基于遗传优化的概率神经网络预测方法

在研究概率神经网络的基础上，提出一种基于遗传优化估计概率神经网络平滑因子的方法，大大地提高了概率神经网络的预测能力，最后将其运用到某型火炮发动机故障预测上，证明了其有效性。     

概率神经网络方法在岩性识别中的应用

本文研究利用概率神经网络方法进行测井资料的岩性识别;建立了测井解释的岩性识别模型,并利用该模型对测试样本进行预测,预测结果与实际测量结果相比具有较好的一致性,其计算量小且预测精度与收敛速度较BP神经网络模型有了很大的提高;应用表明,概率神经网络在岩性识别问题中有着一定的应用前景。     

数据挖掘中BPN与PNN分类的对比研究

分类问题是数据挖掘中的一个重要问题。尽管神经网络是一种高精度的分类器，但是由于神经网络模型众多，在分类预测时如何选择合适的模型，还没有一个普遍的原则。文章对后传播神经网络（BPN）和概率神经网络（PNN）在数据挖掘分类中的应用进行了对比研究，并利用这两种模型对高校研究生信息进行了分类挖掘。仿真结果证明，PNN模型在分类预测上优于BPN模型，而且其分类速度快、正确率高、测试结果稳定。     

Profile覆盖算法在蛋白质二级结构预测中的应用

介绍了构造性机器学习方法——覆盖算法在蛋白质二级结构预测中的应用。相比普通的神经网络，这种方法直观且运算简单，对训练样本可100％识别。同时，考虑到同源家族的结构应该比单条序列结构预测更准确，采用了基于概率的Profile编码方式，相比以往的预测方法，具有更好的稳定性和精确性。     

基于神经网络的无线传感器网络数据预测应用研究

无线传感器网络是一种由数量庞大的网络节点形成的复杂无线网络,是无线传感器的典型应用,目前已经广泛应用在多个领域当中。将神经网络引入到无线传感器网络当中,通过神经元描述每一个无线传感器数据,构建神经网络元模型。对传统的神经网络模型进行改进,利用无线传感器的神经网络模型,实现无线传感器网络采集数据的融合与提取。通过各种应用类型的差异,选择影响数据输出结果的主要因素,建立一种能够进行预测的模型。以某个区域是否发生火灾为实验原型,对该区域的火灾发生概率进行预测,采用已有的火灾发生数据为训练样本,通过收敛的网络预测火灾发生的概率。实验结果表明,基于神经网络的无线传感器网络数据预测是一种可行、有效的方法。     

基于GPNN算法的电网区间故障诊断策略

为提升电网故障诊断算法的有效性,提出一种基于改进高斯概率神经网络(GPNN)核相似性合并预测的电网子区间故障诊断策略。首先,针对电网故障诊断中存在的数据不确定性现象,引入概率神经网络对其进行数据处理,同时为进一步提高概率神经网络对于数据不确定性的鲁棒处理效果,利用高斯算法对概率神经网络进行改进;其次,针对大型电网故障诊断的效率问题,提出一种子区间并行的故障诊断算法,对电网进行子区间操作,分别应用GPNN算法实现对电网故障子区域的诊断和最终诊断结果的融合;最后,通过仿真实验验证了所提算法在电网故障诊断中的有效性。     

神经网络的预测性能的优化分析

神经网络的应用广泛领域就是预测，主要是利用它的函数逼近映射能力进行预测。分析了影响神经网络预测精度的因素，提出了几种提高神经网络预测性能的方法，为提高神经网络预测精度提供了一定的思想和方法。     

基于均值函数新息加权的神经网络趋势预测的方法研究

当前旋转机组状态预测神经网络的应用中，存在着对新数据强调不足的缺陷，为了弥补原有的神经网络存在的缺陷，提出了一种新的神经网络预测方法，即基于均值函数新息加权的神经网络预测方法。依据时间序列数据的新旧程度对预测值贡献的大小，通过均值函数赋给输人数据不同的权值系数，提高了神经网络的预测精度。在旋转机组状态预测中能取得较为理想的预测效果。     

用模糊神经网络预测蘑菇生长过程

文章探讨了模糊神经网络的基本构造和原理,结合蘑菇生长过程预测系统重点分析了FNNC摸型的推理和学习方法。并在此基础上提出了TPH学习方法。该方法吸收了梯度下降算法和随机搜索算法的优点,能够使生长过程预测系统的学习以很大概率快速收敛在系统误差的最优点附近。最后文章指出模糊神经网络以及TPH学习算法在农业生产过程的应用。     

基于危险理论的地震预测方法

采用机器学习算法进行地震预测存在过拟合且需要大量训练集的问题。为此,将危险理论引入地震预测的应用中,在分析大量地震历史源数据和结合领域专家经验知识的基础上,提出一种利用地震学获取特征指标的地震预测方法。通过Gutenberg-Ricthter规则、特征地震震级分布和近期地震预测研究的结论提取9个地震特征指标,采用具有动态性的危险理论预测未来一个月内发生大地震事件的概率。同时,通过分析四川省地震历史数据,应用危险理论对地震特征指标进行分析和预测,并与现有的地震预测方法 BP神经网络进行比较。实验结果表明,该方法的检查概率、准确率及R得分均高于BP神经网络,表明在采用较少的样本集时其可靠度更高。     

基于SOM-PNN分类器的体数据概率分类及绘制

概率分类是三维医学体数据绘制必不可少的预处理环节。本文提出的ＳＯＭ－ＰＮＮ分类器，以贝叶斯置信度为基础，给出概率分类结果，并用于三维体制制，得到了良好的图像质量和较高的分类效率。     

