基于模糊神经网络的船用柴油机智能故障诊断

船用柴油机是整个船舶的动力装置,如果发生故障就会对船舶的安全性造成很大的威胁,因此,如何迅速判断故障发生的原因,进而有效排除故障,对保证船舶的正常航行具有特别重要的意义.针对船用柴油机故障多,且具有复杂性和模糊性的特点,以及模糊神经网络在解决非线性复杂问题方面具有的独特优势,提出了一种基于模糊神经网络的船用发动机智能故障诊断专家系统.该系统结合了模糊逻辑理论、人工神经网络以及专家系统的优点,推理速度快,容错能力强,且具有简单实用的人机界面.仿真结果表明,该系统不仅操作使用方便,而且故障诊断结果准确,具有广泛的应用价值.     

神经网络在船舶柴油机故障诊断中的应用研究

为进一步改善船舶柴油机故障诊断的精度和实时性,提出一种基于改进遗传算法和RBF神经网络相结合的智能诊断方法,该方法优化了RBF神经网络的隐节点、中心向量及宽度参数,用最小二乘法训练网络隐层到输出层的权值;并在MATLAB环境下对船舶柴油机故障诊断进行仿真实验,自适应遗传算法优化RBF网络的诊断速度快,收敛效果好,诊断精度高,验证了所提出控制策略的合理性和有效性。     

一种新型区间二型模糊神经网络隶属函数的设计

对于区间二型模糊神经网络（IT2FNN）,论文给出了一种新型的模糊隶属函数（FMF）设计方法.通过所设计的模糊隶属函数,可以衍生出三种区间二型模糊隶属函数（IT2FMF）.每种区间二型模糊隶属函数都具有不同的不确定域.论文将三种衍生模糊隶属函数应用于简化区间二型模糊神经网络辨识两个非线性系统.通过仿真,将衍生区间二型模糊隶属函数的辨识性能与高斯和椭圆型模糊隶属函数进行了对比.仿真结果表明,通过调节简化区间二型模糊神经网络的参数,本文所设计的区间二型模糊隶属函数比高斯和椭圆型模糊隶属函数具有更好的辨识性能.     

船舶柴油机故障诊断仿真系统研究

该文阐述了船舶柴油机故障诊断仿真系统的模型、结构与功能,着重介绍了基于RBF神经网络故障诊断方法。本系统具有结构简单、功能齐全等优点,对开发实船柴油机故障诊断的辅助分析系统和培训轮机员熟悉处理故障有实际意义。     

基于FNN的水电机组故障诊断专家系统研究

本文通过对水电机组故障诊断进行机理分析,并结合专家和现地运行人员的知识,归纳并总结形成专家知识库。将模糊逻辑系统和神经网络融合技术（即模糊神经网络Fuzzy Neural Network,FNN）应用于水电机组故障诊断中,建立基于模糊神经网络的水电机组故障诊断专家系统。仿真和实际运行结果验证了谊思想和方法的可行性。     

水电数字仿真在线融合故障诊断专家系统

为了解决丰满水电数字仿真系统的在线故障诊断问题，基于信息与方法融合的思想，提出了分布式集成神经网络建模方法、模糊神经网络专家系统(FNNES)在线故障诊断方法。将模糊神经网络(FNN)嵌入专家系统(ES)中，FNN负责知识获取和逻辑推理，ES负责系统信息的输入和输出、符号推理，并对FNN的结论进行解释。系统的运行验证了方法的有效性和实际应用价值。为现场诊断系统的开发提供了有益的方法和经验。     

一种基于FNN的高速网络拥塞控制策略

以ATM（asynchronous transfer mode)为研究对旬,同种基于模糊神经网络（fuzzy neural network,简称FNN）的流量预测和拥塞控制策略,拥塞控制是高速网络（如ATM）研究中的关键问题之一,传统的基于BP神经网络的流量预测方法因其收敛速度较慢且具有较大的误差,影响了拥塞控制效果,而模糊神经网络由于具有处理不确定性问题和很强的学习能力,很好地解决这一问题,最后通过仿真,比较和分析了基于BP神经网络和基于FNN方法和性能,证明此方法是有效的。     

金融风险预警的RST-FNN模型研究

将粗糙集理论（RST）与模糊神经网络（FNN）相结合,提出了一种基于粗糙集理论的模糊神经网络（RST-FNN）模型。新模型利用粗糙集的知识约简对样本数据去噪消冗,提取最优规则,从而克服模糊神经网络的“维数爆炸”灾难。实例仿真的结果表明,该模型的预测准确性较高,且具有结构精简、收敛速度快及泛化能力强等特点。     

基于模糊神经网络的通用模型自适应控制

自适应控制是一种提高系统鲁棒性的有效方法。模糊神经网络具有了模糊逻辑和神经网络两者的优点,结合模糊神经网络（Fuzzy Neural Network—FNN）自适应控制策略和通用模型控制（Common Model Control—CMC）方法,以此来实现被控对象的逆控制,提出了基于模糊神经网络的通用模型自适应控制（FNNC—CMAC）。此控制方法参考轨迹是一条典型二阶曲线,仿真结果验证了鲁棒性,与基于模糊神经网络的通用模型控制及基于模糊逻辑的通用模型自适应控制相比,其控制性能更好。     

基于神经网络和模糊逻辑的工业过程故障诊断与报警系统

用单一理论和方法对复杂系统进行故障诊断效果不太好.文章讨论了基于神经网络和模糊系统的故障诊断以及它们之间结合方式的特点,提出了一种保障工业生产安全可靠运行的有效方法:分级故障诊断算法 过程监控与报警,仿真并设计了基于工控网络的工业过程故障诊断与报警系统.研究表明基于径向基函数神经网络 模糊逻辑的算法具有较快的训练速度和较好的泛化能力,可识别多回路故障.     

