基于改进混沌神经网络的飞机舵面故障预测研究

结合混沌序列的相空间重构理论和BP神经网络预测理论,构建了一个基于时间序列预测的混沌神经网络模型;考虑基本BP神经网络采用的梯度学习算法收敛速度较慢的缺点,文章利用改进的Levenberg-Marquart(L-M)优化学习算法对网络进行训练;最后对一组飞机舵面卡死故障数据进行仿真实验,结果表明该模型不仅提高了预测精度,而且网络收敛速度也得到明显的改善,有效避免神经网络局部极小问题,可以较好地对飞机舵面卡死故障进行预测.     

一种GA-PSO算法优化BP网络的网络流量预测

分析和研究网络流量的预测,对于网络信息安全和网络资源管理具有重要的意义。为了更有效、准确地对网络流量进行预测,提出一种GA-PSO算法优化BP神经网络的网络流量预测模型。首先采用BP神经网络建立网络流量预测模型,然后用GAPSO算法对BP神经网络的初始权值和阈值进行优化,最后利用网络流量的历史数据进行仿真实验。实验结果表明,经过GA-PSO算法优化后的BP神经网络模型能加快神经网络的收敛速度,提高网络流量的预测精度。     

BP神经网络在状态监测数据趋势预测中的应用

应用神经网络理论,建立了预测状态监测数据趋势的BP神经网络模型,并通过MATLAB实现了仿真编程.实验中,选取多组数据对网络进行了训练和测试,证实了算法和模型的有效性.     

基于小波降噪和改进免疫优化的BP模型网络流量预测

为了实现大规模复杂网络的流量预测,并改善传统BP网络预测模型存在的收敛速度慢和容易陷入局部最优的缺陷,提出了一种基于小波降噪和改进人工免疫优化BP神经网络的网络流量模型;首先,描述了网络流量预测的基本原理;然后,采用小波包降噪法对网络流量原始采样序列进行降噪处理,在此基础上定义了采用BP网络进行网络流量预测的算法,在确定了神经网络的结构后,采用训练数据和改进的人工免疫优化算法对BP网络中的参数即权值和阀值进行优化,从而得到最终的BP网络流量预测模型;最后,采用1 800组样本中的1 200组训练数据对网络进行训练后得到最终的BP网络模型,再采用剩余的600组测试数据进行流量预测;实验结果证明结合人工免疫算法和BP网络的网络流量预测模型能实现大规模复杂网络的流量预测,且较传统方法相比,具有收敛速度快、训练时间短和预测精度高的优点。     

BP神经网络在状态监测数据趋势预测中的应用

应用神经网络理论,建立了预测状态监测数据趋势的BP神经网络模型,并通过MATLAB实现了仿真编程。实验中,选取多组数据对网络进行了训练和测试,证实了算法和模型的有效性。     

基于Adaboost算法和BP神经网络的税收预测

针对传统税收预测模型精度较低的问题,提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值;然后初始化BP神经网络权值和阈值,并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值;最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990—2010年税收数据进行仿真实验,结果表明该方法相比传统BP网络预测,平均误差相对值从0.50%减少到0.18%,有效地降低了单个BP陷入局部极小的影响,提高了网络预测精度。     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

网络流量组合预测模型研究

研究优化网络管理系统,高精度的短期负载预测对提高网络性能和服务质量意义重大.为了解决各种传统的单一预测方法在网络流量预测中存在不能有效利用资源的问题,提出了一种BP神经网络最优组合的预测方法.将单一预测方法所得到的预测值作为BP神经网络的输入样本,相应历史流量数据的实际值作为样本的输出,经过样本训练达到期望精度,应用BP神经网络模型进行预测.仿真实验结果表明,新模型具有良好的预测效果,比传统的单一预测模型具有更高的预测精度和更好的自适应性.     

QPSO算法优化BP网络的网络流量预测

网络流量预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。结合QPSO算法和BP神经网络的优势,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。仿真实验表明,与PSO训练的BP网络以及直接用BP网络进行预测的模型相比,基于QPSO训练的BP网络流量预测模型具有更好的预测能力。     

基于改进的QPSO训练BP网络的网络流量预测*

为了提高网络流量预测的精度,采用一种改进的QPSO算法训练BP神经网络对网络流量数据的时间序列进行建模预测。针对标准的QPSO算法不可避免地出现早熟的不足,提出一种新的基于参数自适应的QPSO算法,较好地避免了粒子群的早熟,提高了算法的全局收敛性能。仿真实验结果表明,与PSO训练的BP网络、QPSO训练的BP网络作为预测模型相比,该模型具有更高的预测精度及很好的稳定性。     

视频监控中针对拥挤人群的人体分割与跟踪

视频监控中,拥挤人群的相互遮挡给人体分割和跟踪带来很大困难.为了解决该问题,提出人体模型和人体边缘曲线相结合的人体分割方法.针对分割可能造成人体特征值存在较大的缺损、畸变问题,采用具有较高鲁棒性的BP(Back Propaga-tion)神经网络作为跟踪模型.为了提高BP网络的自主学习能力,采用分层Dirichlet过程来判断是否有新类别的人体特征数据产生,进而为BP网络的学习提供决策.通过仿真实验证实:本文提出的遮挡处理方法能够有效解决人体部分遮挡问题,与其他方法相比,具有简单且实时性好的优点;此外,分层Dirichlet过程与BP网络的结合提高了跟踪系统的自主学习能力.     

