改进的选择神经网络结构的方法

有关人工神经网络作为在线状态估计器组成基于神经网络的传感器故障检测的研究已有报导。但是这些文章中没有提到如何选择神经网络的结构。神经网络的输入延迟数和隐基单元数影响其对系统的拟合精度,从而影响故障检测的灵敏度。研究了一些现有的选择神经网络结构的方法,以系统化的交叉证实法为基础,经过改进,提出了针对作为在线状态估计器的神经网络选择输入延迟数和隐层单元数的系统化的方法,并用某船在试验场中航行时平台罗经输出的一段数据作了仿真,结果证明该法可行,具有工程实用意义。     

基于神经网络的航空传感器故障检测

用离线训练的神经网络进行导航传感器故障检测。首先,用已获得的正常飞行数据通过离线训练的方法训练神经网络并构造估计器的结构,然后用已选择好结构并训练好的神经网络作为估计器对传感器的读数进行一步预测。若预测值与传感器实际值之间的差值仅为递推误差和传感器输出噪声,则认为传感器工作正常,若相应的残差分量显著增大,则认为传感器故障。因此设计了相应的检测策略进行故障检测,以达到既避免不必要的报警、切换,又准确、及时的监测、报警。通过仿真试验验证,结果证明该方法可行。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

基于四元数和SOM神经网络的彩色图像边缘检测

针对传统边缘检测方法无法考虑到彩色图像各颜色分量的相关性,以及边缘提取效果受阈值影响的不足,提出一种四元数和自组织神经网络(SOM)相结合的彩色图像边缘检测算法。根据四元数柯西积分公式和四元数矢量积性质,构造图像的边缘特征向量对SOM神经网络进行训练,然后用训练好的SOM网络提取边缘。实验表明,该方法具有良好的边缘检测效果,并有较强的细节保持能力。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

基于邻域粗糙集和并行神经网络的故障诊断

针对目前使用神经网络诊断故障时出现的输入向量选择困难、网络结构复杂、对并发故障诊断效果不好等问题,提出了基于邻域粗糙集和并行神经网络的故障诊断方法;先利用邻域粗糙集对初始征兆进行约简,留下有价值的征兆作为神经网络的输入向量,然后针对每种故障类型设计一个神经网络;用多个训练好的神经网络来并行诊断故障,综合每个神经网络的结果给出最终的诊断结论;用转子实验台的实验数据对这种故障诊断方法进行验证,结果显示该方法能优化神经网络结构,且神经网络具有训练速度快、诊断正确率高的特点。     

基于GA-BP神经网络的UUV航向容错控制

为提高UUV航向控制系统的可靠性,本文对传统的BP神经网络利用遗传算法进行了优化设计,并将优化的BP神经网络应用于UUV的航向容错控制中。首先利用改进的二阶灰色预测模型对光纤罗经进行故障诊断,若UUV罗经故障,根据UUV当前的舵角、航速与加速度信息重构航向信息,利用重构的航向数据代替光纤罗经的航向输出,实现对光纤罗经的航向容错控制。本文详细阐述了容错控制方法的实现步骤,并利用海试实验数据进行了仿真验证,仿真结果表明所提出的方法能快速、准确的诊断出光纤罗经的故障,并能较好的实现光纤罗经的航向容错。     

基于全神经网络增强算法的WSNs故障预警与检测

针对现有WSNs故障检测算法存在的故障分类检测率低、耗时长、节点能耗控制差等问题,提出一种全神经网络增强故障预警与检测算法。全神经网络的神经元节点与临近层的节点连接,形成具有强大故障数据训练功能的深度网络结构,选择平滑性更好的sigmoid函数作为模型的激活函数,并基于感知机合理调节相邻两个隐含层之间的阈值权重,降低模型的训练损失;采用Adam优化算法抑制模型的梯度膨胀和梯度消失等异常情况,并消除训练中产生的数据冗余,以降低故障数据训练中产生的虚预警。实验结果显示:提出算法的总体故障检测率和不同类型故障的分类检测率都优于传统算法,此外全神经网络增强算法在节点故障检测耗时和能耗控制方面,也具有显著优势。     

