基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

应用小波神经网络诊断车辆柴油机供油系统故障

为有效诊断车辆柴油机供油系统故障,将小波变换与BP(Back Propagation)神经网络相结合。利用小波变换提取故障特征向量输入BP神经网络,实现对柴油机供油系统故障的诊断。仿真结果表明小波神经网络故障诊断准确率较高,诊断效果较好。     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

基于小波变换和粒子群小波神经网络组合模型的有效停车泊位短时预测

基于停车场有效停车泊位短时变化特性,提出了一种小波变换和粒子群小波神经网络组合预测方法。首先,通过选择合适的小波函数对有效停车泊位时间序列进行多尺度的小波分解与重构,然后对重构后的时间序列分别采用小波神经网络进行预测,并利用粒子群算法对神经网络初始参数的选取进行优化,最后将各自外推的预测结果进行合成,得到最终预测结果。实例分析表明:与单独使用小波神经网络模型相比,小波变换-粒子群小波神经网络模型的预测精度提高了5~7倍,且预测稳定性较好。     

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.     

一种新的模拟电路故障诊断小波神经网络方法

结合小波变换和神经网络二者之间的优点,提出基于小波神经网络的模拟电路故障诊断方法.采用能量分布特征提取方法和改进BP算法,用正弦信号仿真模拟电路,应用小波变换对模拟电路的采样信号进行多尺度分解,再进行能量分布特征提取,然后利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.相对于传统的故障诊断方法,用小波变换对故障信号进行预处理,大大减少了神经网络的输入数目,从而简化了神经网络的结构和减少了它的训练时间,并提高了辨识故障类别的能力.对实例电路仿真结果表明,该方法能正确识别各种故障状态,准确率高.     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法,该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入,对不同的输出要求,提出同的神经网络,判断出发生故障的相位、性质和位置。     

基于LPMCC特征和小波RBF网络的语音识别

小波神经网络是结合小波变换理论与人工神经网络思想而构造出来的一种"新型的神经网络模型",融合了小波变换良好的时频局域化性质及神经网络的自学习功能。它通常可看作RBF网络的推广。本文构建了一个以Morlet母小波作为小波基,代替RBF网络中的激活函数的小波神经网络结构,并采用线性预测美尔倒谱(LPMCC)作为特征参数,进行了孤立词语音识别。实验结果表明此种方法抗噪性能好,识别效率高。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

模拟电路单故障与多故障诊断的提升小波和RBF方法

为了更高效、更准确地诊断模拟电路的单故障和多故障,提出了提升小波和RBF神经网络相结合的方法。该方法用提升小波系数表征故障电路的特征,训练RBF神经网络,将训练好的神经网络作为分类器,对故障电路进行诊断。通过对比,提出的提升小波方法诊断效果明显优于传统小波,准确率达到99.2%,用时更长。结果表明,基于提升小波和RBF神经网络的模拟电路单故障与多故障诊断方法可以有效地提取故障电路的特征并准确快速地对故障进行分类。     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

基于遗传算法的WANN的汽车发动机故障诊断分析

利用基于遗传算法的全局优化能力,小波分析具有数据压缩和特征提取的特性,神经网络具有非线性映射和学习推理的优点.结合三者的特点,提出了一种基于遗传算法、小波与神经网络的汽车发动机故障诊断方法,应用汽车发动机的故障数据作为实例验证,GA-WANN模型诊断速度快,鲁棒性好,故障诊断正确率高.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法．该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入．对不同的输出要求,提出采用不同的神经网络,判断出发生故障的相位、性质和位置．     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于模糊神经网络的模拟电路故障诊断算法

将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明,该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。