基于神经网络的变压器故障诊断方法研究

针对概率神经网络(PNN)模型强大的非线性分类能力,PNN能够很好地对变压器故障进行分类;文章通过对PNN神经网络的结构和原理的分析,应用PNN概率神经网络方法对变压器故障进行诊断;通过实例仿真表明,PNN网络的训练时间比BP网络少,比之预测准确度也要高,而且还具有高度的泛化能力,这使得PNN网络可以有效地运用到变压器故障诊断中,具有一定的可操作性。     

Improvement of the fast exact pairwise-nearest-neighbor algorithm

Pairwise-nearest-neighbor (PNN) is an effective method of data clustering, which can always generate good clustering results, but with high computational complexity. Fast exact PNN (FPNN) algorithm proposed by Fränti et al. is an effective method to speed up PNN and generates the same clustering results as those generated by PNN. In this paper, we present a novel method to improve the FPNN algorithm. Our algorithm uses the property that the cluster distance increases as the cluster merge process proceeds and adopts a fast search algorithm to reject impossible candidate clusters. Experimental results show that our proposed method can effectively reduce the number of distance calculations and computation time of FPNN algorithm. Compared with FPNN, our proposed approach can reduce the computation time and number of distance calculations by a factor of 24.8 and 146.4, respectively, for the data set from three real images. It is noted that our method generates the same clustering results as those produced by PNN and FPNN.     

BA-PNN-based methods for power transformer fault diagnosis

This paper presents a machine learning-based approach to power transformer fault diagnosis based on dissolved gas analysis (DGA), a bat algorithm (BA), optimizing the probabilistic neural network (PNN). PNN is a radial basis function feedforward neural network based on Bayesian decision theory, which has a strong fault tolerance and significant advantages in pattern classification. However, one challenge still remains: the performance of PNN is greatly affected by its hidden layer element smooth factor which impacts the classification performance. The proposed approach addresses this challenge by deploying the BA algorithm, a kind of bio-inspired algorithm to optimize PNN. Using the real data collected from a transformer system, we conducted the experiments for validating the performance of the developed method. The experimental results demonstrated that BA is an effective algorithm for optimizing PNN smooth factor and BA-PNN can improve the fault diagnosis performance; in turn, and the machine learning-based model (BA-PNN) can significantly enhance the accuracies of power transformer fault diagnosis.     

基于PNN的煤炭输送机减速器齿轮故障诊断

针对煤炭输送机减速器出现的故障,提出在多信息融合模型的特征层使用概率神经网络(PNN)对其进行故障诊断的研究。使用PNN、BP对减速器齿轮故障进行仿真实验并比较,结果表明PNN在时间、准确度方面优于BP网络。     

基于FCM-PNN分类器的说话人识别

说话人识别的本质就是模式分类。传统分类器算法中参数模型方法的主要缺点是预先假定的概率分布函数形式不一定符合待分类的数据。非参数模型方法,如PNN分类器,可以有效地克服参数模型的缺点,但其巨大的内存开销与低的分类速度使得PNN作为大量和高维的数据样本分类几乎不可行。FCM虽具有良好的模糊聚类能力,但无法直接给出概率分类结果。该文提出的FCM-PNN分类器,在FCM聚类的基础上,以贝叶斯置信度为基础,利用PNN进行概率分类。它结合了FCM聚类和PNN概率分类的优势,同时克服了传统参数模型分类和FCM聚类的局限性。实验结果证实了FCM-PNN分类器具有分类精度高、速度快及揭示细节的能力。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

基于PNN的机载设备故障预测

故障预测是PHM体系的重要特征,提出基于过程神经网络(PNN)对机载设备进行故障预测;首先建立了基于PNN的多步预测模型,推导了模型在函数正交基展开形式下的计算公式;基于正交基函数展开和矢量矩免疫算法训练PNN,推导出了适用于进化算法的优化问题模型;以设备转换部件Out2信号的全寿命故障规律为例进行了故障预测,基于MATLAB进行了仿真,结果表明,基于PNN进行故障预测精度较高,是一种有效的方法。     

Fast transient stability assessment of large power system using probabilistic neural network with feature reduction techniques

This paper presents transient stability assessment of a large 87-bus system using a new method called the probabilistic neural network (PNN) with incorporation of feature selection and extraction methods. The investigated power system is divided into smaller areas depending on the coherency of the areas when subjected to disturbances. This is to reduce the amount of data sets collected for the respective areas. Transient stability of the power system is first determined based on the generator relative rotor angles obtained from time domain simulations carried out by considering three phase faults at different loading conditions. The data collected from the time domain simulations are then used as inputs to the PNN. Feature reduction techniques are then incorporated to reduce the number of features to the PNN which is used as a classifier to determine whether the power system is stable or unstable. It can be concluded that the PNN with the incorporation of feature reduction techniques reduces the time taken to train the PNN without affecting the accuracy of the classification results.     

基于LMS-PNN神经网络算法在心音识别与预测中的应用

传统的PNN神经网络具有很强的容错性、学习过程简单、训练速度快等特点,本文在传统PNN神经网络的基础上,利用LMS对其在心音分类方面进行优化,进而提高心音分类与预测的准确性。LMS-PNN神经网络算法对心音的信号运用窗函数进行分帧,利用双门限法确定数据的值,运用LMS算法对相应的参数进行调试,并将去噪后的数据以mat格式保存,提取出各个心音的短时自相关系数以及短时功率谱密度,并运用PNN神经网络,抽取40000个样本数据进行训练,并将各个心音进行等级划分与预测。 从PNN神经网络的模式层输入训练数据后,通过仿真测试可得,LMS—PNN神经网络预测准确率可达可达96%以上。