采用改进LM算法的网络流量分类方法

针对传统的流量分类方法准确率低、开销大、应用范围受限等问题,提出一种有效的网络流量分类方法（GA-LM）。该方法将基于神经网络的分类方法作为网络流量的分类模型,采用L-M算法构造分类器,并用遗传算法优化网络初始连接权值,加速了网络收敛过程,提高了分类性能。通过对收集到的实际网络流量数据进行分类,实验结果表明GA-LM比标准BP算法和L-M算法的收敛速度快,具有较好的可行性和高准确性,从而可有效地用于网络流量分类中。     

基于改进禁忌算法和ANN 的故障诊断推理

针对BP神经网络存在着容易陷入局部极小值且收敛速度慢的问题,提出了一种基于改进禁忌算法和ANN（Artificial neural network）结合的故障诊断模型．首先对故障诊断模型进行了定义,然后使用训练数据对网络的权值、阀值等参数进行训练,将训练结果作为改进禁忌优化算法的初始解进行全局寻优,对改进的禁忌优化算法进行了定义和描述,最后将全局寻优的结果代入神经网络中,使用测试数据进行故障诊断．通过仿真实验证明文中的方法与未经优化的ANN故障诊断模型相比,克服了传统方法的不足,具有诊断精度高、诊断速度快以及收敛速度快的特点．     

L-M优化BP算法在短期负荷预测中的应用

在分析传统BP算法的不足的基础上,提出了将Levenbery-Marquard、优化法与神经网络模型相结合的L-M优化BP算法。此方法与传统算法相比学习速度得到了提高,网络的收敛加快,尽量避免了系统陷入局部最小;针对某电力局某地区的单条线路的实际数据,采用基于Levenbery-Marquardt优化的I3P算法的神经网络模型对其进行了仿真,结果表明该方法具有较高的预测精度和较强的适应能力。     

基于粒子群神经网络的发动机故障诊断

本文提出了一种基于粒子群优化算法和多层前向神经网络的新型进化神经网络模型（PSO-ANN）。在实例研究中，该模型被应用于汽车发动机故障诊断中。与传统BP网络诊断结果相比，本文方法具有运算效率高，收敛速度快的特点，是一种有效可靠的新型故障诊断技术。     

一种改进的神经网络机械故障诊断专家系统

针对传统BP神经网络训练中收敛速度较慢的缺点,提出一种基于L-M算法的神经网络应用于机械设备故障诊断的专家系统。论述了神经网络的专家系统结构,并以7216圆锥轴承试验研究为例,建立了基于该算法的故障诊断模型。仿真结果表明:该模型显著缩短了训练时间,具有较高的准确性。运用该神经网络专家系统进行机械故障诊断是有效的。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

改进的BP算法在混凝土适筋梁挠度预测中的研究

BP神经网络已被广泛应用于多个研究领域,为克服和改善传统的BP算法收敛速度慢、易陷入局部极小、泛化能力差的缺陷,基于混凝土适筋梁挠度预测的实际工程问题,提出L-M算法,并对现场的原始数据进行分组取样;实验数据对比及算法仿真结果表明,基于改进的L-M算法的神经网络推算钢筋混凝土适筋梁长期挠度的方法是可行的,并且L-M算法比传统BP算法收敛速度快,挠度的预测结果比规范计算结果更加接近实测数据;应用结果表明,L-M算法利用二阶导数的特性,加快了收敛速度,提高了计算精度;而运用分组取样法则提高了网络的泛化能力.     

基于模糊神经网络的煤矿供配电故障诊断

针对目前煤矿供配电故障诊断方法不能满足国家要求,故障诊断准确率低的问题,研究根据深度学习的特性,以煤矿供配电网为研究对象,构建一个基于模糊神经网络的故障诊断模型。首先,以BP神经网络作为基本算法,利用其可对深层特征进行提取和学习的特点,并根据模糊系统的优点,将两者集合起来进行互补,由此得到一个模糊神经网络模型;然后通过L-M算法对模型参数进行训练,以提升模型性能。最后通过实验验证构建模型的优越性,并比较L-M算法和其他训练算法的效果。结果证明L-M算法对模型的训练效果最好,通过此算法提升了模型的故障诊断准确率,可在煤矿供配电中进行应用。     

基于BP神经网络的故障诊断模型研究

滚动轴承是旋转机械中最常用的部件之一。滚动轴承很容易损坏，而它的工作条件通常比较复杂，很难对其故障进行准确判断。为了提高滚动轴承故障诊断的有效性，构建了一种新的基于改进量子蜂群算法和BP神经网络的滚动轴承故障诊断模型（IQABC-BP）。首先针对量子蜂群算法在种群初始化和进化过程中存在的问题，提出了一种改进量子蜂群算法，然后利用改进量子蜂群算法对BP神经网络的初始权值、阈值和隐含层单元数进行优化，建立了一种具有超并行超高速的基于改进量子蜂群算法的BP神经网络模型，并应用于滚动轴承的故障诊断中。实验结果表明，IQABC-BP模型收敛速度更快，故障诊断效果更好，具有很好的应用价值。     

