基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。     

基于步长优化和共轭梯度法的改进BP算法

本文针对传统ＢＰ算法存在的两个常见问题进行了讨论，提出了基于步长优化和共轭梯度法的改进ＢＰ算法。新的算法避免了目前由人为经验确定迭代步长的缺陷，并能有效克服局部极小值。这样可使网络加快收敛，稳定性变好。     

BP神经网络算法在数字识别中的应用

介绍BP神经网络算法的理论和方法,并在MATLAB环境下给出了BP神经网络算法在数字图像识别系统中的应用。     

适合于BP学习的共轭梯度法

基于ＬＭＳ的标准ＢＰ算法收敛速度极慢，而共轭梯度法要求精确的线性搜索，这在神经网络的高维权空间中是难以实现的。本文提出了一种新的ＢＰ学习算法，它采用一种对线性搜索要求不高的改进的共轭梯度法与一种简单的不精确线性搜索相结合，极大地提高了ＢＰ学习速度。经多次测试表明，与标准ＢＰ算法相比，该算法的效率提高了二个数量极。     

基于自适应BP神经网络的桥梁结构荷载识别

在传统的BP神经网络中引入学习速率自适应调整算法，通过多次数值模拟计算确定学习速率和动量系数等网络 关键参数的取值；分析了学习速率、动量系数等网络参数对网络收敛速度和输出精度的影响；探讨了训练样本容量与网 络识别效果的关系.分别使用挠度、挠度曲率、应变和应变曲率作为输入参数对桁架桥梁荷载进行识别.结果显示以挠度 曲率或应变曲率为输入参数的网络识别效果明显优于以挠度或应变为输入参数的网络，以应变为输入的网络识别效果优 于挠度的情况；学习速率自适应调整算法有效避免了网络训练过程中误差曲线振荡现象的产生，提高了网络的学习效率 ，网络关键参数的最优取值改善了网络的收敛速度和输出精度     

基于改进BP神经网络车型识别的研究

在分析了BP网络学习算法的缺陷基础上,引入动量项和遗传算法对BP网络学习算法进行改进。利用小波多尺度边缘检测对汽车车型图像进行分割和特征提取,利用矩不变量特征和改进BP神经网络对汽车车型进行自动识别和分类。提高了汽车车型自动识别和分类的速度和正确率。     

基于BP神经网络的汽车牌照识别

提出了一种用BP神经网络实现车牌文字识别的方法。因车牌上文字仅是黑体印刷字体，在特征提取时采用了Fourier投影-变换系数法求得其特征矢量；车牌文字分布具有规律性，采用并行算法对BP网络分类器进行了处理；引入动态因子，动态调整BP算法的学习步长。实践证明，利用BP神经网络可有效识别车牌，且速度快，识别率高，具有较高的实用价值。     

一种BP神经网络学习率的优化设计

考虑到结构优化设计的实用性和模糊性.在大量智能计算的基础上,提出了一种动态BP神经网络的学习率优化方法,该方法如同Rough集理论的数据分类简约功能去掉了多余属性的样本数据一样,从而使神经网络拓扑结构优化.实验表明,这种方法简单、实用且快速收敛.     

基于BP神经网络的图书编号识别

随着自动化管理水平的提高,在图书管理方面也都采用了计算机自动识别技术来代替传统的人眼识别、手工记录的操作方式.而神经网络具有较好的抽象分类特性,本文就利用BP神经网络识别图书编号,获得了较高的识别率.     

基于BP神经网络的有杆抽油系统故障智能判断

神经网络已成为智能化数字信号处理学科的热点之一，其中又以BP神经网络的应用最为广泛．BP神经网络由于本身具有理论上可以逼近任意非线性映射的特点和优点，使得它在解决多数参数复杂的实际问题上具有广阔的应用前景．对BP神经网络在有杆抽油系统故障判断智能化方面进行探讨和研究。     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

基于改进BP网络的图像压缩

针对BP网络的图像压缩技术,提出了一种改进的BP网络局部学习自适应Silva-Almeida(SA)算法,该算法将训练过程分为加速、平稳收敛两个阶段的基础上,同时局部自适应调整学习速率和动量因数两个参数。经曲线拟合试验,其训练精度有较大提高,震荡现象得到进一步改善,训练速度加快。在图像压缩的仿真试验中,相对于目前常用的弹性BP算法(RPROP算法),该算法训练速度加快,重建图像质量有很大提高,利用该算法进行图象压缩可以获得更高的压缩比。     

基于BP神经网络及其改进算法的汽轮发电机组故障诊断

为了提高汽轮发电机组的故障诊断准确率,提出了基于BP神经网络改进算法的故障诊断系统.根据输入特征向量对BP神经网络进行学习,在matlab上分别采用两种算法对故障诊断模型进行测试.结果表明,改进算法能够更有效地预测汽轮发电机组的故障.     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.     

复杂动态系统的实时故障检测与诊断

分析了复杂动态系统实时故障检诊的特点，提出了一套综合检诊策略，具有的特点是：（１）包含检诊方法和检诊过程控制两方面的内容；（２）提出元件模态转变的单向性假设以代替常用的诊断过程中元件模态不变的假设；（３）基于人工智能一致性基础检诊理论形成检诊方法的基本框架，信息处理检诊算法以推理机形式嵌入该框架；（４）主要使用系统正常模型知识，系统故障模型知识作为必要的补充，针对一定的飞控系统模型进行了仿真，验证了以上检诊策略的有效性。     

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。     

基于改进K—means聚类的kNN故障检测研究

为了减少计算量,提高故障检测准确性,提出一种基于改进K—means聚类的kNN故障检测方法．首先通过改进K—means聚类将原始建模数据分成C个类,然后利用kNN分别对每个类建立模型．在每类的训练数据集合中找到每个样本的k个最近邻,计算k个最近邻距离的平方和．基于训练数据确定进行故障检测的阈值．对新的待检测样本,先判断属于哪一类,然后应用对应类的kNN模型进行故障检测．仿真结果表明：该方法不但可以提高过程故障检测的可靠性,而且大大缩短了故障检测时间．     

基于小波奇异性检测的电力系统故障检测算法

在应用小波变换信号奇异性检测理论进行故障检测基本判据的基础上,对其进行了补充,提出了电力系统故障检测的补充判据,提高了故障检测的准确性,同时使故障检测判据更具可操作性.并给出了10 kV系统单相接地故障的MATLAB仿真实例.     

基于改进算法ANFIS的变压器故障诊断

在分析变压器油中溶解气体进行变压器故障诊断的基础上,提出一种基于改进算法的自适应神经模糊推理系统的变压器绝缘故障诊断方法.该方法使用IEC三比值法的3个气体比值作为ANFIS输入向量,构造三输入一输出的ANFIS,然后使用具有全局收敛性的相关的广义Fletcher-Reeves共轭梯度法改进ANFIS默认的以BP算法和最小二乘法构成的混合学习算法,再使用新的学习算法训练系统.最后,对模型的有效性进行了检验,并与使用BP学习算法训练的诊断结果做了比较.检验结果表明:使用改进算法的ANFIS进行变压器故障诊断是可行的,并且诊断精度有所提高.     

基于BP网络的工业CT图像边缘检测

采用改进的BP算法,实现工业CT图像的边缘检测。本文构造了学习样本,可以在较短时间内训练得到权值矩阵,从而实现二值图像边缘检测。并在此基础上,综合灰度图像各位面的边缘提取结果,实现对灰度图像的边缘检测。通过对发动机CT图像的实验,证明利用本文得到的权值矩阵用于边缘检测,泛化性较好,抗噪能力强,能得到较为连续精细的边缘。