基于神经网络求解三值模型下的故障诊断问题

在多处理机系统的系统级故障诊断中,一个重要的研究课题是确定最可能故障处理机集,该问题可以归结为NP—完全的整数线性规划问题.连续Hopfield神经网络能够近似求解最优化问题,因此是解决这类问题的可选路径.文中主要研究如何构建连续Hopfield神经网络,以在三值PMC模型下近似地确定最可能故障集,相比于常用的二值诊断模型,能得到更准确的诊断结果.在超立方体结构上进行了一系列的数值实验,仿真结果表明:该方法具有实用性.     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

粗集神经网络及其在齿轮箱故障识别中的应用

为有效解决故障诊断中的故障识别问题,提出了一种以强耦合方式进行集成的粗集-神经网络的故障识别方法.该方法通过粗糙集对获得的故障属性进行降维预处理并获取粗集规则,再以所得的粗集规则与BP神经网络进行强耦合对故障进行识别.对该方法以齿轮箱故障识别进行了仿真实验,与BP神经网络的识别效果进行对比,结果表明了粗集神经网络在训练速度、测试精度方面的有效性.     

基于概率超球集神经网络的发动机故障诊断

提出了一种用于发动机故障检测与诊断的概率超球集神经网络．神经网络用概率集表示发动机故障模式,概率集是由超球聚集形成的集合体,超球是由球心和半径确定．概率超球集神经网络能在两次循环中完成学习过程,并能不断融合新样本信息和精炼已存在的故障模式．YF-20发动机故障检测与诊断的仿真研究验证了概率超球集神经网络分类器的优越性能．     

构造型神经网络在故障诊断中的应用研究

提出一种新的故障诊断方法,以便更加有效地解决具有先验知识的故障分类问题。以先验样本点为中心,利用内积判断样本数据的相似度,从而进行聚类分析,在特征空间里作超平面与球面相交,得到一个球面覆盖领域,从而将神经网络训练问题转化为点集的覆盖问题。该算法以构造型神经网络为基础,其特点是直接对故障样本数据进行处理,由于覆盖中心确定,该算法构造出的是隐层元最少的网络结构,有效地克服了传统神经网络训练时间长、学习复杂的问题。计算机仿真实验结果证实了该算法的有效性。     

不完备信息系统中基于集对相似度的粗集模型

讨论了已有粗集扩充模型处理不完备信息的局限,分析了空值相等与确定值相等在概率上的明显差异.依据集对分析理论,提出了集对相似度和相似度容差关系,进而给出一种基于集对相似度的粗集拓展模型.该模型的方法是:通过引入差异度系数体现空值相等与确定值相等之间的差别,利用相似度容差关系及差异度系数确定数据对象的邻域,再利用该邻域得到上下近似集,同时在求上近似时忽略空值的差异性,在求下近似时强调空值的差异性.实验表明,该模型在相同阈值参数的情况下,结果更加合理,精度更高.     

基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法

提出了一种基于小波去噪与改进RBF神经网络的小电流接地系统故障选线方法。将消噪后的零序电流绝对值的最大值进行归一化处理后得到故障信息矩阵,并将该矩阵作为RBF神经网络的输入;计算RBF神经网络输入层的活跃值,当活跃值在设定范围内时,RBF神经网络的隐含层与输出层自动断开,隐含层神经元分裂,待网络中权值、方差、中心值等参数自动调整后,RBF神经网络的隐含层与输出层重新连接,输出训练结果;将测试集输入到训练好的RBF神经网络,得出故障选线结果。算例分析结果表明,该选线方法不受故障相位角、接地电阻的影响,故障选线准确、可靠。     

粗糙RBF神经网络集成的模式识别方法

提出一种定义属性重要度的方法,并根据属性的重要度测量元素之间的距离,以确定训练集的聚类情况.由于聚类的不确定性,提出利用粗糙集方法确定精确的下、上近似集合,用其聚类中心作为RBF神经网络的径向基中心,设计两个基函数中心不同的RBF神经网络.最后在经验风险最小化原则下,确定两个网络的每个输出值的置信度,得到神经网络集成的最终输出.网络的训练采用递推最小二乘方法,通过两个模式识别仿真实例验证该方法的有效性和正确性.     

