采煤机健康状态智能评估方法研究

针对现有采煤机健康状态评估方法存在评估指标权重确定受人为因素影响较大导致评估准确率不高、采用单一评估算法存在局部搜索能力弱和抗干扰能力差、寻找全局最优值能力不足等问题,提出了一种基于主成分分析(PCA)与遗传算法(GA)优化BP神经网络算法(PCA-GA-BP算法)的采煤机健康状态智能评估方法。根据采煤机结构和工作原理选择采煤机状态监测点位,获取采煤机健康状态相关的各项状态参数,采用PCA对采煤机状态参数进行数据降维和特征提取,避免BP神经网络输入的复杂化;引入GA对传统BP神经网络寻找全局最优权值;通过训练参数建立基于GA-BP的采煤机健康状态智能评估模型,将降维后的采煤机状态参数自动输入评估模型,通过智能评估算法输出测试结果,实现自学习、自寻优和自主判断采煤机的健康状态。实验结果表明,基于PCA-GA-BP算法的采煤机健康状态智能评估方法可准确、快速和智能评估采煤机健康状态,相比于基于单一BP神经网络的评估方法,训练时间短、评估流程简单且评估准确率高,准确率达97.08%。     

基于BP神经网络的变速箱故障诊断方法研究

针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数;模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

主成分分析与神经网络结合的黄山毛峰茶品质检测

研究了利用主成分分析与BP神经网络结合的方法对黄山毛峰茶进行品质检测。首先应用主成分分析法对反映茶叶香气信息的原始特征变量进行分析,提取出前5个主成分,再以这些主成分作为BP神经网络的输入,建立3层BP神经网络预测模型。试验结果表明,该模型相对于未经过主成分分析的BP神经网络模型,建模效率大大提高,判别准确率也由92.5%提高到97.5%。说明主成分分析与BP神经网络结合应用于黄山毛峰茶品质检测是有效的。     

基于PCA聚类分析的神经网络模型设计与应用

针对BP网络建模存在的误差大的问题,采用PCA、聚类分析与BP神经网络相结合,建立模型并应用于预测问题中。该模型首先应用主成分分析对原始数据进行降维,保留原始信息的主要信息,把原14个属性变量综合成5个不相关主成分分量;其次利用聚类分析,剔除样本中的冗长指标,使指标变量的选取更加科学合理,降低网络结构复杂度的同时提升了模型预测的准确率;最后利用MATLAB神经网络工具,编写神经网络训练系统并验证。     

基于RBF神经网络的电力客户信用评估模型

构建基于RBF神经网络的电力客户信用评估模型。为了改善样本的质量和降低训练神经网络时对样本的处理成本,对原始样本进行主成分分析,利用提取的少数主成分作为新的综合指标再进行评估模型的构建。同时通过改进MatLab神经网络工具箱中的RBF神经网络设计函数,构建高分类能力的网络模型。实验证明该信用评估模型的有效性。     

PCA-BP神经网络在降水预测中的应用研究

该文提出了一种基于主成分分析(PCA)与误差反向传播(BP)神经网络的降水预测模型。首先,通过主成分分析法对降水的主要影响因素进行主成分提取,选取贡献率大于85%的5个主成分来代替原来的14个影响因素,以消除原始输入数据的相关性,解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主成分分析结果为输入建立降水BP神经网络预测模型。仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足降水预测的要求。     

基于工作参数的柴油机故障诊断方法

通过台架试验采集了柴油机不同状态下的多组工作参数,利用Boot-strap统计模拟方法对每种参数的分布区间进行估计,并以此对不同故障下的数据进行分类,建立了BP神经网络模型对典型故障进行识别.经验证,利用柴油机工作参数进行故障诊断是切实可行的,该方法大幅度提高了多参数诊断的准确性和有效性.     

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP神经网络模型。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足煤与瓦斯突出预测的要求。     

基于粒子群优化BP神经网络的可靠性评估模型

CPU的可靠性对计算机系统至关重要。针对神经网络等方法在可靠性分析与评估中参数优化困难、模型评估精度不够准确等问题,提出一种基于粒子群优化BP神经网络的可靠性评估模型。该模型利用由正弦映射优化的PSO算法对BP神经网络的权值和阈值进行优化,提高BP神经网络的收敛速度以及评估精度。基于CPU中各功能模块的可靠度,根据改进的BP神经网络模型建立CPU的可靠性评估模型,通过模型训练与测试完成对CPU的可靠性评估。通过对比实验,验证该模型对辐射环境下CPU可靠性评估的有效性和准确性。     

基于神经网络的棉纺设备运行状态预测分析

科学、合理、有效地对棉纺设备运行状态进行一个综合性的预测评估,对于提高企业的技术水平和经济效益、提高设备的利用率和可靠性、保证人身的安全性都是很有帮助的。该文通过建立基于动量因子的BP神经网络模型,确定合理的神经网络结构,并通过调整学习速率、动量因子等参数,确定最终的阈值和权值,进而对棉纺设备的运行状态进行评估预测。经过实例分析,此BP神经网络模型可以有效地解决该预测问题,验证了该预测模型的合理性。