标威胁估计方法

根据空中目标威胁估计的特点,分析了基于BP神经网络的空中目标威胁估计方法的不足。运用蚁群优化算法(ACO)的全局寻优能力,对BP神经网络的初始权值进行优化,建立了改进的BP (ACOBP)空中目标威胁估计方法,解决了BP神经网络初始权值的随机性和网络易陷入局部极小值的问题,提高了算法的收敛速度。并采用30组训练样本数据及8组测试数据,对算法的性能进行了仿真分析。仿真结果表明,该算法估计结果准确合理,收敛速度和收敛精度均优于BP算法,证明了该方法的有效性。     

一种新的QoS组播路由算法

针对现有的求解多约束QoS组播路由中存在的问题,结合BP神经网络局部搜索的优势和蚁群算法全局搜索的优势的特点,进行QoS组播路由算法的设计,提出了一种新型的NNAC算法。该算法通过BP神经网络寻找路径的更优解,改善了QoS组播路由路径寻找的方法。通过实验仿真表明,NNAC算法得到最优组播树的总延时为35,总代价费用为21,在完成150个度约束组播路由路径时,NNAC算法在进行最优组播树的寻找成功率上高于AC算法,同时该算法还克服了AC算法易陷入局部最小点的不足。     

基于IDDT和SVM的混合电路故障诊断探究

混合电路待测数据受限,存在故障诊断速度较慢、效率有限等问题,提出了一种基于动态电流测试结合支持向量机的混合电路故障诊断方法,其基本思想是运用小波分解提取混合电路动态电流的有效信息,再融合SVM进行故障诊断。采用标准样本Iris数据集研究、确定了多类支持向量机的算法,采用高斯径向基核函数,运用改进的网络搜索方法进行了粗搜索和细搜索,以确定出SVM的最佳参数对。PSPICE及MATLAB软件对混合电路实例的仿真表明,该方法模式识别能力较强,可改善BP神经网络的收敛速度慢和容易陷入局部极小值等不足,适用于混合电路故障的快速准确诊断。     

改进BP神经网络的EMG手指运动识别

在基于肌电信号(EMG)手指运动的模式识别中,稳定性和识别率是两个主要问题,为此提出了一种新的EMG模式识别算法。该算法采用现代信号处理理论中的AR模型和改进的BP神经网络相结合的算法,有效的解决了BP网络识别中落入局部极值问题。进行试验,将提取到的特征值输入MATLAB建立一个改进多层BP神经网络,识别三个不同类型的手指运动。实验表明,改进BP算法较传统BP算法获得了更高的识别精度,达到94%左右。