基于微分进化神经网络的模拟电路故障诊断

BP神经网络已在模拟电路故障诊断领域得到广泛应用,但BP神经网络存在训练速度慢且容易陷入局部最优的问题.由此,本文提出了一种基于混合变异策略的微分进化改进算法,描述了利用微分进化改进算法进行神经网络权值训练的过程和方法,并将微分进化神经网络用于模拟电路故障诊断,文中还对微分进化神经网络与BP神经网络进行了比较.实验结果表明,微分进化神经网络的训练时间和训练精度均优于BP神经网络,其在模拟电路故障诊断中的准确度比BP神经网络提高了7%.     

非线性结构的神经网络LM系统辨识方法

LM算法是梯度下降法与高斯-牛顿法的综合体.它在训练次数和精确度上明显优于共轭梯度法及变学习率的BP算法,适用于非线性系统辨识.模拟结果表明该算法大大地提高了学习速度,节省了训练时间,且辨识效果很好.     

钛合金立铣表面粗糙度预测新方法

为实现加工前对表面粗糙度的预测,建立高精度的表面粗糙度预测模型至关重要.针对钛合金立铣表面粗糙度的特点及传统预测方法的不足,提出了表面粗糙度预测新方法.分别用递推最小二乘算法、基本蚁群算法与混合蚁群算法训练模糊系统,混合蚁群算法的收敛效果优于递推最小二乘算法和基本蚁群算法.通过回归分析建立了表面粗糙度的两种经验公式.对各方法所得模型进行测试,结果表明混合蚁群算法训练模糊系统的预测效果优于其他方法,用混合蚁群算法训练的模糊系统进行表面粗糙度预测是可行的.     

针对近似建模的前馈神经网络训练算法

为克服现有神经网络训练算法在建模精度方面的不足, 提出了一种专门面向近似建模的前馈网络训练算法--GA-BP贝叶斯算法. 该算法以提高网络的泛化性能为主旨, 以获取对应于后验分布最大值的权值向量为训练目标, 并采用遗传算法和L-M (Levenberg-Marquardt) BP算法相结合的权值搜索策略. 其中, L-M BP算法是当前最流行的前馈网络训练算法. 结合一个典型算例, 对GA-BP贝叶斯算法和L- BP算法进行了对比研究. 结果表明: 与L-M BP算法相比, GA-BP贝叶斯算法所建立的神经网络近似模型具有更高、更稳定的精度．     

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.     

LT码的一种BP/ML混合译码算法

针对LT码在短信息字长度时采用置信传播(BP)译码和最大似然(ML)译码存在大的性能差异问题,提出了一种BP/ML混合译码算法来实现LT码在二进制删除信道(BEC)中译码复杂度和性能的合理折中.此算法在BP译码失败时只需运用ML译码确定少数猜测比特就可实现成功译码.仿真结果显示,相比于BP译码,BP/ML混合译码的译码...     

一种精确的水声通信时间同步信号设计

提出了采用HFM（Hyperbolic Frequency Modulation,HFM）和CW（Continuous Wave,CW）构成的组合信号,实现精确的时间同步。根据HFM信号的匹配相关捕获同步信号,由CW信号的ZoomFFT算法估计Doppler扩展,再根据Doppler扩展的估计补偿时间同步误差。     

遗传算法和神经网络在导弹测试设备故障诊断中的应用研究

在某型导弹测试设备故障诊断神经网络知识库的组建过程中,针对BP算法易陷入局部极小、收敛速度慢的缺点,根据遗传算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的混合算法-GA-BP算法;通过算法比较和实例结果分析,表明该算法可以有效、可靠地运用于导弹地面测试设备的故障诊断中,并可方便地应用于其它方面.     

一种新填充函数算法优化的小网络及其应用

小波网络的结构及参数的寻优是小波网络应用中的一个关键问题.为达到寻优速度快、优化效果好的目的,提出了一个新的填充函数,把基于此函数的填充函数法与BP算法相结合,提出一种训练小波网络的全局优化新算法.并将由此算法优化得到的小波网络应用于飞控系统的故障诊断中.计算机仿真结果表明,该算法在训练小波网络时,收敛速度优于采用进化规划算法的训练速度,由此得到的小波网络用于飞控系统的故障诊断具有泛化性强、收敛较快、诊断较准确等优点.     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

Improving EEG signal peak detection using feature weight learning of a neural network with random weights for eye event-related applications

