基于概率神经网络的离心式制冷机故障诊断

使用概率神经网络(PNN)对制冷系统7种常见故障进行诊断,包括系统故障和局部故障。详细介绍了应用PNN建立故障诊断模型以及平滑因子寻优过程,并探索了样本规模对最佳平滑因子和诊断正确率的影响。将PNN与人工神经网络中最常用的误差反向传播(BP)神经网络进行比较,结果表明,PNN网络的诊断正确率比BP网络诊断正确率高3.48%,且诊断耗时更短,并且PNN网络的单次训练结果更可靠。尽管2种网络的训练结果均显示系统故障比局部故障更难以被识别,但使用PNN网络进行诊断时,系统故障的诊断正确率明显高于BP网络的诊断正确率。     

基于支持向量机与BP神经网络的裂缝识别算法研究

为了研究训练样本数量对裂缝识别算法效果的影响,在少样本和多样本的训练条件下建立了基于支持向量机和BP神经网络两种裂缝识别算法。两种算法的对比测试结果表明:在少样本情况下基于支持向量机的算法识别效果明显优越于基于BP神经网络的算法,适合工程使用初期、裂缝样本较少的情况;在多样本情况下两种算法的识别效果基本一致,均可以用于工程上。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

基于BP神经网络的数字识别

手写数字识别是人工智能技术中一个十分重要的分支,在人们日常生活中也应用得越来越频繁,例如在快递分拣、金融等有关数字识别的领域中都有较多的应用,这也使得越来越多人投入到手写数字识别技术研究中,人工神经网不仅具有非常好的容错能力、分类能力,还具有自适应和自学习等特性,备受人们的重视,基于此,本文在对神经网络介绍的基础上就神经网络在手写数字识别方面做了一些研究探讨。     

基于FCM优化神经网络的办公楼空调负荷预测

空调负荷预测对于优化空调系统运行具有重要指导价值,本文针对传统神经网络在预测空调负荷时精度较低、泛化能力弱和物理意义不明晰的缺点,建立了模糊C均值算法(Fuzzy C-means)优化的BP神经网络复合模型。模型先采用FCM算法对输入参数进行聚类,针对不同类建立BP神经网络预测模型,将待测样本分类后进行预测,最后使用决策树算法筛选预测结果中聚类不佳的部分进行加权优化。以珠海某办公楼空调系统实际运行数据为例验证了模型,结果显示随机负荷样本预测的精度指标即标准差率(Coefficient of Variance)为0.191相较于不聚类神经网络提高了51.4%;典型工作日、休息日日均负荷样本预测标准差率为0.08和0.14相对于不聚类神经网络则分别提高了73.0%和39.7%。     

基于神经网络的管道损伤识别分析

利用有限元软件对管道模拟,获得模态参数作为神经网络的输入样本,采用BP,RBF网络的方法对损伤前后的某管道工程进行分析,对比并探讨两种方法在管道损伤识别中的训练结果,实现了对管道的损伤定位和损伤程度的识别。结果表明对于小样本径向基神经网络(RBF)较BP网络有较大的优势。     

基于随机森林的P2P网贷信用风险评价、预警与实证研究

Peer to Peer(P2P)网络借贷是一种新兴的互联网金融模式。根据已有的非均衡少量样本,分别采用随机森林分类和回归算法进行建模,结果表明:模型对各级风险样本的识别正确率均达到了100%,具有很好的实用价值和预测能力,讨论了各个评价指标的重要性及其与信用风险之间的非线性关系,分析了现有的用神经网络建模文献存在的主要问题。研究结果为P2P网贷发展提供了理论依据和实践基础。     

基于数据驱动方法的污水源热泵故障诊断研究

利用反向神经网络(BP)构建污水源热泵机组故障诊断模型,并通过粒子群算法(PSO)优化BP神经网络的权值和阈值。以陕西省某大型污水源热泵集中供暖系统为研究对象,采集2017～2018年冬季供暖期间机组的蒸发器,冷凝器,压缩机的压力、温度等工况数据作为训练测试样本,其神经网络的结构以12种故障特征向量作输入端,4种诊断结果作输出端,隐含层根据kolmogorov定理确定为25个,从而建立故障诊断模型,并分析其性能。实验结果表明:经过PSO优化后的BP神经网络故障诊断模型训练迭代次数降低了24.45%,诊断准确率提高了12%,性能优化显著。     

煤泥浮选泡沫图像大小对其识别的影响

通过对煤泥浮选泡沫图像的任意大小、200×200象素图像和256×256象素图像的纹理特征分析,得出表征图像的纹理特征,并用此纹理特征作为图像识别的学习样本,在自组织神经网络的竞争学习下进行分类,得出了不同大小图像的识别结果,200×200象素图像的识别正确率达74%,256×256象素图像的识别正确率达到77%。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。