基于改进BP神经网络算法的多指标综合评价方法的应用研究

研究利用误差反向传播人工神经网络(BP网络)的多指标综合评价问题，以建设工程项目招标评标为背景，建立了多指标综合评价的BP模型，引入附加动量法和变步长算法，对BP神经网络算法改造，大大提高了学习训练速度，运用这种神经网络来解决实际问题，并给出了结果．     

改进的BP网络在凝汽器系统故障诊断中应用

结合牛顿非线性优化方法,提出了一种改进的BP网络学习算法,将其应用于凝汽器系统故障诊断中,列举了凝汽器典型故障集和征兆集,建立了凝汽器典型故障征兆模式知识源.实例证明:该算法收敛速度快、计算精度高.     

BP网络模型的改进方法综述

介绍了BP网络模型、BP算法、BP算法存在的问题及其原因、针对BP算法三个主要问题（隐层数及隐层节点个数的难以确定、收敛速度较慢,易陷入局部极小点）的改进方法进行了探讨,提出了动量法、遗传算法、混沌法等方法。     

基于神经网络的液压泵故障诊断--学习系统的分析

说明了基于神经网络的故障诊断的学习系统的原理，分析了多层感知器的隐层节点数的确定和对BP算法的改进，并以液压泵的故障诊断为例，解释了此学习系统的实现过程，在对BP算法改进之后，系统能很好地实现学习功能，完全达到了预期的结果。     

BP 神经网络改进算法的应用

目的通过 MATLAB 实现 BP 神经网络的改进算法. 方法采用了动量法和学习率自适应调整的策略. 结果运用 MATLAB 对 BP 神经网络进行初始化和训练. 结论实践证明, 改进了的 BP 神经网络算法, 提高了学习速度, 增加了算法的可行性. 利用 MATLAB 软件提供的工具箱编制 BP 网络解决非线性问题是一种便捷、有效、省事的途径.     

基于BP神经网络的凝汽器的故障诊断

介绍了凝汽器的故障诊断常用的三种诊断方法,BP神经网络法、模糊诊断法、模糊模式识别法。通过比较发现BP神经网络相对于另外两种诊断方法具有明显的针对性和准确性。然后,在BP神经网络诊断的基础上进行了“基于BP神经网络的凝汽器的故障诊断”系统的开发。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

基于ROC曲线优化的车辆行驶状态估计BP模型

针对现有行车状态估计器难以适应复杂非线性模型,结合BP神经网络在解决非线性系统方面表现出优良的性能,采用ROC曲线(受试者特征工作曲线)对BP神经网络算法进行优化,依据各个节点权重值的变化情况绘制学习机器相应的ROC曲线,将ROC曲线下方面积作为各个节点权重值选取的唯一准则,每次在同一节点进行变步长的搜索(大步长和小步长),并根据不同步长的搜索结果确定下一次步长的大小,以确定最佳的权重值,最后以波动性较强的车辆横摆角速度作为样例对算法进行验证.研究结果表明:通过ROC对其性能的评价,加速了BP网络的收敛速度,在一定程度上避免了出现局部最小值的情况,提高了模型的容错能力;优化后的模型在5%误判率的情况下有较高的击中概率,表现出更强的泛化能力,适应性更强.     

基于改进BP网络的电力系统超短期负荷预测

超短期电力负荷预测是电力系统运行管理的重要工作之一。本文提出了一种基于改进BP网络的超短期负荷预测方法。考虑了训练样本中坏数据的剔除,建立了变结构的BP网络模型,然后采用变学习步长的方法对BP网络模型进行训练。对某地区实际负荷的预测结果表明该方法有较高的预测精度,能取得令人满意的结果。     

基于SOM神经网络的凝汽器故障诊断研究

应用自组织特征映射(SOM)神经网络实现凝汽器的故障诊断。介绍了SOM网络的结构和学习算法;总结了凝汽器的故障集、征兆集和故障特征数据。在MATLAB环境下给出了凝汽器故障诊断的具体实例,表明该方法是一种可行有效的凝汽器故障诊断方法。     

LMBP神经网络算法的改进

针对LMBP神经网络算法的一些不足,如计算量大,收敛速度慢等特点,提出一些改进方法,即将求逆矩阵G-1移到等式左边,用直接分解法求解,极大地减少了计算量,并且采用变步长代替原来的固定步长.通过结合聚合釜的现场数据集进行故障诊断的仿真实验,结果表明所提改进LMBP故障诊断方法有效、可行.     

