对角递归神经网络的LM算法及建模应用

针对递归神经网络传统BP学习算法收敛慢的缺陷,将Levenberg—Marquardt（LM）算法引入到对角递归神经网络权值的训练,这种算法提供了快速性与收敛性之间的一个折衷。仿真结果表明,该算法比传统BP算法具有更快的收敛速度,用于非线性动态系统的建模是有效的。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Levenberg-Marquardt(LM)的改进的BP网络.经改进算法训练的网络能大大提高诊断的能力,具有广泛的应用前景和应用价值.     

递归神经网络的并行LM算法

针对递归神经网络BP学习算法收敛慢的缺陷,将Levenberg-Marquardt (LM)算法引入到递归神经网络权值的训练,为了克服LM算法集中运算的不足,设计出完整的并行LM算法.该算法将计算分配到神经网络中的每个神经元,符合神经网络的并行结构特点.仿真结果表明,该算法比传统BP算法具有更好的收敛性.且比LM算法大大节省了计算时间.     

基于改进小波神经网络的动车组牵引电机故障趋势预测

针对小波神经网络在多维输入情况下易于陷入局部极小值、收敛速度慢的弱点,引入Levenberg Marquardt(LM)算法优化小波神经网络,解决传统小波神经网络收敛速度慢的问题。基于传统小波神经网络和LM算法改进的小波神经网络分别建立预测模型,用于动车组牵引电机的故障趋势预测,通过MATLAB软件对两种预测模型的训练过程进行了数值仿真,仿真实验结果表明改进小波神经网络建立的故障预测模型提高了小波神经网络的预测精度,同时加快了神经网络的收敛速度,是一种有效的预测模型。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系。针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种基于Levenberg-Marquardt（LM）的改进的BP网络。经改进算法训练的网络能大大提高诊断的能力，具有广泛的应用前景和应用价值。     

非线性状态空间方法辨识电液伺服控制系统

针对回归神经网络辨识和建立非线性动态系统模型的问题,研究非线性状态空间描述的回归神经网络数学模型。讨论极小均方误差网络训练收敛准则,通过研究Kalman 滤波估计公式中的随机变量,提出一种参数增广的回归神经网络非线性状态方程,无导数的Kalman滤波器用于增广参数估计,人工白噪声强迫网络学习,更新网络权值,避免了扩展Kalman滤波器计算Jacobian信息和基于递度学习算法收敛慢的问题。在电液伺服系统辨识建模的应用中表明,回归神经网络较好地跟踪了液压油缸压力变化,与扩展Kalman滤波估计学习算法相比,新的算法具有较快的收敛和精度。     

神经网络结构与算法对变压器故障诊断的影响

BP神经网络算法本质上是基于梯度下降的一种迭代学习算法,存在学习收敛速度慢、收敛精度低、易陷入局部极小、学习率难以选取、隐层数及隐层神经元个数难以确定等缺陷。为了选择出更适宜变压器DGA故障诊断的神经网络结构及算法。本文采用了常用的几种智能算法对变压器故障样本进行了诊断性能对比实验。结果得出Levenberg-Marquardt神经网络算法是收敛速度较快的算法,有动量和自适应的梯度下降法是收敛稳定性较佳的算法;网络最优结构设计过程。为用于变压器DGA故障诊断的神经网络的结构和算法提供了系统化的试验方法。     

改进的BP神经网络在故障诊断中的应用

介绍了BP神经网络的结构和学习方法,针对BP网络存在局部极小值和收敛速度慢等问题．提出采用一种基于Levenbe rg-Marquardt算法(LM算法)的改进BP网络,最后通过汽轮机故障诊断实例的仿真研究,结果表明改进算法的性能明显优于常规BP算法,经改进算法训练的网络能大大提高故障的在线诊断能力．具有广泛的应用前景和应用价值。     

广义同余神经网络在旋转机械常见故障诊断中的应用

通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。     

基于改进型模糊神经网络PID阀位控制研究

针对调节阀控制系统在实际生产中存在的大滞后、非线性等问题,提出一种改进粒子群算法优化的模糊神经网络比例积分微分(PID)控制模型用于阀位控制,该模型利用模糊神经网络的自学习能力,实现对PID控制参数的实时在线整定,并且通过将改进粒子群算法与BP算法相结合的方式,实现对模糊神经网络参数的粗调和细调,克服了模糊神经网络收敛...