The optimization of peak detection algorithms for electroencephalogram (EEG) signal analysis is an ongoing project; previously existing algorithms have been used with different models to detect EEG peaks in various applications. However, none of the existing techniques perform adequately in eye event-related applications. Therefore, we aimed to develop a general procedure for eye event-related applications based on feature weight learning (FWL), through the use of a neural network with random weights (NNRW) as the classifier. The FWL is performed using a particle swarm optimization algorithm, applied to the well-studied Dumpala, Acir, Liu and Dingle peak detection models, where the associated features are considered as inputs to the NNRW with and without FWL. The combination of all the associated features from the four models is also considered, as a comprehensive model for validation purposes. Real EEG data recorded from two channels of 20 healthy volunteers were used to perform the model simulations. The data set consisted of 40 peaks arising in the frontal eye field in association with a change of horizontal eye gaze direction. It was found that the NNRW in conjunction with FWL has better performance than NNRW alone for all four peak detection models, of which the Dingle model gave the highest performance, with 74% accuracy.     

水下高速目标航行参数遥测技术研究

对于高速、强机动的水下目标来说,其航行参数信息的实时遥测具有重要意义。水声信号的多普勒频移估计与补偿是水声遥测的关键技术之一,它直接影响着水声遥测的效果与性能。针对双曲线调频信号及线性调频信号进行仿真分析,对比在相同情况下的多普勒频偏可补偿性,仿真实验证明双曲线调频信号具备较高的多普勒容限,其时延值估计精度可达到1μs。结合工程实际,采用双曲调频信号与单频信号组合的方式进行水声遥测,充分发挥双曲线调频信号的多普勒不变性和单频信号对多普勒频移的敏感性,在获得较高定位精度的同时,也具备高精度的水声遥测功能。该组合信标信号经过湖上试验验证,具有遥测精度高、误码率低、易于实现等优点,可直接应用于相关水声工程中。     

神经网络在建筑物有限元模型修正中的应用

建立了多层建筑结构间刚度与自振频率之间的神经网络模型,阐述了将人工神经网络应用于建筑的有限元模型修正的思想以及具体实施步骤和关键性问题,着重介绍了ＢＰ网络的拓扑结构及其改进的学习算法。数值例证说明：将人工神经网络和结构模态参数识别方法结合对结构有限元模型修正是可行的。     

基于神经网络的双辉等离子渗金属工艺预测

将人工神经网络理论及Back propagation(BP)算法应用于双层辉光等离子渗金属工艺的研究,并针对BP神经网络收敛速度慢、易陷入局部极小的缺点,提出一种新的动态退火算法优化网络的训练,进而建立了双层辉光等离子渗金属工艺参数与渗层元素总质量分数、渗层厚度和表面硬度之间的数学模型,最后将模拟预测结果与实验数据进行比较和误差分析, 证明该模型具有较高的预测精度.     

多跨转子系统多频传递力的神经网络自适应PD控制EI北大核心CSCD

针对大型旋转机械在运行过程中,由于自身不平衡量以及复杂的外部环境激励,导致转子系统振动,进而对基础和外部结构产生多频传递力的问题,提出了一种基于BP神经网络的自适应PD控制算法。采用一种电磁执行器与固定瓦滑动轴承集成的混合轴承结构,分析了该混合轴承的动力学特性;针对一个多跨转子系统,用有限元法建立了系统的动力学方程,从原理上分析了PD控制方式下传递力的主动控制;针对传统PID控制参数获取困难的问题,提出了基于BP神经网络的自适应PD控制算法;在一个四轴承双跨转子系统仿真模型上,分别对基于BP神经网络的自适应PD控制、BP神经网络控制及LMS控制的效果进行了对比分析。结果表明,基于BP神经网络的自适应PD控制对转子系统多频传递力具有更好的抑制效果。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于 LMBP 神经网络的柔印专色配色模型研究

目的针对柔印专色配色模型甚少问题,构建柔版印刷专色配色模型。方法以BP人工神经网络非线性、自学习等特点为基础,引入LMBP算法对传统的BP算法进行改进,从而构建柔版印刷专色配色模型,同时运用Matlab软件结合标准印刷测试版对模型进行训练。结果隐层节点为17的单隐层BP算法虽然也可达到预计要求,但隐层节点为8的单隐层LMBP算法精度更高,逼近效果更好。结论该柔版印刷专色配色模型符合精度要求,可以用于实践。