基于神经网络的机械传动方案决策系统的建模与仿真

针对机械传动方案决策系统难以建立准确数学模型的特点,提出了利用BP及BP改进神经网络的非线性映射能力,进行机械传动方案决策系统模型辨识建模的新方法.介于网络的输入输出数据难以精确描述的特点,运用模糊理论对其进行了处理.通过仿真实验验证了利用BP及BP改进网络建立其决策模型的可行性,表明了BP改进算法收敛速度更快,模型更准确,从而为机械系统传动方案的决策提供了一种更为有效的推理模型.     

气体传感器阵列测试算法研究

采用人工神经网络中的BP神经网络处理阵列式气体传感器信号,气体传感器阵列与前馈神经网络模式识别技术结合而成的人工嗅觉系统被用来进行混合气体的定量分析.利用计算机模拟方法对非线性气体传感器阵列进行模拟,并运用MATLAB神经网络工具箱设计了BP网络,最后,对模拟数据进行了比较.结果表明:神经网络法具有非线性逼近能力强、识别率较高等特点.     

软测量技术在SMB色谱分离过程中的应用

针对SMB色谱分离过程中组分纯度难于实时在线测量的问题,建立了一种基于BP神经网络的软测量模型。首先对实际生产中的原始数据,经过过失误差剔除及滤波处理后得到一套训练数据和校验数据组成训练样本,然后采用BP神经网络进行训练,得到组分纯度的非参数模型。为加快网络收敛速度,采用改进BP算法对其进行训练。在MATLAB工作平台上进行了大量的仿真研究,对该模型进行验证,仿真结果表明,该方法的有效性。     

SPVT系统的框架结构研究

目前,由物理模型、数值方法和可视化技术相结合而发展起来的仿真技术,受到广泛的重视,正在迅速发展.在振动工程界,利用计算机技术将振动试验与计算机仿真技术集成在一起也是一个追求的目标.虚拟振动仿真系统SPVT（Simulation Platform of Vibration Test）,是在对振动环境试验和振动环境试验的数值仿真分析的研究基础上,研制的具备试验项目管理、数据信息处理、试验控制、振动分析、夹具设计、模型修正、试验再现等多种功能的集成化系统.该系统基于分布式异构网络,以项目管理为核心,实现仿真自动化,为振动环境试验的发展探索出一种试验与计算机仿真相结合、相互促进的新途径.该文介绍了系统的框架结构和实现该结构的关键技术.     

基于GMM聚类和PNN的道岔故障诊断研究

当前道岔故障诊断系统大多采用BP神经网络,但由于BP神经网络结构特点,在训练样本大且诊断系统精度要求比较高时,网络常常会呈现出以下不足:不收敛且容易陷入局部最优、常用的数据挖掘方法如小波分析等对数据的利用度不高、从时域或频域角度分析时不够全面和采用数据降维使用的LLE方法会丢失部分有用数据等.采用GMM聚类方法对兰州车...     

基于BP神经网络的纸机加压网前箱的建模研究

针对采用传统的建模方法建立造纸工业过程中的纸机加压网前箱的数学模型很难得到满意结果的问题,尝试用BP神经网络对其辨识建模.通过对物理模型的多次试验,获得了大量的输入输出数据;在此试验数据的基础上对该结构进行BP神经网络模型辨识.为了验证辨识得到的模型的准确性,对该模型采用PID闭环控制,并在Matlab上对结果进行了仿真.实验结果表明,BP神经网络在纸机加压网前箱系统建模方面有着较高的辨识精度.     

基于卡尔曼滤波的陀螺仪降噪处理

针对MEMS陀螺仪输出信号随机漂移误差造成测量精度低的问题,提出了一种基于BP神经网络的卡尔曼滤波降噪模型.基于BP神经网络的基本原理,首先利用BP神经网络对系统进行学习,获得系统状态方程,然后建立了基于BP神经网络的滤波模型,最后应用于卡尔曼滤波对MEMS陀螺仪信号进行降噪.半实物模拟仿真实验表明:基于BP神经网络的卡尔曼滤波后的数据的速率随机游走等系数比原始数据下降6.89倍,验证了本方法的降噪性能优于基本卡尔曼模型,在MEMS陀螺仪的数据处理方面具有一定的应用价值.     

航空发动机整机振动故障智能诊断技术研究

针对BP神经网络和支持向量机对整机振动故障诊断时的低效问题,提出了一种基于多类协同训练的航空发动机整机振动故障诊断方法.引入逻辑回归算法构建初始故障分类器,设计了一种新的属性划分算法来迭代优化故障分类器,基于优化后的故障分类器进行故障类别预测,并使用多数投票机制进行故障仿真识别.实验采用某航空发动机整机振动数据作为样本数据集,并从中选择80％的数据用于训练,20％的数据用于测试,同时验证了在噪声信号的干扰下该方法对故障数据的诊断准确性.结果表明,该方法可有效降低噪声信号对故障诊断结果的影响,且诊断准确性高,具有重要的工程实用价值.     

减法聚类-ANFIS在网络故障诊断的应用研究

提出了一种基于减法聚类-自适应模糊神经网络（ANFIS）的网络故障诊断建模方法。减法聚类算法生成初始模糊推理系统,ANFIS建立网络故障诊断原始模型,应用混合算法对模糊规则的参数进行训练并建立最终的模型。仿真实验表明基于减法聚类-ANFIS的建模方法是有效的;通过仿真结果比较,减法聚类-ANFIS的网络故障诊断能力及收敛速度均优于BP神经网络,更适合作为网络故障诊断模型。