首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到18条相似文献,搜索用时 216 毫秒
1.
基于灰色关联度神经网络的雷达型号识别模型   总被引:1,自引:1,他引:0  
针对现代电子战对雷达目标信号的复杂性和残缺性以及实用雷达目标识别系统的健壮性和扩展性等要求,提出一种基于灰色关联度和BP神经网络的灰色神经网络识别模型.首先采用比较成熟的BP神经网络对侦察雷达目标信号进行粗分,识别出雷达的体制;然后把模板数据库中该体制的雷达标准数据作为比较序列,建立差异信息空间,再把观测的数据和比较序列进行灰关联度分析,得出其对应的关联度,从而识别出雷达的具体型号.仿真结果表明在对参数残缺或畸变以及新体制的雷达辐射源进行识别时,取得良好的效果.表明综合灰色神经网络对辐射源进行识别是完全可行的,并且可以提高识别率、可靠性.  相似文献   

2.
BP神经网络的汽车故障诊断系统   总被引:4,自引:1,他引:4  
汽车发动机故障呈现多部位、多现象、非线性等特点,因此诊断汽车发动机故障较为困难.经过对汽车发动机故障的诊断以及BP神经网络理论的研究.将BP神经网络的联想、推测、记忆、学习等优点和误差反向传播算法应用于汽车故障诊断.分析了系统网络结构和性能,利用实际测试的故障样本训练网络并进行测试.结论证明,BP神经网络应用于汽车故障诊断,效果良好.具有较高的诊断效率和准确度.  相似文献   

3.
针对煤矿地下水位监测精度不高的问题,提出灰色BP神经网络预测煤矿地下水位的模型.分别利用灰色预测理论、BP神经网络模型和灰色BP神经网络对某煤矿一观测井地下水位进行预测,仿真数据表明采用灰色BP神经网络模型预测煤矿地下水位更为准确.  相似文献   

4.
典型磨粒的类型对于我们判断机械的磨损状态具有重要意义,所以类型判断算法的选择对于磨粒类型的判断是至关重要的,目前应用最多的是人工神经网络方法(BP神经网络、双BP神经网络、因子模糊神经网络、粗集一神经网络等)和灰色关联度理论,模糊识别等。本文主要研究了基于人工神经网络的识别方法,通过对磨粒颜色特征进行主成分分析进行判断。  相似文献   

5.
基于灰色神经网络建模的水质参数预测   总被引:3,自引:0,他引:3  
针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。  相似文献   

6.
Web舆情传播的动态性,不确定性等特征给精确预测舆情传播带来困难.在分析了灰色理论系统的基础上,提出了灰色理论微分方程型模型(GM)和扩展BP神经网络的组合模型,该组合模型综合考虑了网络的结构和传播特性,首先建立灰色理论微分方程型模型,然后映射到扩展的BP神经网络中,通过训练数据来训练该神经网络,使网络具有传播预测能力.仿真实验表明,该组合模型在Web社区主题舆情传播预测精确性方面高于单一的GM模型.  相似文献   

7.
本文对灰微分方程及其参数的形态与特征进行了研究,分析了灰微分方程参数的灰性,提出了用神经网络方法对灰微分方程的参数进行白化的方法,建立了对灰微分方程参数进行白化的BP网络,由于该BP网络充分利用了灰微分方程参数的灰性,因而所建立的BP网络是一种灰色神经网络.本文在对一维灰色问题和神经网络建模进行研究的基础上,提出了一种利用神经网络对灰微分方程参数进行白化的方法——灰色神经网络方法GNNM(1,1).进一步,对二维灰色问题进行研究并建立了GNNM(1,2)模型.  相似文献   

8.
针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测"贫信息"及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM(1,1)模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。  相似文献   

9.
汽车发动机故障占整车的百分之四十以上,所以研究故障诊断系统实现对发动机故障的准确、快速诊断对整个汽车行业具有重要的意义.针对目前国内电控发动机故障诊断所存在的问题,BP网络能够很好地运用于发动机的故障诊断,利用发动机故障诊断的专家经验做出故障-原因样本训练集训练BP网络(BP网络的函数逼近的运用),再把故障数值输入到已经训练好的神经网络实现故障的诊断(BP网络分类的运用).  相似文献   

10.
在阐述了多绳摩擦提升机钢丝绳张力不平衡的危害问题的严重性后,使用Matlab建立新陈代谢模型、BP模型和灰色BP神经网络模型根据200组实测数据,分别对钢丝绳间张力不平衡最大百分值进行预测.通过对预测结果对比,确定灰色BP神经网络预测方式效果较好.2011.07.11  相似文献   

