共查询到10条相似文献,搜索用时 31 毫秒
1.
自组织特征映射应用于齿轮早期故障检测时,常常导致训练时间长、检测精度低、故障分类结果不直观等问题.提出了基于LDA(线性判别分析)与半监督聚元自组织映射的故障检测方法,首先利用LDA对故障特征集进行降维处理,然后再利用半监督聚元自组织网络对降维后的特征子集进行分类并将结果可视化,Iris数据集的仿真结果验证了该方法的有... 相似文献
2.
提出了基于小波变换提取零件图像特征和用自组织特征映射神经网络实现识别的方法,首先,对零件图像进行小波多尺度边缘检测,提取零件图像的边缘轮廓;然后将被检测的边缘轮廓图像分成若干个子区域并分别统计各子区域的边缘像素量,各子区域中的相对边缘像素系数作为零件的特征,将这些特征作为神经网络的输入样本,由自组织特征映射神经网络实现识别.实验结果表明该方法是有效的. 相似文献
3.
自组织特征映射人工神经网络用于旋转机械故障诊断 总被引:1,自引:0,他引:1
本文利用人工神经网络自组织学习和神经元连接的类型(兴奋或抑制)与征兆和故障之间的特征映射,建立了旋转机械故障诊断的自组织特征映射模型.利用这一模型使人工神经网络无指导学习用于旋转机械故障诊断,通过旋转机械中常见故障进行诊断提供了进一步解决故障诊断专家系统中知识库建立及维护的新方法. 相似文献
4.
5.
6.
7.
针对流程工业复杂机电系统状态不断更迭、性能出现漂移等问题,提出了一种基于自组织特征映射网络的系统服役过程动态标记方法。首先,构建多变量间耦合关系网络,并在此基础上提取网络特征;其次,将动态标记过程分为状态主动更新过程和状态主动更新过程两个阶段,状态被动更新过程通过不断训练自组织特征映射网络来适应系统新状态出现及性能漂移等情况,状态主动更新过程可用于消除系统已消亡状态对网络模型产生的影响;最后,通过分析实际化工生产系统监测数据对所提方法进行有效性验证。实验结果表明,该方法可有效标记复杂机电系统服役过程中不断变化的多种状态,并建立符合系统动态演化过程的状态标记知识库,从而为系统状态辨识和预测提供可靠依据。 相似文献
8.
以自组织特征映射网络SOM(Self-Organizing Feature Mapping)和误差反向传播网络BP(Back Propagation)为理论基础,提出了SOM-BP神经网络模型,将某内燃机燃油系统故障及其相关参数作为训练样本,通过仿真试验,验证了复合神经网络在柴油机故障诊断中的正确性和精确性. 相似文献
9.
矢量量化的核心问题是初始码书设计.针对已有的随机法和分裂法等初始码书算法存在无效码矢多、运算量大等缺点,在训练矢量集随机抽取法的基础上提出了一种新的均值排序法,并应用到基于自组织特征映射(SOM)和频率敏感的自组织特征映射(FSOM)的矢量量化(VQ)中.实验结果表明,均IM序法的0-1直信噪比((PSNR)比训练矢量集随机抽取法高. 相似文献
10.
基于自组织映射的齿轮箱状态监测可视化研究 总被引:2,自引:0,他引:2
提出了一种自组织映射网络训练结果的可视化方法——距离映射法,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U-矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。 相似文献