基于ART2神经网络的发动机故障诊断方法

发动机的故障诊断是一个动态的故障分类过程,许多故障诊断方法在对动态故障模式进行识别和分类时,存在对未知故障模式无法识别的问题。针对这一问题,引入ART2神经网络,利用db6小波包对发动机气缸盖的振动信号提取的特征向量作为网络的输入,应用实例证明,ART2神经网络不仅能正确识别学习过的故障模式,对突发、未知的故障模式也能很好地识别。     

ART1神经网络模型在成组技术中的应用

介绍了应用二值自适应共振理论网络模型ＡＲＴ１来进行零件分类编组的方法，它与利用双向联想记忆网络和学习网络模型相比，具有不需要预先提供分类样本模式给网络学习的优点，它可以边学习边分类，实现了在线学习的功能。     

基于ART2神经网络与动态聚类的分类器

针对ART2神经网络用于模式分类时具有很好的聚类特性,但只用到相位信息而丢失了幅度信息,以及动态聚类用距离作为样本问的相似性测量,没有充分利用相位信息的问题,提出了一种结合ART2神经网络和动态聚类的方法。该方法利用了ART2神经网络和动态聚类的优点,克服了它们各自的缺点,使输入向量的信息得到充分的利用。时随机数和临床数据进行了分类仿真,结果表明该方法分类结果更准确,适应范围更广。     

一种ART2神经网络的改进算法

传统的ART2神经网络由于预处理阶段的归一化，易将重要但幅值较小的分量作为噪声清除，造成在分类中丢失重要信息，同时还存在模式漂移的不足，分析产生这些不足的原因，并基于去单位化以及类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想，对传统的ART2神经网络算法进行了改进。对一组渐变数据的测试表明，改进后的网络有效改善了模式漂移现象。同时，改进的ART2神经网络在核辐射场数据处理分类中有一定的实用价值。     

ART－2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法。通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ０＞ρ０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别     

EMG-Based Motion Discrimination Using a Novel Recurrent Neural Network

This paper presents a pattern discrimination method for electromyogram (EMG) signals for application in the field of prosthetic control. The method uses a novel recurrent neural network based on the hidden Markov model. This network includes recurrent connections, which enable modeling time series, such as EMG signals. Weight coefficients in the network can be learned using a well-known back-propagation through time algorithm. Pattern discrimination experiments were conducted to demonstrate the feasibility and performance of the proposed method. We were able to successfully discriminate forearm motions using the EMG signals, and achieved considerably high discrimination performance compared with other discrimination methods.     

基于ART2的网络入侵检测算法

基于ART2的网络入侵检测算法是在自适应共振理论的基础上改进而来的。该算法对接收到的网络数据以及系统状态数据进行分析判断,实现入侵方式的自动分类,并且能够对新产生的入侵方式进行分类与记忆,实现了入侵检测系统的自适应性。该算法应用到入侵检测系统中能够解决入侵检测系统中可能出现的预分类不完全的问题,这对于检测新出现的入侵类型无疑具有很大的使用价值。     

具有更严格警戒测试准则的ART2神经网络

在ART2神经网络的标准警戒测试准则中,通过引入截断双曲线函数来计算输入矢量与神经网络由顶向下权重矢量之间的相似程度,而提出了一种新的具有更严格警戒测试准则的ART2神经网络。截断双曲线函数一方面抑制输入样本中的噪声,另一方面,如果输入矢量某些分量与由顶向下权重矢量对应分量之间存在冲击变化时,则截断双曲线函数将放大这些对应分量之间的冲击变化。而且这种新的警戒测试准则具有更强的抗噪声能力。即在较低的输入信噪比水平上,具有更严格警戒测试准则的ART2神经网络比标准ART2神经网络具有更高的正确识别率。     

基于ART1神经网络的统计过程控制系统

统计过程控制(SPC)在改进过程水品、提高产品质量方面作出了巨大贡献.本文讨论了一种基于自适应谐振理论(ART)神经网络的SPC系统.与一般SPC系统相比,本系统不仅可以在线检测过程异常,对各种控制图异常模式还具有实时学习、在线识别功能.同时,本系统对过程的分析,无需如常规控制图一样,建立在正态假设的前提下,因此应用更方便、范围更广泛.作为一种新的SPC工具,ART1神经网络为改进控制图的应用提供了一种新的可能.     