用神经网络诊断火箭发动机

用神经网络检测和识别故障时有两个问题:(1)传感器数据的复杂性使得无法用神经网络建立变换的模型,这意味着训练过程难而冗长;(2)没有足够的训练数据去适当地描述可能发生的大量不同类型故障。导出了一些方法并在一个用于解决这两个问题的结构中作了试验。首先把无法变换的传感器数据分解成三个较简单的变换,这些变换要完成数据的压缩,假设的产生和传感器的融合。每个变换分别进行有效训练。其次,建立执行传感器融合的神经网络,以便检测那些训练例子在训练过程中不曾出现的未知新故障。这些方法曾在航天飞机主发动机(SSME)故障检测和识别任务中试验过。结果表明,被分解的神经网络结构可以有效地训练,可以识别已训练过的故障,同时也能检测那些没训练过的故障是否发生。     

一种基于输入训练神经网络的非线性PCA 故障诊断方法

简要讨论了线性PCA故障诊断方法存在的问题，提出一种基于输入训练神经网络的非线性PCA故障诊断方法。该方法首先利用输入训练神经网络和BP网络双网络机制，实现非线性主元的识别，并采用统计方法进行故障检测与故障分离。对CSTR的仿真研究结果表明，该方法能够克服线性PCA方法在提取过程变量的非线性特征方面存在的不足，并能够准确地进行故障检测和分离。     

Guide robot intelligent navigation in urban environments

This paper presents an intelligent robotic system to guide visually impaired people in urban environments. The robot is equipped with two laser range finders, global positioning system (GPS), camera, and compass sensors. All the sensors data are processed by a single laptop computer. We have implemented different navigation algorithms enabling the robot to move autonomously in different urban environments. In pedestrian walkways, we utilize the distance to the edge (left, right, or both) to determine the robot steering command. In difference from pedestrian walkways, in open squares where there is no edge information, artificial neural networks map the GPS and compass sensor data to robot steering command guiding the visually impaired to the goal location. The neural controller is designed such as to be employed even in environments different from those in which they have been evolved. Another important advantage is that a single neural network controls the robot to reach multiple goal locations inside the open square. The proposed algorithms are verified experimentally in a navigation task inside the University of Toyama Campus, where the robot moves from the initial to goal location.     

传感器网络中基于卡尔曼滤波的能量高效Top—k查询处理技术

无线传感器网络能量受限,如何实现top-k查询处理的能量高效从而延长网络的生命周期是该领域研究的一个重要课题。论文利用传感器节点读数的时空相关性,提出运用卡尔曼滤波根据已知节点读数对未知节点读数估计的时空建模方法,进而提出基于预测机制的区域采样方法（RegionSampling,RS）。实验表明,论文提出的查询方法不但可以满足用户的查询精度要求,而且大大减少了传感器网络的通信次数节省了能量,从而延长了网络的生命周期。     

飞行器导航传感器故障诊断的应用研究

研究导航传感器故障诊断问题,由于飞行器导航传感器所处环境十分复杂,导航系统由多种部件组成,故障存在许多随机性、模糊性和不确定性因素,难以建立确定数学模型。传统线性模型故障诊断准确率低。为了提高飞行器导航传感器故障诊断准确率,提出一种神经网络的导航传感器故障诊断方法。飞行器导航传感器发生故障时信号中会产生突变成分,利用小波包对原始故障信号进行分解,提取信号特征向量,然后将特征向量输入神经网络训练,实现飞行器导航传感器故障智能化诊断。在Matlab平台实现传感器故障诊断的仿真,结果表明,神经网络提高了飞行器导航传感器故障诊断的准确率,是一种在线、行之有效的导航传感器故障方法。     

