现代雷达装备综合智能故障诊断系统设计

为克服传统雷达装备故障诊断技术的局限性,适应雷达装备维修保障的发展需求,结合现代雷达装备的结构和故障特点,设计了一种现代雷达装备综合智能故障诊断系统。该系统采用分层次分模块的故障诊断方式,将神经网络、专家系统和模糊推理等智能诊断技术有机结合。仿真结果表明,该系统能实现对复杂形式故障快速、精确地进行诊断。     

基于BP神经网络的大规模电路模块级故障快速诊断方法

根据大规模电路故障诊断网络撕裂法和交叉撕裂搜索方法,采用基于误差反向传播算法的多层前向神经网络(BP神经网络)记载多次撕裂信息,提出了一种新型基于BP神经网络的大规模电路模块级快速诊断方法。该方法能快速有效地并行处理定位故障模块,具有测前工作量小,实时诊断性强等优点。     

模拟电路故障诊断中的特征信息提取

在运用BP神经网络进行模拟电路故障诊断过程中,代表故障特征的网络输入至关重要。分析了常见特征信息提取和故障诊断方法,提出一种基于多测试点、多特征信息原始样本集的新方法。运用这种方法构造原始故障特征集,然后作为BP神经网络的输入对网络进行训练,仿真结果表明,通过该方法构造的样本集训练出来的网络对模拟电路故障诊断的正确率优于传统方法,证明了该方法在模拟电路故障诊断中的可行性,为模拟电路的故障诊断提供了一种新方法。     

基于BP网络的数字电路多故障诊断研究

为了更有效地对数字电路进行多故障诊断,提出了一种利用电路的故障真值表来表征电路在有故障和无故障状态下的特征信息来对电路进行故障诊断的新方法。该方法使用BP型神经网络,运用误差反向传播算法,把从电路中提取的有效特征信息作为样本对网络反复训练,从而实现用单故障对多故障进行诊断的目的。实验表明该方法可以有效、方便地实现电路的故障检测和定位,为多故障诊断的研究提供了一种新思路。     

基于BP网络的雷达故障诊断

针对传统故障诊断技术的局限性,探讨了基于BP神经网络的故障诊断方法,并结合雷达系统故障诊断的特点,建立了基于神经网络的雷达故障诊断系统。系统在Windows环境下,使用面向对象程序设计,使故障诊断智能化、简单化。实验表明,该系统提高了故障诊断的效率。     

基于FNNES和层次模型策略的雷达故障诊断

针对传统诊断技术在现代雷达故障诊断中的局限性,结合现代雷达装备的结构及故障特点,采用模糊神经网络专家系统(FNNES)和层次诊断模型相结合的诊断策略,对现代雷达装备进行故障诊断.通过实例检验,该诊断策略具有故障诊断能力强、诊断效率高和较好泛化能力的特点,能有效解决当前雷迭故障诊断难题,且适用于其他复杂装备的故障诊断.     

带通滤波电路故障的BP网络诊断方法与仿真设计

本文在传统诊断技术理论基础上,将BP神经网络方法应用到模拟电路故障诊断的故障诊断中,分析了带通滤波电路故障的BP网络及人工神经网络的故障诊断方法;利用PSPice仿真软件和MATLAB仿真软件对电路进行了故障诊断,对几种常见模拟电路的故障机理作了初步研究,给出了实验结果。     

遗传小波神经网络的非线性模拟电路故障诊断方法

提出了一种将遗传算法(GA)、神经网络与小波变换相结合对非线性模拟电路进行故障诊断的方法;分析了传统BP型神经网络在非线性模拟电路故障诊断中存在的缺陷;提出了一种新的解决方法--利用小波变换对非线性电路故障信号进行预处理,对故障信号中的冗余信息进行剔除,然后利用遗传算法优化BP网络参数,如网络权值、阈值等.利用该方法对非线性电路进行故障诊断,有利于提高神经网络对电路故障诊断的智能性及识别故障类别的能力,提高故障诊断的精度与速度.实验结果表明,该方法是可行的.     

