基于数据挖掘的图书馆借阅量预测研究

图书馆借阅量受多种因素影响，导致传统基于线性回归和灰色理论的预测方法预测精度较低。针对该问题，引入数据挖掘理论和方法，提出一种基于因子分析(FA)模型联合粒子群(PSO)优化BP神经网络的图书馆借阅量预测模型。利用FA对借阅量原始数据进行建模分析，确定与借阅量密切相关的公共因子，将公共因子作为BP神经网络模型的输入神经元，进而建立预测模型实现对未来借阅量的预测，同时针对BP神经网络模型初始参数设置难题，提出改进的粒子群算法进行全局寻优，提升预测精度。仿真实现表明，所提模型相对于对比方法预测精度更高，整体预测性能更加优越。     

基于故障传播的模块化BP神经网络电路故障诊断

大规模的数模混合电路所含故障模式众多,电路故障状态复杂,且易发生传播,因而电路故障诊断难度较大。针对大规模电路发生故障时存在故障传播的问题,提出一种基于故障传播的模块化BP神经网络（MBPFP）故障诊断方法。首先,在电路模块划分的基础上分析子电路间的故障传播,并将故障源和故障传播源"模块化";然后,通过子电路的异常检测模型进行一级定位,缩小故障原因集合,确定故障模块;最后,利用目标模块的BP神经网络模型进行二级定位,实现故障诊断并识别故障模式。与传统BP神经网络等方法进行比较的实验结果表明,MBPFP故障诊断方法具有较高的故障覆盖率,在定位准确率方面提高了至少8个百分点,其性能优于传统BP神经网络等方法。     

BP神经网络在波音737自动刹车故障诊断中的应用

随着人工神经网络研究的兴起,智能故障诊断技术成为近年来人们研究的一个热点问题。自动刹车是飞机起降时的重要装置,需要定期对其进行故障检测,以免形成飞行安全隐患,是飞机故障诊断的一个重要内容。本文从传统的BP神经网络算法出发,通过算法改进建立了波音737自动刹车故障诊断的神经网络模型,通过提取故障样本对网络进行训练和诊断,仿真结果显示这种方法能较理想地对波音737飞机自动刹车系统的故障进行分析和检测,对于建立波音飞机的故障自动诊断系统具有重要意义。     

基于GA改进的LM-BP神经网络大规模模拟电路故障检测研究

LM-BP神经网络在使用过程中容易产生局部最优解的问题,这一现象严重地影响了检测效率和准确性,其自身的流量检测模型在进行大规模模拟电路检测时性能也不够优化,因此,本文设想了一种基于GA进行改进的BP神经网络算法来改善这一问题。在传统的大规模模拟电路故障检测中,经常会发生算法异常现象,所以必须对其进行优化和改进。借助混合编码方式对其进行优化,并对经常应用到的参数进行优化,其中包含交叉、变异算子等。新构建出的LM-BP神经网络大规模模拟电路故障检测系统可由网络异常流量数据对其进行实际检测,判断其可应用性。从研究结果来看,该种故障检测方式的准确性要远高于传统检测方式,无论是自身网络结构或是权值都都得到了大幅度地提升,解决了传统BP算法经常发生局部最优解的问题。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

改进矩阵分解与卷积神经网络结合的推荐模型

针对推荐系统评分数据稀疏和评价信息爆增等问题进行模型研究和改进。在传统矩阵分解模型基础上加入了用户和项目的影响因子，提高预测模型的泛化能力；建立跨通道卷积神经网络对用户评价信息进行识别，将改进的矩阵分解模型与改进卷积神经网络进行结合，提出一种改进矩阵分解与跨通道卷积神经网络结合的推荐模型，提高预测模型的准确度。实验结果表明，该模型预测性能相对于PMF、CTR和CDL在三个数据集上的最优性能分别提升2.96%、10.27%和1.77%，相对于MF&CNN性能分别提升0.29%、2.98%和0.08%；当数据密度从20%增至80%时，模型预测性能会进一步提升。     

