基于BP算法对汽轮机的振动故障多因素预测

针对汽轮发电机组振动振幅受运行参数及随机因素影响的特点,提出了用人工神经网络中的递推合成ＢＰ网络对汽轮机的振动故障进行多因素预测。通过对仿真数据及机组实际振动数据的预测结果检验。证明多因素预测有利于提高汽轮发电机组振动状态的预测精度。     

基于BP网络的汽轮发电机组振动故障诊断方法研究

首先分析了汽轮发电机组振动故障特点及ＢＰ网络的特点,指出采用ＢＰ网络诊断方法的必要性,然后对基于ＢＰ网络的汽轮发电机组振动故障的诊断方法及网络结构与诊断性能的关系进行研究。     

递推合成BP网络预测特性及性能分析

对递推合成ＢＰ网络用于时间序列预测时其训练精度、输入层及隐层节点数、训练样本长度对预测误差的影响进行了分析,并对递推合成ＢＰ网络用于汽轮机振动自适应预测的应用前景进行了展望。     

化发电机组故障预测模型分析比较及应用

借助于仿真数据及某２００ＭＷ机组的实测数据，对ＧＭ（１，１）、ＡＲ（ｐ）及基于合成ＢＰ网络的ＮＡＲ（ｐ）模型的预测性能进行分析及比较，得出了适合于汽轮发电机组的故障预测模型，为火电机组的安全运行和预知状态维修做好了理论准备。     

基于BP网的异步电机故障诊断方法

在对异步电机三类典型故障机理的分析基础之上,提出了基于ＢＰ网的诊断方法,建立了适宜于异步电机故障诊断的网络模型和电气故障模板,开发出基于ＢＰ网的电机故障诊断软件．     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

基于预测模型的BP＿Adaboost算法改进

针对 ＢＰ＿Ａｄａｂｏｏｓｔ算法预测精度不高的问题,对算法作了改进：先用遗传算法对每个 ＢＰ神经网络弱预测模型进行优化;然后把优化后的 ＢＰ神经网络模型看作为新的弱预测器;再通过 ＢＰ＿Ａｄａｂｏｏｓｔ算法,用多个被遗传算法优化后的 ＢＰ神经网络弱预测器组成强预测器模型;最后加权整合优化后用 ２０００组随机数据验证改进后算法的预测精度,用 Ｍａｔｌａｂ程序仿真实现改进后的 ＢＰ＿Ａｄａｂｏｏｓｔ算法,并与改进前的 ＢＰ＿Ａｄａｂｏｏｓｔ算法作比较。程序运行结果表明,改进后的 ＢＰ＿Ａｄａｂｏｏｓｔ算法预测精度有了明显提高。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

新型BP网络用于非线性化学体系的研究

提出了一种杂化ＢＰ网络模型及新型变步长算法，使常规ＢＰ算法的收敛平稳性及收敛速度获得了改善，对两类非线性化学体系的实例研究表明该网络较多元线性回归及常规ＢＰ网络具有更好的学习与预测效果。     

人工神经网络在股票市场预测中的应用

运用人工神经网络理论，对股票市场进行动态建模和仿真预测实验，仿真实验结果表明，低阶多层改进ＢＰ模型能预测深圳股市趋势且取得良好结果。     

BP 神经网络改进算法的应用

目的通过 MATLAB 实现 BP 神经网络的改进算法. 方法采用了动量法和学习率自适应调整的策略. 结果运用 MATLAB 对 BP 神经网络进行初始化和训练. 结论实践证明, 改进了的 BP 神经网络算法, 提高了学习速度, 增加了算法的可行性. 利用 MATLAB 软件提供的工具箱编制 BP 网络解决非线性问题是一种便捷、有效、省事的途径.     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

BP神经网络在倒立摆控制中的应用

建立了基于人工神经网络改进BP算法的一级倒立摆的数学模型,并给出了BP网络结构,采用改进的LM训练算法,结合由极点配置获得训练数据。利用Matlab软件进行训练仿真,结果表明,改进的BP算法控制倒立摆精度高、收敛快,在非线性控制、鲁棒控制等领域具有良好的应用前景。     

一种BP神经网络的学习算法及其改进

本文详细推导了典型ＢＰ神经网络学习算法,并给出了一种基于动量和学习速率自适应调整的虎法。仿真结果表明,改进算法的学习速度和收敛性得到了明显的提高。     

一种前馈神经网络基于U－D分解渐消记忆滤波的学习方法

针对前馈网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新方法，与ＥＫＦ相比，不仅大大加快了学习收敛速度、数值稳定性好，而且比ＢＰ算法需较少的学习次数和隐节点数仍可达到更好的学习效果。仿真计算表明，该方法是提高网络学习速度、改善学习效果的一种有效方法，可有效解决非线性系统建模、辨识与控制问题。     

基于数据挖掘的BP神经网络模型的一种改进算法

数据挖掘方法的人工神经网络是一种新的数学建模方式.传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的提出为处理非线性问韪提供了比较好的方法.针对BP算法的局限性提出了改进的BP网络模型,通过对CSP质量指标的预测结果与传统的BP模型比较,结果表明,改进的BP算法提高了学习效率,网络有较好的泛化能力,而且预测更可靠.     

用BP网络诊断汽轮发电机组振动故障

针对ＢＰ网络的不足，提出了自适应学习率的ＢＰ网络算法，该算法从根本上解决了ＢＰ网络中学习率的取值和收敛速度慢的问题，并有效地解决了ＢＰ网络易收剑到局部最小点的问题，并将这种改进的算法应用于汽轮发电机组的故障诊断中，结果表明该方法可行。     

基于改进萤火虫优化神经网络的WSNs分簇路由协议

针对无线传感器网络中能耗不均衡问题,提出了一种基于改进萤火虫算法优化反向传播神经网络的非均匀分簇路由协议.通过在萤火虫算法中引进权重因子并增加4个评价指标,来平衡簇内负载和减少簇间的通信距离.结合BP神经网络,优化路径选择和簇首选举方式,达到最佳成簇效果.仿真结果表明,改进萤火虫算法优化BP神经网络的非均匀分簇路由协议能有效延长网络生命周期,节省能量,并均衡能耗.     

神经网络非线性系统自适应控制的研究

提出了一种新的神经网络非线性系统自适应控制方法采用改进的ＢＰ算法，避免了选取学习速率的麻烦仿真结果表明：该方法对非线性系统及突加外干拢、参数突变具有较强的自适应能力     

基于粒子群优化算法的BP神经网络在图像识别中的应用

介绍了一种采用微粒群算法与BP算法相结合的方法用于BP神经网络模型优化，来提高模型的收敛速度和精度。仿真结果表明，与BP算法相比较，PSO—BP学习算法训练的神经网络不仅训练时间明显缩短，而且其预报精度也得到了较大的提高。