一种新的ART网络遥感影像分类方法

本文提出了一种基于模糊算子的ART2A-C遥感影像分类算法。算法结合原有几种高性能的ART网络对传统ART2A-C网络做了改进。论文分别利用现有网络和改进算法对遥感影像作了聚类,实验结果表明新算法的分类性能明显优于原算法。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。     

神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。     

基于小波变换的肌电信号识别方法研究

针对肌电信号的非平稳特性,采用小波变换方法对表面肌电信号进行分析,提取小波系数最大值构造特征矢量输入神经网络分类器进行模式识别,经过训练能够成功地从掌长肌和肱桡肌采集的两道表面肌电信号中识别展拳、握拳、前臂内旋、前臂外旋四种运动模式。实验表明,基于小波变换的神经网络分类方法所需的数据短、运算快,对于肌电假肢的控制具有良好的应用前景。     

A RT 2神经网络的一种改进

传统A RT 2神经网络在聚类过程中模式的匹配度量仅仅与模式的相位信息相关,这种匹配度量忽略了模式的幅度信息的作用,在对相位信息相同而幅度信息不同的两个簇进行聚类时,效果很差;同时,它还存在输入域限制的问题。针对这些不足之处,提出了一种改进的A RT 2神经网络,在输入模式进入网络学习过程中,保存其幅值信息,放宽对负实数的非线性转换,并考虑输入模式到各个簇的中心点的最短距离,同时增加一个阈值对离群点进行判定,消除了离群点对聚类结果的影响。实验验证,改进的A RT 2网络在对相同相位的两个簇聚类时,性能明显优于传统的A RT 2网络。     

一种改进的ART2网络学习算法

分析了现有ART2网络存在的问题,提出了一种改进的ART2算法。该算法首先利用样本数据自身来初始化权值,然后按照同一类中的数据点到其聚类中心的距离之和越小(即类内偏差越小),聚类效果越好的原则来设计特征表示场和类别表示场之间的权值修正公式,最后通过比较输入样本和聚类中心的模来有效地利用模式的幅度信息。分析证明了该算法不仅能有效解决模式漂移问题、充分利用幅度信息,而且能提高聚类速度。     

基于ART2改进算法的故障聚类研究

ART2（自适应谐振理论2）算法是神经网络中一种可以对模拟输入信号或二值信号进行无监督聚类的算法,所以ART2算法能够降低数据挖掘中原始数据的预处理的复杂度,提高挖掘效率。针对ART2算法中出现的聚类中心偏移的缺点,采用ART2算法与K-均值算法相结合的方法来抑制ART2中聚类中心偏移的现象。通过仿真对该方法进行了验证。     

基于Fuzzy ART神经网络的Linux进程行为异常检测

研究了Linux进程行为的模式提取与异常检测问题。介绍了一种模糊神经网络Fuzzy ART及其实现,利用Fuzzy ART网络对Linux进程的系统调用序列进行模式提取,并据此进行异常检测。实验结果初步表明该方法是可行、有效的。最后说明了该方法的优点和不足。     

基于ART1人工神经网络的数据聚类

本文对数据聚类进行了研究，提出了一种利用ART1人工神经网络的数据聚类方法的结构和算法。     

神经网络自适应噪声对消器仿真

介绍一种新颖的非线性自适应滤波器——自适应神经网络滤波器。由于神经网络具有学习非线性函数到任意的精度以及自适应能力，这种滤波器优于线性滤波器，能适应各种噪声环境。在自适应ＬＭＳ算法基础上，提出了在线ＢＰ训练算法、收敛速度快。最后以自适应噪声对消系统为例，进行了计算机仿真，结果显示了这种滤波器的良好性能     

基于ART1网络的字符识别器

通过标准自适应共振理论神经网络(Adaptive Resonance Theory, ART),设计和实现了一个字符识别器,针对标准的 ART1网络存在的不足,即网络的学习不稳定,对样本输入顺序比较敏感等问题,给出了改进方法,用C语言实现了这2种字符识别器,实验结果表明这2种字符识别器能够对不同的字符进行识别,改进方法比基于标准ART1网络具有更好的稳定性。