基于遗传神经网络的直接空冷凝汽器故障诊断研究

针对直接空冷凝汽器的结构特点,归纳了运行中可能发生的典型故障,包括真空系统不严密、凝汽器积灰、凝汽器结冰等11个故障。确定了能够正确反映上述故障征兆的过程参数,进一步改进了直接空冷凝汽器故障征兆集。在此基础上利用遗传神经网络对直接空冷凝汽器进行故障诊断。该算法利用遗传算法高效、并行、全局搜索特点,解决了神经网络收敛速度慢,容易陷入极小点的问题。最后,将该方法用于某直接空冷凝汽器故障诊断中,结果表明该算法诊断迅速且诊断结果准确。     

基于不同学习算法的RBF神经网络在故障诊断中的应用

基于对RBF神经网络常用的3种学习算法的研究,通过对凝汽器典型故障类型与故障征兆分析,提出了基于不同学习算法的RBF神经网络凝汽器故障诊断,并对诊断结果进行比较.诊断结果表明,基于3种常见学习算法的RBF神经网络都可以准确诊断出凝汽器的各种故障,但聚类方法和OLS算法学习速度要快得多,梯度训练方法速度较慢.研究还表明,RBF神经网络在故障诊断领域具有很好的实用性.     

基于改进果蝇算法优化PNN的变压器故障诊断研究

为了提高电力变压器故障诊断准确率,通过分析变压器油中溶解气体数据,提出了一种定向变步长的果蝇算法(DVSFOA)与概率神经网络(PNN)相结合的变压器故障诊断模型。由于PNN的参数平滑因子对输出结果影响较大,对果蝇算法位置公式进行更新调整,对平滑因子进行参数寻优,将优化结果赋值给PNN模型进行网络训练,得到了用于变压器故障诊断的最佳网络模型。实验结果表明,该组合算法具有较高的诊断精度,收敛速度快,整体性能高。     

结合N-W方法的L-M算法在变压器故障诊断中的应用

在分析Levenberg-Marquardt(L-M)算法和Nguyen-Widrow(N-W)方法原理的基础上,提出了一种多层前馈神经网络训练算法,该算法在使用N—W方法初始化神经网络可变参数的基础上使用L-M算法训练多层前馈神经网络。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,使用了标准BP算法、加动量项BP算法和结合N-W方法的L-M算法训练该网络,结果表明算法收敛速度快、不容易陷入局部极小点。将训练所得网络用于变压器油中溶解气体分析故障诊断,诊断结果验证了该方法的有效性。     

贝叶斯网络在车辆状态远程故障诊断系统中的应用

为了解决车辆状态远程故障诊断系统中的不确定性问题,提出了一种基于贝叶斯网络模型的故障诊断方法．这种故障诊断方法可在输入数据不完备,甚至含噪的情况下,充分利用贝叶斯网络的先验知识以及建模学习能力和概率推理算法来应对不确定性问题的表示和推理,完成系统的故障诊断．实验结果表明,贝叶斯网络方法在车辆故障诊断速度、准确性方面优于传统的基于BP算法或RBF算法的诊断方法,并且提高了故障诊断系统的鲁棒性．     

对称PMC(SPMC)模型下节点可诊断性研究

在图论和网络科学上,网络故障诊断是目前非常受欢迎的课题之一,影响着多处理器系统的可靠性与安全性。随着多处理器系统规模的急速增长,系统的全局故障诊断模式适用性降低,相应地,局部故障诊断得益于对网络拓扑结构的要求较低,可对网络分块处理,大幅提高了诊断效率,具有更强的适用性,成为了新的研究方向。针对最新的对称PMC(SPMC)模型,研究了网络节点可诊断(局部诊断)的相关性质,提出了新的拓扑结构(拓展树结构),得到了在SPMC模型下网络节点可诊断的条件以及节点可诊断与系统可诊断的关系,并给出了扩展树结构上各节点是否故障的判定定理及详细证明。根据该定理,提出了扩展树结构网络的悲观故障诊断算法ST₂_B-FDA,并应用到超立方体网络中进行仿真实验,验证算法的有效性。该算法时间复杂度仅O(NlogN),远低于一些传统故障诊断算法的时间复杂度,可有效降低诊断成本,大幅度提升诊断效率。此外,所提出算法原理简单,便于实现及应用,也可作为大规模规则网络系统的诊断方法之一。     

一种变步长因子及变动量因子的自适应算法

作为对动量ＬＭＳ算法的补充和改进,提出了一种带有变步长和变动量因子的自适应算法,该算法将传统的动量ＬＭＳ算法中的常量步长调节因子与常系数的动量调节因子均改变成随机变量,从而为自适应滤波器提供了更好的收敛特性,计算机模拟的结果表明,给出的算法在平滑随扰动和加快收敛速度方面起到了一定的作用。     

基于神经网络的模拟电路故障诊断

针对目前模拟电路故障诊断中存在的容差和非线性特性所带来的诊断难点,提出了一种基于LM算法的神经网络故障诊断方法;主要包括故障特征的选取以及神经网络的建立.其中网络隐含层节点数的选取采用黄金分割优选法.试验仿真表明,LM算法明显提高了网络训练速度,减少了训练时间,其效果优于标准BP算法,可有效提高故障诊断性能.