基于神经网络的大规模模拟电路故障检测系统

设计了一个基于小波和神经网络的信号处理系统，该系统主要针对大规模模拟电路故障检测。针对传统诊断技术的局限性，讨论了利用神经网络方法分级诊断大规模模拟电路软故障的方案，通过小波变换提取故障特征，并利用神经网络的非线性映射特性逼近故障诊断模型。诊断结果表明基于人工神经网络的电路故障诊断方法是行之有效的。此方法具有广阔的应用前景，为大规模模拟电路故障诊断提供了新的理论依据和检测方法，并有希望研制成一套高效的检测设备。     

基于图卷积神经网络的充电量预测模型

针对现有的电动汽车充电量负荷预测模型准确性低、稳定性差等问题，提出了一种基于图卷积神经网络(GCN)和小生境免疫—狮子算法(NILA)改进的预测模型，实现电动汽车充电量的准确预测。同时，本研究还设计三相交流充电桩控制系统，其中包括了三相交流充电桩与控制状态检测的硬件电路。实验结果表明，本研究NILA-GCN模型在电动汽车充电量负荷预测中具有较好的准确性，预测误差范围控制在[0.23%,2.86%]。     

融合MLP与循环神经网络算法的语法自动纠错方法研究

为了进一步提升语法自动纠错技术的实用性，研究对以循环神经网络为核心的Sep2Sep模型进行优化改进，引入双向LSTM循环神经网络，将基于双向LSTM的Sep2Sep模型与MLP神经网络相结合构建语法自动纠错系统，并通过测试实验验证语法自动纠错系统的准确率。研究结果表明，研究所设计的语法自动纠错系统F_0.5值为56.37,P值和R值分别为66.78和35.09,检测准确率较高。纠错系统的运行响应时间保持在1.34 s,能在多个检测目标并发情况下进行快速系统响应。研究利用双向LSTM和MLP神经网络解决传统纠错模型的梯度爆炸问题，并采用分布式架构提升自动纠错系统的运行能力，对进一步加强自动语法纠错技术的实用性具有重要意义。     

基于改进相关向量机的模拟电路故障预测

针对模拟电路实际使用过程中的可靠性问题，提出一种基于改进相关向量机的模拟电路故障预测方法。在提取被测电路的故障特征参数之后，将传统相关向量机中单个核函数改进为多个不同核函数组合形成混合核函数，提高算法的泛化性能。利用量子方法改进人工蜂群算法提升其优化效果以对各个核函数的权重因子寻优，从而提高算法的预测精度。将离散灰色模型与多核相关向量机相结合，提升算法的长期趋势预测性能。仿真结果表明，该方法的绝对误差、相对误差和测试误差均小于传统的相关向量机预测方法。     

基于PSO-SVM的电机故障检测

传统智能故障检测模型中算法初始参数复杂,选取难度较大,缺乏自学习、自组织能力、泛化能力弱,极易陷入局部极小值、算法单一等缺点.组合应用智能检测算法可整合不同算法优势,避免单一算法缺点,为此,文中提出支持向量机算法与改进粒子群算法相结合的电机故障检测模型:以电机故障特征频率特征数据为基础,首先使用改进全局求解性能的粒子群算法求解影响支持向量机分类检测性能的最佳参数,然后把最佳参数应用于的擅长模式识别的支持向量机算法,进行样本数据的训练,构建故障检测模型;最后,使用故障检测模型对电机的状态进行预测.实验结果表明,采用该方法进行故障检测的准确率,比传统的神经网络方法提高17%,比纯支持向量机算法提高3.33%.     

关联规则在个性化图书推荐中的应用研究

为了提高图书的借阅率,满足读者的个性化需求,提出使用关联规则挖掘技术。当读者借阅某本图书时,自动从海量图书中找到与该图书相关的书籍推荐给读者。实践证明该方法能减少读者寻找相关图书的时间,达到个性化推荐的目的。     