基于BP算法和ACO算法的故障诊断推理研究

BP算法在故障诊断领域已取得广泛应用,但其存在收敛速度慢且容易陷入局部最小值的缺陷,限制了其进一步的发展;ACO(Ant colony optimization)算法是一种模拟进化算法,已很好地应用于解决旅行商和资源两次分配等经典的优化问题,具有启发式收敛、正反馈以及分布式计算等优点;为此,将ACO算法引入BP算法故障诊断方法中,使用ACO算法对BP网络中的参数即权值、阈值以及学习率等进行优化,定义了一种结合ACO算法和BP算法能对故障进行诊断的新算法,并将其应用于具体的故障诊断实例中,最后,通过100组样本中的95组进行训练,并对剩余5组进行故障诊断,实验证明结合ACO算法和BP算法的新算法较传统的仅使用BP算法的诊断方法具有收敛速度快、诊断精确高以及训练性能好的优点。     

BP神经网络在雷达故障诊断中的应用研究

对雷达混合电路故障诊断问题进行了研究,针对传统雷达故障诊断中的“自适应差”,“过分依赖故障数学模型”的缺陷。采用了一种故障诊断表示模型,提出将专家系统与神经网络相结合的诊断方法,避免了在实际中雷达电路难以建立精确的数学模型的问题。利用人工神经网络理论为其建立了BP神经故障诊断网络,增加了雷达电路故障诊断系统的“自适应性”。进而给出了网络训练算法和诊断步骤,最后给出了在某型雷达设备上仿真调试诊断的实例。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

一种混合遗传算法和BP算法的故障诊断方法的研究

将遗传算法和人工神经网络结合，构成一种新的混合智能学习算法，并用于732电路的故障诊断。经仿真实验，该算法在网络的权值训练和故障的诊断精度均优于单一的基于人工神经网络的故障诊断。     

多层前向神经网络在柴油机故障诊断系统中的应用研究

故障诊断是计算机模式识别领域的一个活跃课题。文中提出了基于ANN的柴油机故障诊断方法,设计了适合该诊断系统的BP网络结构,并给出了一种改进的BP算法(IBP),该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明:该算法比标准BP算法具有更快的学习速度和更高的学习精度,完全适用于柴油机故障诊断系统。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传（GA）算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法（GABP）,并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

遗传神经网络在语音识别中的应用研究

针对语音识别的特点,对BP神经网络在语音识别技术中的应用进行了探索性研究,进而结合人工智能领域较为有效的方法——遗传(GA)算法,针对传统BP算法识别准确率高但训练速度慢的缺点,对BP网络进行改进,构建了一种基于遗传神经网络的语音识别算法(GABP),并建立相应的语音识别系统。仿真实验表明,该算法有效地缩短了识别时间,提高了网络训练速度和语音的识别率。     

基于神经网络的柴油机故障诊断方法

提出了一种基于三层BP网络的柴油机故障诊断模型，给出了一种基于黄金分割法的变步长学习算法。仿真结果表明，该算法比标准BP算法具有更快的学习速度，完全适用于柴油机故障诊断系统。     

基于免疫遗传算法改进的BP神经网络在灭火系统电路板故障诊断中的应用

针对装甲车辆灭火系统电路板规模较大,功能日趋多样与完善的同时,其复杂程度也日益提高,故障层次越来越多,故障现象与故障原因的映射关系更加复杂,组合故障频发,传统的故障诊断方法已不能满足灭火系统电路板故障诊断的要求。设计了基于免疫遗传算法优化的BP神经网络对灭火系统电路板进行故障诊断,并在免疫和遗传过程中保留了部分训练最优解。实现了神经网络收敛速度的提高,使用Matlab编程优化算法并完成了电路板仿真故障的诊断。通过实验验证了该诊断模型的准确性和可靠性,为电气系统通用检测设备的神经网络诊断方法实现提供了理论支撑。     

基于模糊聚类神经网络的电站锅炉故障诊断研究

建立了电站锅炉故障样本及其故障诊断的模块化模糊网络模型,并用可能性聚类算法对所建模型进行了样本聚类,有效地避免噪声对聚类结果的影响,保证了聚类正确性。实验结果表明其网络训练速度和精度明显提高,解决了BP网络应用于复杂系统故障诊断时容易陷入全局最小问题。且该网络采用多输出结构不仅能对故障是否发生进行故障诊断,而且还能判断故障发生的严重程度。     

模拟电路故障的分布式诊断算法

提出一种模拟电路故障的分布式诊断算法,用以解决大数据量故障样本集所带来的网络规模过大,训练时间过长等问题。该算法采用有监督Hebb学习规则,在训练学习过程中添加类别标识,避免了因数据分割而产生的部分知识的丢失。分别用提出的分布式算法和传统的BP算法对实例电路进行故障诊断,实验结果表明,提出的分布式算法不仅和BP算法的诊断正确率相当,而且有效地提高了训练学习的速度。