11.
以某俄式发动机为研究对象,根据该发动机故障分布,使用优化后的BP神经网络对该故障率模拟。针对BP神经网络可能陷入局部极小值点的问题,在激励函数中加入模糊参数。与原网络相比,在不同学习速率的条件下,优化后的BP神经网络预测结果与实际故障率更为拟合,预测结果更为准确。该模型对于该型号发动机的故障预测具有一定参考意义。  相似文献   

12.
以渭河陕西段水域为研究对象,用遗传算法改进的BP神经网络,结合灰色理论,建立了一种结合灰色扩充的GA-BP神经网络模型,对渭河水质中的主要污染指标CODmn(高锰酸盐指数)、COD(化学需氧量)、NH3-N(氨氮)、DO(溶解氧)进行了遥感反演建模。实验证明:改进后的人工神经网络模型在预测精度上高于普通的BP神经网络模型和传统的多元线性回归模型,可用于渭河水质遥感反演建模。
  相似文献   

13.
基于BP的燃气管道评估专家系统设计与实现   总被引:1,自引:1,他引:0  
BP神经网络具有并行处理、自适应学习、容错能力好等优点,根据地下燃气管道安全评估的应用要求,对其算法进行改进,结合专家系统的设计思路,构造了一个基于BP神经网络的地下燃气管道安全评估专家系统,包括知识表示、知识荻取和推理解释等模块.然后利用已有的样本编制软件进行实验,结果表明,该系统评估正确率达91%,推理效率高、扩展性好,从而很好地满足了实际应用的要求.神经网络为专家系统的发展提供了一条新的途径.  相似文献   

14.
基于粒子群优化的灰色神经网络组合预测模型研究   总被引:1,自引:0,他引:1  
灰色神经网络在人工智能预测领域已经得到广泛的应用,但由于其自身存在局部最小化和收敛速度慢等问题,使其预测精度受到一定的限制。针对其不足,本文提出一种利用粒子群算法优化BP神经网络的学习算法,在此基础上,利用灰色预测方法对股指期货历史数据进行初步预测,并且把初步预测的结果作为优化BP神经网络的输入进行训练和预测,构建了基于粒子群优化的灰色神经网络组合预测模型(PSO-GMNN)。仿真实验结果表明,新预测模型的预测精度高于BP神经网络、灰色神经网络和灰色预测模型,同时也表明了该方法的有效性和可行性。  相似文献   

15.
邱浩  贺萍 《计算机仿真》2007,24(11):246-248,323
针对目前汽车发动机的传感器易损坏而导致发动机状态分析的结果产生重大偏差的特点,对人工神经BP网络模型做了改进,使其具有很强的自适应能力而能使网络的收敛方向和速度得到优化,并编制了相应的程序.作为实例,文章对某一实际发动机进行了仿真试验,结果表明该改进的BP网络具有很强的自适应能力,所有的误差控制在3%以内,可以满足工程实际的需要.由于人工神经网络在实际应用中不涉及具体的物理模型,因此该模型对发动机的状态参数在线仿真、减少传感器的维护量,特别是对发动机故障诊断技术水平的提高有很大的意义.  相似文献   

16.
现代船用柴油机是机一电.液等各种子系统组成的大型机电设备,结构复杂决定了对其故障进行诊断的困难性。基于目前发展较快的船用柴油机故障诊断技术及较成熟的专家系统与人工神经网络理论,对专家系统和BP神经网络的融合方法在船用柴油机故障诊断方面的应用进行了有益的探讨,并提出了利用专家系统和BP神经网络的融合方法建立的船用柴油机神经网络故障诊断专家系统基本结构。  相似文献   

17.
BP网络与PID控制器相结合,可以实现对PID控制器参数的优化调整。但是BP网络的隐含层层数和神经元节点数的选取尚无定则,需要反复的计算论证才能确定;并且网络连接权重初值选取为随机值,难以保证系统初始运行的稳定。本文提出一种将BP神经网络与PID控制规律融合的新方法--PID神经网络,该方法控制结构简单、系统参数物理意义明确,同时又克服了上述网络的诸多缺点。将该方法应用于对发动机油门开度的仿真控制,仿真结果表明该控制器大大改善了发动机油门控制系统的性能,仿真效果良好。  相似文献   

18.
基于面向对象BP算法的灰度位图图像处理   总被引:1,自引:0,他引:1  
以BP神经网络压缩BMP灰度位图图像数据为例,采用面向对象的编程思想,提出一种基于面向对象BP算法的灰度位图图像处理方法。并介绍BMP灰度图像作为Windows环境下的主要图像格式的操作方法,给出部分源代码以及在微软VisualC++6.0编译环境下结合基于面向对象BP算法压缩BMP灰度位图后得到的图像。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号