基于RBF神经网络的变电站直流系统接地故障自动检测方法

由于传统方法无法准确检测出直流系统接地故障,且难以满足自动监测的快速性要求,研究基于RBF神经网络的变电站直流系统接地故障自动检测方法。利用非线性映射收敛能力,确定残差与高斯白噪声序列,建立神经网络故障检测模型;通过分析线圈电阻与电压变化的特征,提取直流系统接地故障特征;将RBF神经网络与数据融合技术相结合,分析滤波后数据是否存在接地故障;利用边缘节点预测故障信息并设置自动预警系统,将支持向量机与遗传算法结合,实现接地故障自动化检测。测试结果表明：在接地故障自动检测方法优化后,当系统运行时间为20 s时,电压处于峰值状态,为3.8×10⁴V,并且接地故障检测的平均准确率为95.772%,可见优化后的方法可以提高故障检测的准确率。     

基于GA特征选择和BP神经网络的模拟电路故障检测

针对模拟电路故障检测中存在测试节点数较多的问题,提出遗传算法与BP神经网络相结合的方法;利用遗传算法的全局、并行寻优能力对模拟电路的系统特征进行优化选择,从而减少BP神经网络输入层节点数;用MATLAB软件对仿真实例数据进行编程实验,直接使用BP神经网络,检测率为66.7%,采用遗传算法与BP神经网络结合的方法,检测率可为100%;结果表明,相对于传统的BP神经网络方法,该方法提高了模拟电路故障检测的平均正确率。     

基于改进LLE的Elman神经网络电路故障诊断

如今的电路越来越复杂,随之而来的就是电路系统的高故障性,所以如何定位故障发生成为一大难题。文中基于提高故障诊断性能的目的,先采用一种改进的局部线性分析算法作为初始数据处理器对输出响应序列进行降维,提取故障特征向量,然后再通过OIF-Elman神经网络搭建故障分类器,对电路进行故障检测。仿真结果表明,将改进过的局部线性分析算法和OIF-Elman神经网络应用到故障诊断中,不仅具有比传统BP神经网络更精确的故障诊断正确率,且整个网络的收敛速度也会有明显提升。     

模块化神经网络容差模拟电路故障检测

容差模拟电路故障检测对于电子设备的稳定运行而言至关重要,针对传统检测算法计算代价大、训练时间长及检测误差率高的不足,提出基于模块化神经网络的容差模拟电路故障检测算法研究。对神经网络检测模型的功能模块进行划分,并基于功能模块提取容差模拟电路的故障信号特征;基于样本中心到故障特征点的欧式距离,对比故障样本的特征向量,依据模块化神经网络决策分类函数,实现对容差模拟电路故障的准确定位和检测。仿真数据表明,在不同样本容量条件下提出检测算法均具有优势,最低误差值为0.382%.     

一种基于神经网络的入侵检测系统研究

提出在入侵检测系统模型设计中引入神经网络技术,建立了一个基于神经网络的入侵检测系统模型。针对传统BP算法存在的一些固有缺点,提出增加动量项与自适应调节学习速率相结合的改进算法,一定程度上克服了BP神经网络存在的问题。实验结果表明,基于改进的BP神经网络的入侵检测方法具有良好的检测性能。     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

电气设备振动故障实时监测预警方法

为及时发现电气设备振动故障，确保其稳定运行，研究电气设备振动故障实时监测预警方法。使用基于单片机的信号采集技术采集电气设备振动信号，结合CEEMD与改进小波阈值去噪方法，去除电气设备振动信号中的噪声元素后，进行归一化处理。利用卷积神经网络，通过全连接层前增加卷积层的方式，构建基于改进卷积神经网络的电气设备故障诊断模型，感知与预测电气设备振动故障并及时预警。实验结果表明，该方法可有效监测预警电气设备振动故障，具有较好的信号采集、去噪以及故障监测预警效果。     

基于遗传BP网络的模拟电路故障诊断方法及其应用

针对BP网络诊断模拟电路故障时存在网络结构复杂且可能出现误诊断的不足,提出一种小波变换、遗传算法与神经网络相结合的模拟电路故障诊断的新方法.该方法使用节点电压信号经小波变换、主元分析和归一化处理来实现故障特征的提取,以减少信号的冗余;由于BP网络易陷入局部最优,采用遗传箅法来优化BP网络的结构和初始权值分布,使优化后的神经网络具有较好的收敛性能.最后结合电路实例,对文中提出诊断方法的原理与实现进行了较深入的分析,建立了该方法的测试系统,并通过工程应用效果进一步验证了文中方法的正确性.