正则模糊神经网络是模糊值函数的泛逼近器

通过分析多元模糊值Bernstein多项式的近似特性，证明了4层前向正则模糊神经网络（FNN）的逼近性能，该类网络构成了模糊值函数的一类泛逼近器，即在欧氏空间的任何紧集上，任意连续模糊值函数能被这类FNN逼近到任意精度，最后通过实例给出了实现这种近似的具体步骤。     

基于粗-模糊神经网络的决策控制

通过将模糊集和粗集,神经网络结合,提出了一种基于模糊规则的新的粗模糊神经网络,它通过利用误差反向传播算法实时修正该新型网络中的权值参数,从而能被有效地应用于不确定系统的决策分类与模式识别问题.最后通过对一个不确定决策系统的模式识别的仿真结果表明该粗模糊神经网络能大大提高模式识别决策的准确率.     

Hopfield神经网络在机组组合问题中的应用

提出利用多层Hopfield神经网络求解机组组合优化问题。通过构造合适的能量函数使得单层Hopfield神经网络可以解决某一时刻的机组出力问题,与之相对应的多层神经网络可以解决任意时间段的机组出力问题。多层Hopfield神经网络的层数由所需求解问题的时间段确定。给出单层及多层神经网络的能量函数及求解算法,能量函数考虑到机组升降功率和出力上下限的约束。通过对已有文献的算例进行计算比对,所得结果和遗传算法基本一致,但Hopfield神经网络通过解微分方程组来确定最优解,计算时间相对较少。     

基于局部进化的Hopfield神经网络的优化计算方法

提出一种基于局部进化的Hopfield神经网络优化计算方法，该方法将遗传算法和Hopfield神经网络结合在一起，克服了Hopfield神经网络易收敛到局部最优值的缺点，以及遗传算法收敛速度慢的缺点。该方法首先由Hopfield神经网络进行状态方程的迭代计算降低网络能量，收敛后的Hopfield神经网络在局部范围内进行遗传算法寻优，以跳出可能的局部最优值陷阱，再由Hopfield神经网络进一步迭代优化。这种局部进化的Hopfield神经网络优化计算方法尤其适合于大规模的优化问题，对图像分割问题和规模较大的200城市旅行商问题的优化计算结果表明，其全局收敛率和收敛速度明显提高。     

基于Hopfield神经网络多用户检测技术的研究

最优多用户检测器的优化问题可以映射为Hopfield神经网络的能量函数的最小化问题。本文对基于典型Hopfield神经网络多用户检测器和基于随机Hopfield神经网络多用户检测器进行了性能分析,计算机仿真表明这两种多用户检测器均具有抗多址干扰和抗远近效应的能力强、运算量小、实时性好等优点。     

An Efficient Multivalued Hopfield Network for the Traveling Salesman Problem

In this Letter we show that discrete multivalued Hopfield-type neural networks enable a relatively easy formulation of the Traveling Salesman Problem compared to the traditional Hopfield model. Thus, with the multivalued representation the network can be easily confined to feasible solutions, avoiding the need to tune any parameter. An investigation into the performance of the network has led us to define updating rules based on simple effective heuristic algorithms, a technique that can not be usually incorporated into standard Hopfield models. Simulation results for Euclidean Traveling Salesman Problems taken from the data library TSPLIB [11] indicate that this multivalued neural approach is superior to the best neural network currently reported for this problem.     

Multiprocessor Task Assignment with Fuzzy Hopfield Neural Network Clustering Technique

Most scheduling applications have been demonstrated as NP-complete problems. A variety of schemes are introduced in solving those scheduling applications, such as linear programming, neural networks, and fuzzy logic. In this paper, a new approach of first analogising a scheduling problem to a clustering problem and then using a fuzzy Hopfield neural network clustering technique to solve the scheduling problem is proposed. This fuzzy Hopfield neural network algorithm integrates fuzzy c-means clustering strategies into a Hopfield neural network. This investigation utilises this new approach to demonstrate the feasibility of resolving a multiprocessor scheduling problem with no process migration and constrained times (execution time and deadline). Each process is regarded as a data sample, and every processor is taken as a cluster. Simulation results illustrate that imposing the fuzzy Hopfield neural network onto the proposed energy function provides an appropriate approach to solving this class of scheduling problem.       

