一种改进模糊神经网络及其在故障诊断中的应用

构造了一种改进模糊神经网络模型，该网络由四层神经元构成，第二层为模糊化支，文中给出了该层的通用隶属函数表达式。计及否定规则的影响，提出了扩展通用隶属函数的概念，并结合汽轮发电机组振动故障的不同特征征兆，给出了其具体表达式。在该网络的第二层与第四层间建立了部分直接连接关系，根据不同征兆对故障诊断结果的重要度不同，赋予了部分连接的优先权值，阐述了建立部分连接的依据和优先权值的确定方法，给出了网络的具体学习算法，并从单故障和多故障识别两个角度，比较了该模型与某改进BP网络的诊断结果，证明了该模型具有较强的故障识别能力。     

RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

一种改进的模糊神经网络控制器学习算法

提出了一种改进的模糊神经网络混合学习算法,运用遗传算法优化构成隶属函数的网络结构,运用最小二乘法进行解模糊,具有更高的学习精度和更快的收敛速度,解决了在多变量系统中采用模糊神经网络时学习收敛慢且易陷入局部极小点的问题。     

模糊神经网络在电磁铸造液柱成形控制中的应用

电磁铸造的液柱成形性控制是工艺成败及获得合理的形状铸锭的关键，稳定、合适的液柱高反映了各种工艺参数的良好配合，采用基于模糊理神经网络预测方法，通过对铸造系统电信电信号的踊跃，进行模糊模式识别，预测液高度，结果表明，基于模糊神经网络的控制系统使得过程中液柱高度更加稳定，有利于电磁铸工艺过程的顺利进行，使铸锭的表面质量得到的改善。     

深度卷积神经网络在混沌振动识别中的应用研究

针对混沌振动信号识别中,混沌特征指数计算量大、运算耗时长,难以满足实时性的要求,提出一种基于深度卷积神经网络的智能混沌识别方法.首先通过相空间重构技术,得到不同振动信号的吸引子图;在此基础上,优化设计了经典网络模型AlexNet的结构参数并进行训练;最后将改进后的模型用于混沌信号的智能识别.仿真和实测信号的结果表明,该...     

神经网络在二维图像识别中的应用

本文提出了一种基于神经网络的二维图像识别技术。选取一组机械零件的二维图像,对每张图像进行放缩和旋转变换,并分析、提取对应图像的nmi特征和7个不变矩特征作为BP网络的输入样本,图像的二进制编号为输出样本构建BP神经网络。并对网络进行抗干扰训练,使网络对理想输入及带噪声的输入均有较好的识别率。实验证明该网络具有一定的工程实用性。     

模糊聚类分析在模糊神经网络结构优化中的应用

研究了模糊聚类分析在多变量模糊神经网络的结构确定中的应用,在传统的模糊C－均值算法的基础上,给出了一个衡量聚类有效性的函数和确定模糊指数的启发式方法,并给出了应用该算法的具体的模糊神经网络模型。     

一种基于模糊理论和神经网络的水雷状态识别方法

介绍了一种基于模糊集合和神经网络的水雷状态识别方法,该方法根据实际情况,将模糊集合和径向基函数神经网络结合起来,用于水雷状态的识别,仿真结果表明,这种识别方法性能稳定,且有很高的识别精度。     

补偿模糊神经网络的改进及其在通风空调故障诊断中的应用

对传统补偿模糊神经网络(CFNN)的算法进行了改进,提出了动态调整学习步长的方法,避免了较大震荡,同时加快了迭代速度,与定学习步长的方法相比,学习速度和误差精度都有大大提高,最后通过仿真实验证明该方法在地下通风空调系统故障诊断中,具有收敛速度快,诊断精度高,并且适应性强等优点.     

模糊神经网络在高层建筑横风向振动控制中的应用研究

提出了模糊神经网络方法控制高层建筑横风向风振反应。通过观测部分楼层加速度和控制力输出，建立了模糊神经网络控制器，解决了传统控制中有限的传感器数目对系统振动状态估计的困难．利用模糊神经网络控制器预测结构的控制行为，消除了闭环控制系统中存在的时滞。利用模糊神经网络控制器的自学习能力来确定模糊规则和语言变量隶属函数，解决了土木工程复杂结构模糊控制中，难于依据专家的主观经验来确定模糊控制规则和语言变量隶属函数等困难。模糊神经网络方法的优势在于算法自身的鲁棒性，处理结构非线性、参数不确定性及时变等问题的能力。通过对基准建筑的刚度不确定性分析，讨论了模糊神经网络控制器的鲁棒性。仿真分析表明，模糊神经网络控制策略能有效地抑制高层建筑的横风向风振反应，控制效果略优于LQG控制，而拥有LQG控制不具备的诸多优点。     

