BP和RBF神经网络在字母识别中的比较

将BP和RBF2种神经网络应用于英文字母识别,为2种网络建立识别模型．利用标准字符库进行测试,并在测试中加入干扰,进行仿真实验,观察这2种网络的泛化能力以及识别准确性,比较这2种网络及其改进方案,提出这2种改进方案中分别需要注意的地方．指出当用于字母识别时,RBF网络的性能优于BP网络及其改进型算法．     

基于C++ Builder的凝汽器故障诊断系统

为了有效地对电厂凝汽器进行故障诊断并给予操作指导,开发了凝汽器故障诊断系统.该故障诊断系统分别采用标准BP算法和改进BP变步长附加动量法进行网络的学习训练.以凝汽器故障知识库为依据,构造了17个输入层节点、13个隐含层节点、12个输出层节点的三层反向传播网络.经过对比,说明采用经过改进BP变步长附加动量法进行网络的学习...     

基于混合编程的碰摩故障识别仿真验证系统的设计

关于旋转机械碰摩故障识别方法的研究已经成为碰摩故障研究的一个热点。为了直观地比较碰摩故障识别方法的优异,本文提出了基于混合编程方法设计碰摩故障识别的仿真验证系统。系统利用Matlab与VC++的混合编程技术仿真并显示了采用RBF核SVM及BP网络等方法识别旋转机械的碰摩故障。实验结果表明,该仿真系统具有良好的实用性,具有一定的应用价值。     

人工神经网络在战场侦察技术中的应用

研究人工神经网络用于战场目标分类的能力和结果 .根据战场目标的声与震动特性 ,采用相应的测试系统和分析系统 ,对战场典型目标装甲车、吉普车进行实地测试 ,并对实验数据进行预处理 (快速傅立叶变换 ) ,利用基于人工神经网络原理的目标分类器 ,采用改进的BP算法对分类器进行训练 ,克服了传统网络的振荡和平台问题 .基于人工神经网络的分类器对战场目标的声与地震动信号有很高的正确识别率 .实验证明人工神经网络目标分类器适合于战场目标分类识别 ,改进的BP算法加快了神经网络的收敛速度 .     

BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

BP网络在非线性油阻尼减振器建模中的应用

针对传统的线性理论在解决复杂非线性油阻尼减振器模型上的局限性 ,提出了一种应用 BP网络进行建模的新方法。为阐述 BP网络在非线性系统中建模的优越性 ,进行了非线性油阻尼减振器的试验研究 ,建立了其相应的非线性模型。在分析实验模型的基础上 ,对 BP网络进行改进 ,建立更为符合实际的非线性油阻尼减振器模型 ,仿真结果表明 ,神经网络在建模中具有较高的精度和适应性 ,是一种可行的方法     

基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数（Davies-Bouldin index,DBI）定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。     

BP网络在非线性油阻尼减振器建模中的应用

针对传统的线性理论在解决复杂非线性油阻尼减振器模型上的局限性，提出了一种应用BP网络进行建模的新方法。为阐述BP网络在非线性系统中建模的优越性，进行了非线性油阻尼减振器的试验研究，建立了其相应的非线性模型。在分析实验模型的基础上，对BP网络进行改进，建立更为符合实际的非线性油阻尼减振器模型，仿真结果表明，神经网络在建模中具有较高的精度和适应性，是一种可行的方法。     

基于模糊距离的RBF神经网络板形模式识别

针对BP网络在板形缺陷模式识别的应用中,由于网络本身存在收敛速度慢,学习时间长,容易陷入局部极小等结构性能不佳的问题,从而影响板形识别精度;文中提出了基于模糊距离的RBF网络板形缺陷模式识别法.RBF网络是一种局部逼近的神经网络,它在逼近能力、分类能力和学习速度等方面都优于BP网络.为了使板宽变化时网络结构不变,将模糊距离与RBF网络相结合进行模式识别,仿真实验结果表明,该方法与BP网络方法相比,网络收敛速度较快,而且识别精度较高.     