基于改进T-S模糊神经网络的交通流量预测

在萤火虫优化算法和T-S模糊神经网络的基础上,提出了一种采用萤火虫算法优化的T-s模糊神经网络预测交通流量的算法。该算法利用萤火虫算法得到T_s模糊神经网络的最优参数配置,从而能发挥T-s模糊神经网络泛化的映射能力。将该算法应用到实测交通流中进行算法的有效性验证,并与传统的T-s模糊神经网络和遗传算法优化的T-S模糊神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明了该算法在交通流量预测领域的可行性和有效性。     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。     

基于SAA-SSA-BPNN的网络安全态势评估模型

针对目前网络安全态势评估模型准确性和收敛性有待提高的问题,提出一种基于SAA-SSA-BPNN的网络安全态势评估模型。该模型利用模拟退火算法（SAA）可以一定概率接受劣解并有大概率跳出局部极值达到全局最优解的特性来优化麻雀搜索算法,利用优化后的麻雀搜索算法（SSA）具有良好稳定性和收敛速度快且不易陷入局部最优的特点对BP神经网络（BPNN）进行改进,找到最佳适应度个体并获取最优权值和阈值,将其作为初始值赋给BP神经网络,将预处理后的指标数据输入改进后的BP神经网络模型对其进行训练,利用训练好的模型对网络系统所遭受威胁的程度进行评估。对比实验结果表明,该评估模型比其他基于改进BP神经网络的态势评估模型准确性更高,收敛速度更快。     

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法.利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化.在训练好的RBF神经网络模...     

K-聚类的模糊神经网络对DO的控制研究

运用一种基于K-聚类算法的模糊径向基函数（RBF）神经网络对污水处理中的溶解氧质量浓度进行控制,该方法结合了模糊控制的推理能力强与神经网络学习能力强的特点,将模糊控制、RBF神经网络以及K-聚类学习算法相结合以在线调整隶属函数,优化控制规则。通过对阶跃输入仿真分析,其结果表明基于RBF的模糊神经网络控制器具有良好的动态性能、较强的鲁棒性和抗干扰能力,使其快速、准确地达到期望水平。     

基于遗传优化神经网络的网络入侵特征检测

为了提高网络入侵检测正确率,提出一种遗传优化神经网络的网络入侵特征选择和检测算法。该方法先将网络状态特征和RBF神经网络参数作为遗传算法的个体,把检测正确率作为适应度函数;然后利用遗传算法的选择、交叉和变异等操作对网络状态特征和RBF神经网络参数进行优化,最后利用KDD 1999数据集对算法性能进行测试。测试结果表明：遗传优化神经网络能够快速获得最优网络状态特征和分类器参数,同时提高了网络入侵检测正确率。     

主成分分析和超限学习机的模拟电路故障诊断

为提高模拟电路故障诊断特征信息提取的完整性,实现故障模式分类的准确性,达到网络训练测试的快速性,提出了一种基于主成分分析（Principal Components Analysis,PCA）和极限学习机（ELM）相结合的模拟电路故障诊断新方法。在OrCAD16.3中通过设置仿真模拟电路元器件参数及其容差,获得电路各状态的MonteCarlo样本数据,经PCA降维提取特征信息以获得最优的特征模式,继而采用ELM对故障进行分类识别。以Sallen-Key带通滤波器电路为实例进行仿真研究,结果表明该方法具有特征提取效果好,神经网络训练学习速度快,故障诊断效率高,泛化性能好等特点。     

改进PSO优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型的预测准确性,提出了一种基于改进粒子群算法优化BP神经网络的混沌时间序列预测方法。引入自适应变异算子对陷入局部最优的粒子进行变异,改进了粒子群算法的寻优性能; 利用改进粒子群算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该预测方法应用到几个典型的非线性系统的混沌时间序列进行有效性验证,结果表明了该方法对典型混沌时间序列具有更好的非线性拟合能力和更高的预测准确性。     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

基于决策树和相关向量机的智能故障诊断方法

针对故障诊断面临的故障样本少、非线性强、多故障处理等问题以及传统智能诊断方法存在的不足,提出了一种基于决策树（DT）和相关向量机（RVM）的智能故障诊断方法。通过构造决策二叉树,将多类分类问题分解成多个二类分类问题;在各个决策节点,利用RVM进行二类分类,从而实现RVM的多类分类。理论分析及仿真结果表明,相比支持向量机,新方法在保持高诊断正确率的同时具有更高的稀疏性和诊断效率,并且能够提供概率式输出,更具实用价值;相比OAR-RVM和OAO-RVM方法,新方法节省了训练时间,具有更高的训练效率。