基于模糊神经网络的液体火箭发动机振动检测

液体火箭发动机振动检测涉及部件振动数据的收集、振动特征的抽取与度量以及度量结果的决策。基于模糊神经网络提出了一种发动机振动故障检测的基本系统。这种技术的吸引力在于：神经网络采用可变模糊集代表发动机工作模式，自然地提供了反映故障程度的有用信息；神经网络的离线学习算法可以从训练样本中提取振动知识；神经网络的监测算法不仅能正确预报故障，同时也能对新的振动信息进行在线学习。实验研究结果表明：模糊神经网络可以成功地用于泵压式液体火箭发动机热试车的振动故障检测。     

递归神经网络的模糊随机学习算法

提出了一种新的基于模糊逻辑的Alopex学习算法（FLA）。FLA算法利用模糊逻辑推理实时获得适应于学习过程的适当的算法修正值，克服了Alopex算法中修正值固定不变的缺点，使得随机学习过程在速度、精度和稳定性之间获得平衡。将该算法应用于神经网络的训练，可以无需神经网络的梯度信息和结构信息，因此可以用于具有各种结构特性的递归神经网络对动态系统的学习过程。实验结果表明了FLA算法的有效性。     

Fuzzy Optimization of an Elevator Mechanism Applying the Genetic Algorithm and Neural Networks

1Introduction Wormgearingisoftenappliedforpowertransmissioninanelevatormechanismbecauseitgivesa greatreductioninrelativespeedandalargeincreaseineffectivepower.Soastoeconomizethenon ferrousmetalofthetoothcoronaofawormgear,itisveryimportanttoadoptoptimizationmethodsto designthewormgearing.2Principleofthegeneticalgorithm Thegeneticalgorithm[1]isamethodforsolvingoptimizationproblemsthatisbasedonnaturalselec tion,theprocessthatdrivesbiologicalevolution.Thegeneticalgorithmrepeatedlymodifiesapopu la…     

基于神经网络的火炮射击振动衰减研究

振动对火炮的射击精度有较大的影响。建立了一种基于神经网络的火炮减振系统非线性动态模型，用位移和速度作为模型的输入，以控制量和其变化率作为输出，并给出了网络的学习算法。仿真显示，该控制器具有良好的稳定性，结构受控后振动衰减迅速，且控制器结构简单。     

人工神经网络和机械故障诊断

智能化诊断是现代故障诊断技术发展的主要趋势,人工神经网络技术的出现为这种智能化提供了一个全新的途径。本文首先简单介绍了人工神经网络的基本性能及几个重要模型,着重探讨了人工神经网络技术在机械故障诊断领域中预测与控制、工况监测与故障分类诊断、模糊诊断和基于专家系统的故障诊断等几个主要方面的应用,指出人工神经网络技术与现有的信号处理、模式识别、模糊逻辑、专家系统等技术相结合,以解决故障信号分析与处理、故障模式识别以及故障论域专家知识的组织和推理等问题,必将加快智能化诊断发展的进程。可以预料:基于人工神经网络的故障诊断技术将具有广阔的发展与应用前景,并且随着VLsI 技术的发展,这一新技术必将广泛地应用于各种诊断实例。最后讨论了进一步值得研究的方向。     

一种粗模糊神经分类器

介绍一种新的粗集编码模糊神经分类器。基于粗集理论的概念，讨论了知识编码、属性简化、分类系统简化的方法；并利用模糊隶属度函数将输入精确信息映射为模糊变量信息，解决分类中病态定义的数据问题和提高系统非线性映射的分类能力；提出了结合系统参数的重要性因子的网络的模糊推理方法和粗模糊神经分类器的网络结构以及有导师的最小平方误差学习训练算法。实现的粗集编码模糊神经分类器具有网络结构空间维数低、学习算法简单、网络训练时间短、非线性特性丰富等优点。     

神经网络在弹性连杆机构振动主动控制中的应用

首次将神经网络理论应用于弹性连杆机构的振动主动控制 ,设计、建造了具有压电陶瓷作动器与电阻应变计传感器的弹性连杆机构实验装置及其振动控制系统。根据实验数据离线设计了动态递归神经网络控制器 ,并采用基于神经网络的直接自校正控制策略对弹性连杆机构实施了在线控制。控制后 ,弹性构件输出点的应变峰值降低了 5 0 %左右 ,机构的动力学品质得到显著改善     

Establishment of a Fault Prognosis Model Using Wavelet Neural Networks and Its Engineering Application

Fault diagnosis is confronted with two problems; how to “measure“ the growth of a fault and how to predict the remaining useful lifetime of such a failing component or machine. This paper attempts to solve these two problems by proposing a model of fault prognosis using wavelet basis neural network. Gaussian radial basis functions and Mexican hat wavelet frames are used as scaling functions and wavelets, respectively. The centers of the basis functions are calculated using a dyadic expansion scheme and a k-means clustering algorithm.