Solving large scale combinatorial optimisation problems based on a divide and conquer strategy

A Hopfield neural network for a large scale problem optimisation poses difficulties due to the issues of stability and the determination of network parameters. In this paper, we introduce the concept of a divide and conquer algorithm to solve large scale optimisation problems using the Hopfield neural network. This paper also introduces the Grossberg Regularity Detector (GRD) neural network as a partition tool. This neural network based partition tool has the advantages of reducing the complexity of partition selection as well as removing the recursive division process during the divide and conquer operation. A large scale combinatorial optimisation problem (i.e. sequence-dependent set-up time minimisation problem with a large number of parts (N> 100)) is linearly partitioned into smaller sets of sub-problems based on their similarity relations. With a large number of parts (N>100), the problem could not effectively be verified with other methods, such as the heuristic or branch and bound methods. Hence, the effectiveness of the divide and conquer strategy implemented by the GRD neural network in conjunction with a Hopfield neural network was benchmarked against the first-come first-serve method, and the Hopfield neural network based on arbitrary separations. The results showed that the divide and conquer strategy of the GRD neural network was far superior to the other methods.     

基于Hopfield神经网络的作业车间生产调度方法

该文提出了基于Hopfield神经网络的作业车间生产调度的新方法.文中给出了作业车 间生产调度问题(JSP)的约束条件及其换位矩阵表示,提出了新的包括所有约束条件的计算能 量函数表达式,得到相应的作业车间调度问题的Hopfield神经网络结构与权值解析表达式,并 提出相应的Hopfield神经网络作业车间调度方法.为了避免Hopfield神经网络容易收敛到局部 极小,从而产生非法调度解的缺点,将模拟退火算法应用于Hopfield神经网络求解,使Hopfield 神经网络收敛到计算能量函数的最小值0,从而保证神经网络输出是一个可行调度方案.该文 改进了已有文献中提出的作业调度问题的Hopfield神经网络方法,与已有算法相比,能够保证 神经网络稳态输出为可行的作业车间调度方案.     

一种Hopfield神经网络能量函数改进下的作业车间调度*

由于作业车间调度问题的目标函数目前还无法用换位矩阵的元素以数学公式的形式表示,因此无法保证求出全局最优解。文中首先对换位矩阵表示方法进行了改进,给出新的带有目标函数的能量函数表达式,然后提出改进的Hopfield神经网络作业车间调度方法,并将模拟退火应用于Hopfield神经网络求解,避免了陷入局部极值。仿真结果表明,该方法具有全局搜索能力,并能够保证神经网络的稳态输出为全局最优或近似全局最优。     

图顶点覆盖问题决策神经网络模型

图的顶点覆盖问胚是一个困难的NP-完全问题,并且有许多良好的应用.文中将在已有的应用Hopfield神经网络模型来求解图的顶点覆盖问题的基础上,将人脑决策思维的思想加入其中,建立称为图顶点覆盖问题决策神经网络模型.该方法不仅简化了过去此领域的工作,而且通过增加决策约束项,加速了网络的运行速度.     

模糊PID和Hopfield神经网络在矿井通风系统中的应用

针对传统的PID控制或者单一的模糊控制无法准确控制矿井通风系统风量的问题,提出了一种采用模糊PID调节器和Hopfield神经网络调节器对矿井通风机的转速、风门、风量进行控制的方法。该方法利用模糊控制器对PID参数进行实时修正,并结合Hopfield神经网络的联想记忆功能和反馈调节特性,实现矿井通风机风量的快速、稳定输出。仿真与实验结果表明,模糊PID调节器和Hopfield神经网络调节器可以准确控制矿井通风机的转速和风量,实现通风系统的稳定输出。