基于粒子群优化的神经网络容错控制算法

针对一类非线性系统的传感器故障,将故障诊断与容错控制方法相结合,提出了一种容错控制方法。用BP网络建立传感器故障模型,并用粒子群算法来训练BP网络的参数,在线估计系统的状态和故障参数。然后将故障参数与修正的Bayes分类算法相结合,对传感器故障在线检测、分离和估计,通过补偿算法,实现容错控制。对连续搅拌釜式反应器（CSTR）的仿真结果表明,该方法收敛性好,对传感器故障具有很强的容错能力。     

一种基于BP神经网络的传感器故障诊断方案

针对传感器故障,提出了一种BP网络和修正的Bayes分类算法(MB)的集成故障诊断方法.用BP神经网络建立传感器故障模型,对系统的状态和故障参数进行在线估计,再用修正的Bayes算法进行传感器故障的在线检测、分离和估计.对连续搅拌釜式反应器(CSTR)的仿真结果表明,该集成故障诊断方法能够对传感器故障进行快速准确的分离和估计,并对传感器故障具有容错性.     

BP神经网络在水轮发电机组状态监测与诊断系统中的应用

引用了一种改进的BP(back_propagation)神经网络训练方法 ,对水轮发电机组的故障诊断进行了分析诊断 .利用这种方法可以使BP网络得到更快的收敛速度 .使用了BP子网络方法对水轮发电机组故障进行了分类构造诊断网络 ,此诊断方法已用于水电厂故障诊断系统 ,文中阐述了神经网络诊断在系统中的具体实现     

基于改进粒子群神经网络的提升机故障诊断

针对BP神经网络对提升机制动系统进行故障诊断存在着收敛速度慢和可靠性差等缺点,提出了一种基于粒子群神经网络的故障诊断方法.根据制动系统故障征兆与故障类型之间的非线性和耦合性,建立了提升机制动系统的故障诊断模型;采用改进的粒子群算法优化BP神经网络的连接权值和阈值,应用于制动系统的故障诊断,缩短了神经网络的训练时间,提高了故障诊断的精度.仿真结果表明该诊断方法具有故障诊断能力强和诊断效率高等特点.     

基于BP神经网络的无人机故障诊断专家系统研究

针对无人机系统故障复杂度高、非线性强、故障现象多种多样等特点,提出将专家系统与BP神经网络相结合应用于无人机系统的故障诊断中。给出了该诊断系统的具体结构组成和诊断流程,并以无人机的遥测遥控系统为例进行了实例诊断,最后给出了系统软件的实现方式。结果表明,该系统能有效地对无人机系统进行快速准确地诊断,具有很好的应用前景。     

基于神经网络优化法的故障诊断应用研究

在机械设备的故障诊断中，常采用BP网络算法对故障进行诊断计算，但由于BP网络易于收敛于局部极小点，且在初始参数与网络结构选取不当时。网络将出现发散现象．为此提出了将神经网络优化算法应用于汽轮发电机组的故障诊断中，实现了神经网络权值和阈值的快速计算，并以汽轮发电机组的故障诊断为背景。将两种算法的结果进行比较，证明该方法比BP算法精度高且收敛速度快、可靠性好．     

基于蚁群优化神经网络的故障诊断

针对BP神经网络收敛速度慢,易于陷入局部极小点的问题,将蚁群算法引入BP神经网络的优化训练,建立了基于该算法的BP神经网络训练模型,并应用于电机转子故障诊断。结果表明,用蚁群算法训练神经网络具有较高的故障诊断精度,收敛性好,可以有效快速定位电机转子故障,提高诊断的效率和质量。     

基于人工神经网络的电力电子电路故障诊断

提出了采用基于波形直接分析的人工神经网络故障诊断方法实现电力电子电路的故障诊断．以三相整流电路的诊断为例，设计了人工神经网络的层数和点数，建立了三相整流电路的模型获取了样本数据，并训练了人工神经网络．仿真表明用四层人工神经网络对三相整流电路进行诊断可获得正确结果、     

基于贝叶斯理论的复杂系统快速诊断算法

针对系统结构复杂、维修保障难度大,多具有不确定性(不完整性)信息、多故障和关联故障等特点,融合贝叶斯理论和策略优化算法的优势,提出一种混合快速诊断算法.将诊断任务分解成若干单故障子任务,对子任务用故障树和贝叶斯网络分别建模,根据贝叶斯-蒙特卡洛算法获得先验概率,进行诊断推理分析,获得系统故障薄弱环节,同时运用综合策略优化算法,对故障原因进行诊断策略优化,以实现快速诊断为目的.以电控发动机复杂系统为例,对混合快速诊断算法进行应用研究,验证了该算法的正确性和有效性.     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。