一种基于聚类技术的选择性神经网络集成方法

神经网络集成是一种很流行的学习方法,通过组合每个神经网络的输出生成最后的预测、为了提高集成方法的有效性,不仅要求集成中的个体神经网络具有很高的正确率,而且要求这些网络在输入空间产生不相关的错误．然而,在现有的众多集成方法中,大都采用将训练的所有神经网络直接进行组合以形成集成,实际上生成的这些神经网络可能具有一定的相关性．为了进一步提高神经网络间的差异性,一种基于聚类技术的选择性神经网络集成方法CLU_ENN被提出．在获得个体神经网络后,并不直接对这些神经网络集成,而是先应用聚类算法对这些神经网络模型聚类以获得差异较大的部分神经网络;然后由部分神经网络构成集成;最后,通过实验研究了CLU_ENN集成方法,与传统的集成方法Bagging相比,该方法取得了更好的效果。     

Capacitive sensor-based fluid level measurement in a dynamic environment using neural network

A measurement system has been developed using a single tube capacitive sensor to accurately determine the fluid level in non-stationary tanks, namely automotive fuel tanks. The system determines the fluid level in the presence of dynamic slosh. A neural network-based approach is used to process the sensor signal and achieve substantial accuracy compared with the averaging method, which is normally used under such conditions. The sensor readings were obtained by experimentation carried out under various dynamic conditions. The sensor response was recorded at various slosh frequencies and fuel volumes; which was then used to train three different neural network topologies. Field trials were carried out to obtain the actual driving data for the purpose of testing the neural networks using MATLAB software. One static neural network topology, namely Feed-forward Backpropagation Neural Network, and two dynamic neural network topologies, namely Distributed Time Delay Neural Network and NARX Neural Network, have been investigated in this work. The developed fluid level measurement system is capable of determining the fluid level in a dynamic environment with a maximum error of 8.7% by using the two dynamic neural networks, and 0.11% using the static feed-forward backpropagation neural network.     

基于人工神经网络铂电阻非线性估计方法的研究􀀁

本文提出了一种基于人工神经网络的铂电阻传感器非线性估计方法,该方法用二次幂级数多项式拟合温度传感器的非线性模型,多项式的系数可由神经网络学习算法得到,当条件发生变化时,只要给出几组测量数据对,通过该方法可自动重新训练网络,获得新的多项式系数,实现传感器的非线性估计。     

一种k均值和神经网络集成的语音识别方法

提出了一种基于k均值聚类和BP神经网络集成的语音识别方法,该方法以神经网络集成模型为基础,利用k均值聚类算法选择部分有差异性的个体神经网络再进行集成学习,既克服了单个BP网络模型容易局部收敛和不稳定性的缺点,又解决了传统集成方法训练时间长和个体网络差异性不明显的问题。通过对非特定人孤立词的语音识别的实验,证实了该方法的有效性。     

Environmental map building for a mobile robot using infrared range-finder sensors

This paper presents a methodology for building a high-accuracy environmental map using a mobile robot. The design approach uses low-cost infrared range-finder sensors incorporating with neural networks. To enhance the map quality, the errors occurring from the sensors are corrected. The non-linearity error of the sensors is compensated using a backpropagation neural network and the random error of readings including the uncertainty of the environment is taken into a sensor model as a probabilistic approach. The map is represented by an occupancy grid framework and updated by the Bayesian estimation mechanism. The effectiveness of the proposed method is verified through a series of experiments.     

Design of ensemble neural network using entropy theory

Ensemble neural networks (ENNs) are commonly used neural networks in many engineering applications due to their better generalization properties. An ENN usually includes several component networks in its structure, and each component network commonly uses a single feed-forward network trained with the back-propagation learning rule. As the neural network architecture has a significant influence on its generalization ability, it is crucial to develop a proper algorithm to determine the ENN architecture. In this paper, an ENN, which combines the component networks using the entropy theory, is proposed. The entropy-based ENN searches the best structure of each component network first, and employs entropy as an automating design tool to determine the best combining weights. Two analytical functions - the peak function and the Friedman function are used to assess the accuracy of the proposed ensemble approach. Then, the entropy-based ENN is applied to the modeling of peak particle velocity (PPV) damage criterion for rock mass. These computational experiments have verified that the proposed entropy-based ENN outperforms the simple averaging ENN and the single NN.