基于深度学习的装备故障诊断方法

深度学习作为模式识别和机器学习领域的最新成果,在装备故障诊断和健康管理方面有着广阔的前景。结合装备故障大数据的特点和深度学习理论的优势,提出一种新的装备故障诊断方法。根据去噪自动编码器原理,实现训练网络的无监督特征学习,完成整个神经网络的构建;根据故障种类确定输出层,使用BP算法对整个网络进行有监督微调,提升故障分类的准确度。利用上述方法,通过实验完成了某通信电台的模块级故障诊断。     

大规模电路故障诊断神经网络方法

提出了一种采用BP神经网络诊断大规模电路故障的新方法。介绍了故障诊断的原则及BP网络的算法,并给出了仿真实例。实验证明所提出的方法是有效可行的。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

等效分组级联BP网络模型及其应用

 松弛的和紧密的分组级联BP网络模型等概念的提出,对于解决有限的小样本情况下高维BP网络的训练和预测问题有一定的参考价值。定义了BP网络等效性和相关定理,构建并证明了与BP网络等效的分组级联网络模型,分析比较了两种网络模型所需训练样本的数量情况,并将其应用于网络安全评估领域。最后通过仿真试验结果证实了所提出分组级联BP网络模型的可行性和有效性。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

Cloud security situation prediction method based on grey wolfoptimization and BP neural network

Aiming at the accuracy and error correction of cloud security situation prediction, a cloud security situation prediction method based on grey wolf optimization (GWO) and back propagation (BP) neural network is proposed.Firstly, the adaptive disturbance convergence factor is used to improve the GWO algorithm, so as to improve theconvergence speed and accuracy of the algorithm. The Chebyshev chaotic mapping is introduced into the positionupdate formula of GWO algorithm, which is used to select the features of the cloud security situation prediction dataand optimize the parameters of the BP neural network prediction model to minimize the prediction output error.Then, the initial weights and thresholds of BP neural network are modified by the improved GWO algorithm toincrease the learning efficiency and accuracy of BP neural network. Finally, the real data sets of Tencent cloudplatform are predicted. The simulation results show that the proposed method has lower mean square error (MSE)and mean absolute error (MAE) compared with BP neural network, BP neural network based on genetic algorithm(GA-BP), BP neural network based on particle swarm optimization (PSO-BP) and BP neural network based onGWO algorithm (GWO-BP). The proposed method has better stability, robustness and prediction accuracy.     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

基于KPCA-GA-BP神经网络的POI质量预测研究

目前移动网络优化一般基于小区进行网络质量评估及预测，遵循“升维研究，降维实施”的研究思路，提出了兴趣点（point of interest,POI）网络质量的柔性评价体系，但其涉及较多网络关键绩效指标（key performanceindicator,KPI），导致POI网络综合质量评价体系较为庞杂且预测精度不高，为提高POI网络质量预测精准性，采用核主成分分析（kernelprincipalcomponentanalysis,KPCA）算法对反向传播（back propagation,BP）神经网络的输入变量进行相关性压缩，简化了BP神经网络结构，然后通过遗传算法（genetic algorithm,GA）优化了BP神经网络连接权值及阈值参数。与传统BP神经网络预测结果进行对比，在预测准确度方面提高了10.90%，均方误差性能显著降低，对研究POI网络质量的预测可起到较好的支撑作用。     

基于优化GA-BP神经网络的金融产品营销预测

传统BP神经网络存在着网络结构参数确定过于依赖经验、易于陷入局部解等缺陷,为了改进BP神经网络模型的应用缺陷,提出优化GA-BP算法,通过GA算法优化BP神经网络拓扑结构和网络参数初始值的选取过程,并且为了验证模型的可行性,以某银行短期理财产品营销的客户历史数据作为实证研究对象,并通过与BP神经网络模型的对比实验,验证该模型可以更精确地预测银行理财产品的客户营销结果。实验结果表明将该模型用于对金融产品营销数据的仿真计算,可以更精确地预测未来营销结果。     

基于改进神经网络算法控制开关电源的研究

针对数字开关电源的控制策略问题,提出一种改进共轭梯度算法的BP神经网络PID控制系统.以BUCK变换器为研究对象,在BP神经网络PID算法的基础上,通过改进共轭梯度算法优化控制系统的调节时间和恢复速度,以提高数字开关电源系统的控制性能和输出性能.基于MATLAB软件完成系统建模进行仿真研究.结果表明:改进后的控制系统比...     

基于神经网络的干涉仪测向方法

针对干涉仪测向系统中采用传统算法难以克服系统误差的问题,提出了一种基于神经网络的干涉仪测向方法。通过对干涉仪测向系统进行建模,分析了测向误差来源和解相位模糊算法,建立了基于相位干涉仪测向系统的BP神经网络模型,并采用了Levenberg-Marquardt算法对BP神经网络进行改进。以微波暗室的试验数据为训练数据,利用Matlab工具箱对神经网络进行了验证性的仿真试验。仿真结果表明:与传统的测向算法相比,该算法能克服系统误差,进一步提高干涉仪测向精度,改进后的神经网络的收敛速度得到大大提高。     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。