基于组合优化BP神经网络的模拟电路故障诊断

电子系统的可靠性已成为影响系统正常运行的关键,因此电路故障的诊断越来越受到重视。基于BP神经网络的诊断方法是目前实现模拟电路故障诊断的有效方法之一。文章针对已有BP神经网络模拟电路故障诊断技术的不足,提出了一种组合优化的诊断方案。该方案采用遗传算法优化确定BP神经网络的初始权值,以规避BP神经网络易陷入局部极小值的不足,然后应用L-M方法在这个局部解空间里对BP神经网络进行精调,搜索出最优解或者近似最优解。该方案发挥了BP神经网络的广泛映射能力和遗传算法的全局搜索能力,加快了网络的学习速度,综合提高了整个学习过程中的逼近能力和泛化能力,有效提升了基于BP神经网络模拟电路故障诊断的性能。     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

基于GA-BP神经网络的双目摄像机标定

为克服传统BP算法收敛速度慢、易陷入局部极小等缺陷,本文利用遗传算法的全局寻优能力对神经网络的初始权和阈值进行优化,并将其运用到摄像机BP神经网络标定.采用遗传算法构建的神经网络,在不增加网络结构复杂度的情况下,大大提高了样本训练的精度和成功率,保证了网络的泛化能力.实验结果表明,该算法具有较高的标定精度,而且可行.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

遗传神经网络在齿轮故障诊断中的应用

由于齿轮故障征兆与故障之间具有非线性和耦合性等特点,采用BP神经网络对齿轮进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于遗传算法的BP神经网络齿轮故障诊断方法,即在利用BP神经网络对齿轮进行故障诊断的基础上,利用遗传算法对神经网络的权值和阈值进行修正,得到全局的最优值.仿真结果表明,该诊断策略具有故障诊断能力强和诊断效率高的特点,改善了齿轮故障诊断的精度和速度.     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

基于混合GANN的沥青路面使用性能评价

针对GA与NN优缺点互补的特点，摒弃以往GANN模型的不足，采用以GA优化BP网络权值与阚值，再用BP网络对GA搜索到的近似最优解进行微调的方法，建立一种能充分发挥两者优势的混合GANN模型.将模型应用于高速公路，建立了基于混合GANN的高速公路沥青路面使用性能评价模型，通过与其它模型的分析对比表明：该模型科学、精确、易于实现，是一种实用的高速公路沥青路面使用性能评价模型。     

遗传算法构建的神经网络及在机械工程中的应用

在分析遗传算法和神经网络优点的基础上,采用遗传进化的方式自动获得神网络的结构、权值和阈值．提出了构建神经网络模型参数的遗传算法分区编码方案,构建了适应度函数并依据个体适应度值的大小动态调整隐层节点及连接权个数的方法,给出了整体算法过程．采用该方法构建的神经网络计算两自由度的机械手参数,并通过实例仿真与常规凭经验构建网络结构及采用BP学习算法相比较,采用遗传算法构建的神经网络具有仿真精度高、占用资源少、计算效率高等优点．     

遗传算法优化神经网络的拓扑结构与权值

遗传算法(GA)和人工神经网络(ANN)的相互结合有辅助式和合作式两种方式.本文在此基础上提出了融合、BP_GA和GA_BP三种算法,并采用GA_BP算法同时优化BP神经网络的结构、权值和阈值,研究和实现了一套先进的编码技术和进化策略,克服了传统BP神经网络经验尝试方法的盲目性.实例优化与检验结果表明:遗传算法优化获得的神经网络比由经验尝试法得到的BP网络性能更优异,方法更合理.     

基于遗传算法优化的BP神经网络的变压器油中气体预测

对变压器的运行状态和潜伏性故障进行有效预测,可避免出现维修不足或过度维修。由于BP神经网络具有对初始值敏感、易陷入局部最小的缺点,因此,其预测精度不高。本文采用遗传算法(GA)优化的BP神经网络对变压器油中气体进行预测和分析,结果表明,所采用的方法可有效提高BP神经网络的预测精度。     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.     

Modeling and Simulation of Time Series Prediction Based on Dynic Neural Network

Molding and simulation of time series prediction based on dynic neural network(NN) are studied. Prediction model for non-linear and time-varying system is proposed based on dynic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward. The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multi-step. A practical exple is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

结构可靠度分析的人工智能响应面法及程序

为了进行各种极限状态方程不明确的大型结构可靠度分析,提出了人工智能响应面法.利用BP网络来模拟响应面,基于遗传算法的优化法来进行可靠指标计算,确定性有限元分析采用ANSYS软件进行.综合VC与Matlab混合编程技术、基于VC和APDL的ANSYS二次开发技术及M atlab的遗传算法(GA)和神经网络(NN)工具箱函数,编制了可以适应各种复杂工程结构的可靠度分析程序.算例分析表明本文方法计算精度高.本文方法与程序适用于随机变量数目较多,功能函数为隐式时的复杂结构可靠度分析.