Elman神经网络用于离心压缩机的性能模型辨识

介绍Elman网络的标准结构和动态反向传播学习算法,应用Elman神经网络对离心压缩机进行性能进行建模,分析压缩机性能的影响因素,并利用监控系统的数据对压缩机性能模型网络进行训练。     

Elman网络温度预测气密性检测研究

分析温度在差压法气密性检测中对检测准确度的影响及影响温度变化的因素,提出建立Elman网络,利用气密性检测平台在不同实验参数条件下得到的试验样本来训练网络。将训练好的神经网络用来预测气密性检测中待测密闭容器内的温度,并将预测得到的温度应用到气密性检测判断中。通过与应用较为广泛的BP网络和实际泄漏流量值比较可得,Elman网络进行41次训练后就达到预设目标,而且预测准确度更高。经过温度补偿后的泄漏流量值为12.67 m L/min(实际值为13 m L/min),相对误差为2.52%,极大地提高气密性检测的准确度。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。     

带延迟时间序列BP网络在油井产能预测中的应用

BP网络方法预测动态指标考虑时变性和随机干扰因素,具有自适应性。本文运用Neuro-solutions类神经网络软件中带延迟时间序列的非线性神经网络计算方法,以轮南油田2口油井的生产动态为例,对油井产量拟合并进行预测。结果表明该模型预测值与实际生产值具有较好的一致性,带延迟时间序列的非线性神经网络方法具有较高的预测精度和可靠性,适合于油藏各个阶段的产量动态预测,具有良好的推广价值。     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题，分析了输出扭矩的影响因素，在实验室试车台记录数据的基础上，利用小波分析方法对带噪声的原始信号进行预处理，运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型。     

基于Elman网络的齿轮箱载荷识别研究

为了提高Elman网络的动态性能，有效地解决高阶系统的辨识问题，对Elman网络的结构及学习算法进行了改进，提出了一种新的Elman网络，建立了相应的神经网络载荷识别模型，并用于齿轮箱的载荷识别研究。试验结果表明，该网络模型具有收敛速度快、识别精度高的特点，为载荷识别研究提供了一种新的思路，具有一定的实用价值。     

神经网络模型在制冷剂物性参数计算中的应用

介绍采用BP，RBF和Elman神经网络计算制冷剂物性参数的方法。以R11，R134a和近共沸混合制冷剂R410A为研究对象，分别建立三种制冷剂的BP，RBF和Elman网络饱和物性参数计算模型。根据该模型由已知温度求各制冷剂在饱和气和饱和液状态下的其他物性参数值，通过与REFPROP软件计算结果进行对比，证明BP，RBF和Elman神经网络物性计算模型具有很高的精度，可以用于物性参数的计算，是一种新的物性计算方法。     

基于动态递归神经网络的半主动控制结构响应预测

提出了一种多输入多输出分支动态递归神经网络模型,利用梯度下降法推导了网络权值调整公式。该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响,采用分支输入递归处理,不但结构响应预测精度好,而且大大提高了动态网络的学习和训练效率。应用该模型对线性结构和非线性结构在变阻尼控制和外荷载激励下结构的响应进行了数值仿真,表明所提的动态递归神经网络可以达到较高的预测精度。该模型为利用神     

基于离散小波变换和Kalman滤波的直升机主减智能状态预测

主减速器（简称“主减”）是直升机传动系统的关键部件,它常处于高转速高负荷的恶劣环境下,对其运行状态进行预测,于直升机的安全性来说至关重要。鉴于此,提出了一种离散小波变换（DWT）、Kalman滤波以及Elman神经网络相结合的直升机主减智能状态预测系统：DWT使用“db44”母小波对振动信号进行分解提取特征向量,Kalman滤波对未来各时刻的特征向量进行预测,Elman神经网络对预测值进行故障辨识和分类。在Kalman滤波算法中,提出了一种新的预测算法,并用实验对该算法组成的系统进行验证,结果表明：该 Kalman滤波算法预测效果好,更适用于对主减的特征向量进行预测;离散小波变换（DWT）、Kalman滤波以及Elman神经网络相结合组成的智能状态预测系统是可行的,它能很好地对主减的未来状态进行预测。     

基于神经网络的柴油机故障诊断

传统的柴油机故障诊断与处理方法主要都是以定期保养和事后维修为主,缺乏针对事故的预见能力,且效率比较低,成本较高。这就为人工智能技术在柴油机故障诊断上的应用开辟了广阔的空间。本文主要以非线性并行分布处理为主的神经网络为研究理论,通过对建立的BP网络模型,RBF网络模型和Elman网络模型进行了比较,发现这三种网络虽然各有特点和优势,但均适用于特定条件下的故障诊断要求。