基于连续型小波神经网络的煤层底板破坏深度预测

鉴于BP神经网络在预测中收敛速度慢,易陷入局部最优等缺陷,提出了利用连续型小波神经网络进行煤层底板破坏深度预测;简单介绍了连续型小波神经网络的网络结构与学习过程,为隐节点数的确定提供了经验公式以及判断多余隐节点的检验公式,避免了BP网络在确定隐节点数上的盲目性。通过连续型小波神经网络进行底板破坏深度实例预测,并与BP神...     

基于MATLAB的RBF神经网络在建筑物沉降预测中的应用

介绍了RBF神经网络的模型和结构,提出将该网络应用于建筑物沉降预测。运用Matlab工具箱函数建立了沉降预测网络模型,编制了计算程序,通过工程实例验证了该模型的正确性和可行性,并和BP神经网络在收敛速度上进行了比较,结果表明RBF神经网络的收敛速度远远快于BP网络。     

基于BP神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系。建立了基于BP神经网络的旋转机械故障诊断模型,并用此模型对旋转机械的故障进行了诊断,实验证明基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

基于小波遗传神经网络的大型直线振动筛故障诊断

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪处理和故障特征提取,设计系统故障诊断的BP神经网络,并用遗传算法对网络结构、参数和学习规则进行优化。通过样本训练和测试,这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。     

基于遗传小波网络的电动机故障诊断

对基本的遗传算法进行了改进,并将其与BP算法相结合构成混合算法应用到电动机故障诊断的小波神经网络训练中。仿真结果表明,该算法有效地解决了小波网络初值设置不合理,极易进入局部极小的区域,以致网络振荡增大、不收敛,而GA算法独立训练神经网络速度缓慢等缺点。用训练过的小波神经网络模型对5组电动机故障进行验证和诊断的仿真结果也表明了,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电动机故障诊断的有效性。     

基于混沌相空间重构的LS-SVM模型的动态变形数据特征预报分析

文中应用BP算法、遗传算法、混沌理论及支持向量机,建立各种模型对变形体进行预报,通过实例分析得知,对于大多数变形体的变形数据来说,基于混沌相空间重构的LS-SVM预报模型的预报能力均优于GA-BP网络预报模型和BP网络模型,且具有更高的可靠性。     

基于模糊小波神经网络的永磁直线同步电机故障诊断

在分析永磁直线同步电机故障的基础上,采用小波基函数作为模糊隶属函数,将模糊控制与神经网络相结合,建立模糊小波神经网络模型,实现对永磁直线同步电机的故障诊断。针对BP算法的不足,使用混合学习算法训练网络,优化了网络参数。仿真结果表明该方法是很有效的。     

小波-BP神经网络模型在地铁变形预测中的应用

为了能够及时对地铁变形情况做出有效预测,该文建立了小波-BP神经网络预测模型。通过与BP神经网络模型预测结果的对比,我们得到小波-BP神经网络模型比BP神经网络模型的预测结果精度更高,模型更稳定,能够为地铁变形监测提供更有价值的参考。     

基于神经网络和证据理论的煤矿风险预警模型

建立了煤矿风险预警指标体系,提出基于BP神经网络和D—S证据理论的煤矿风险预警模型。通过多个BP神经网络输出结果构造证据理论的基本可信度分配(BPA),可以克服BPA传统构造方法带来的主观因素影响,也可以解决单一BP神经网络输出的不稳定问题。实例分析和仿真表明,该模型预警结果准确可靠。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.     

基于气体传感器阵列的矿井可燃混合气体分析

由于气体传感器的选择性差,交叉敏感严重,单一BP神经网络识别方法存在识别能力低,分析误差较大,在非期望节点有噪声输出等难题,影响气体分析的精度和效果。对基于常规BP神经网络的定量分析方法进行了改进,提出一种双层复合神经网络的气体分析模型,并以矿井中常见的H2S,CO和CH4 3种可燃混合气体为实验对象,进行混合气体的定量分析。实验结果表明,基于双层复合神经网络的可燃混合气体定量分析最大相对误差为4.4%,大大提高了定量分析精度。     

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。     

钢丝绳漏磁检测信号的处理

漏磁检测是无损检测中的一种重要方式,采用漏磁法对钢丝绳进行检测时,关键问题是对漏磁信号的处理,应用小波变换和小波网络技术对漏磁检测信号进行分析处理,形成良好的网络,然后对钢丝绳进行检测,结果达到了一定的准确度,表明漏磁检测信号处理技术在实际应用中具有可行性。     

小波包-BP神经网络在采煤机滚动轴承故障诊断中的应用

针对采煤机在正常工作中经常发生轴承故障的问题,提出了小波包和BP神经网络相结合的故障诊断系统。即运用小波包的分解方法提取检测信号的故障信息作为BP神经网络的输入样本,经过训练的神经网络可对采煤机上轴承的工作状态进行诊断和分类。试验结果表明,此方法对轴承的常见故障可进行有效的识别和诊断,方法简单可靠。     

基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析（SA）方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型（SA-WNN）。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络（ICA-WNN）模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。     

基于SA-WNN模型的油价预测研究

原油价格不仅受到传统供需面因素的影响,在短期内更容易受到战争、金融危机、自然灾害、政治事件等非常规性因素的影响。为了更加准确地刻画国际油价走势,完善油价预测理论体系,论文首先运用情感分析（SA）方法对反映非常规影响因素的文本数据进行预处理,然后根据文本计算市场趋势项,再将该项作为小波神经网络(WNN)的输入数据,构建基于情感分析的小波神经网络预测模型（SA-WNN）。预测的结果显示,相对于传统BP神经网络模型和基于独立源分析的小波神经网络（ICA-WNN）模型,SA-WNN模型能够准确判断油价的方向性走势,是一种更加优秀的预测模型。     

小波遗传神经网络在大型直线振动筛故障诊断中的应用

以大型直线振动筛侧帮裂纹为研究对象,利用小波分析对振动信号进行降噪和故障特征提取,设计了用于系统故障诊断的BP神经网络,并用遗传算法对网络结构和参数进行优化。通过样本训练、测试和在振动筛侧筛裂纹诊断中的应用,证明了这种小波遗传神经网络具有较高的故障识别能力、分类精度和速度。