基于神经网络的飞控系统故障诊断

飞控系统的故障诊断与维护,可提高其可靠性和可维护性,降低寿命周期费用,有效地降低成本,提高飞机的生存性,减轻驾驶员的负担。首先采用VC与Matlab混合编程技术建立了飞行作动器故障仿真软件,然后通过两种不同的神经网络辨识方法(基于小波包分解的BP网络验证、基于径向基函数的概率神经网络),对卡死和损伤故障的辨识效果进行对比分析,仿真结果显示概率神经网络更适合于大步长采样下的网络辨识,且有较好的泛化能力。所得检测结果符合预期要求,并在所设计软件中得以清晰表达。     

基于小波神经网络的陀螺仪故障诊断

为了准确可靠地发现和预测陀螺仪的故障,提出了一种基于RBF小波神经网络的陀螺仪故障检测方法;该方法是将陀螺仪的输出信号进行三层小波包分解,再对分解得到的8个不同频段上的节点进行特征提取,将提取后的8维特征向量作为RBF神经网络的输入;当陀螺仪发生故障时,陀螺仪的输出信号中会产生突变成分,进行训练后的RBF神经网络可以准确地诊断出陀螺仪的故障类型;应用Matlab实现了RBF小波神经网络诊断陀螺仪故障类型的仿真;仿真结果表明,应用RBF小波神经网络进行陀螺仪故障诊断有很好的效果。     

基于LVQ网络的电力变压器故障诊断

本文提出了一种基于学习矢量化(Learning Vector Quantization)神经网络分类器结合油中溶解气体分析(DGA)的变压器故障诊断方法,把故障信号的训练样本输入到LVQ网络中进行训练,利用网络的竞争性将分类信息转变成使用者所定义的类别.训练和测试结果表明了该方法的有效性.     

基于Kohonen神经网络的滚动轴承故障诊断

提出了一种新的列车滚动轴承故障诊断方法。首先利用小波包分解对滚动轴承的 动态信号进行分析、提取特征，然后采用Kohonen神经网络进行滚动轴承故障诊断。对7类 列 车滚动轴承进行了实验，结果表明该方法具有很好的故障诊断效果。     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。     

基于自组织神经网络的故障诊断

利用自组织神经网络对诊断对象的周期性振动信号进行处理，根据其映射特性和聚类特性，将振动信号映射到自组织网二维输出平面上。根据其映射点在输出平面上的位置，判断振动是否正常及其类型，使故障诊断简单化和直观化。     

基于RBF神经网络的列车滚动轴承故障诊断

提出一种基于RBF神经网络的列车滚动轴承故障诊断方法。利用小波包分解对轴承的动态信号进行分析、提取特征．采用RBF神经网络进行轴承故障诊断。采用自适应正交最小方差算法．从根本上消除样本间相关性的影响,使RBF神经网络的在线训练算法更具操作性。     

基于小波包和神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见的故障,提出了基于小波包和神经网络的故障诊断方法.通过对瓦斯传感器的输出信号进行三层小波包分解,得到8个不同频段的分解信号,再对其进行特征提取得到一个八维的特征向量,作为故障样本对三层神经网络进行训练,建立故障类型分类器,对瓦斯传感器故障进行诊断.仿真结果表明:该方法可以准确地诊断出故障类型.     

基于神经网络的抽油机故障诊断

自组织特征映射网络（Self-Organization Map,SOM）是一种具有强大的自学习功能、良好的自组织性和自适应性的神经网络,能够将输入数据映射到输出神经元阵列中,并保持数据集的拓扑结构和密度分布不变。针对基于传统竞争神经网络的抽油机示功图聚类时分类精度低的缺点,对自组织特征映射神经网络的学习速率和临域的递减方式进行改进,并在Matlab环境下进行仿真验证。仿真结果表明,本文所采取的改进能有效的提高聚类的精度和准确性。     

基于Boosting RBF神经网络的滚动轴承故障诊断

提出了一种新颖的基于RBF神经网络滚动轴承故障诊断方法。以滚动轴承动态信号的能量信息作为特征,RBF神经网络作为分类器进行滚动轴承故障自动分类与诊断。为了进一步提高神经网络的泛化能力和故障诊断的准确性,采用Boosting方法,进行网络集成。对七类滚动轴承进行了实验,结果表明该方法具有很好的故障诊断效果。     

基于SOFM网络的模拟电路故障诊断方法研究

讨论了基于自组织特征映射神经网络SOFM实现交流字典的故障定位方法 ,该方法对单、多软硬故障的识别快速且有效。同时 ,利用神经网络的泛化性 ,有效地克服了容差因素对故障定位的影响。     

基于小波包能量特征及LVQ的目标检测方法研究

基于常规雷达的目标检测方法不能很好地适应冲击雷达目标的检测,提出了一种基于小波包能量特征与LVQ神经网络相结合的新颖目标检测方法;首先利用小波包对目标回波信号进行分解,以得到目标的能量特征量,该特征量能明显区分目标和噪声;然后将能量特征量送入学习向量量化(LVQ)神经网络进行训练与仿真,以实现对超宽带目标信号的检测;仿真结果表明,该方法能获得较高的检测概率,较低的虚警概率.     

基于学习矢量量化网络的智能BIT故障诊断方法

将一种经过修正的基于学习矢量量化算法的竞争网络应用在多电飞机电气系统智能BIT故障诊断中,该网络在竞争层实现故障模式的自组织聚类,在输出层给出了具体的故障模式,通过与原算法进行比较,修正后的算法达到了很好的故障识别和分类效果.     

基于LVQ算法的SOM神经网络在入侵检测系统中的应用

目前,入侵检测技术（IDS）已成为网络安全领域研究的焦点,神经网络被应用到这项技术的研究上．文章在建立一、类基于SOM神经网络的分类器的基础上,应用了LVQ算法对SOM进行二次监督学习训练,极大提高了分类器的检测性能。仿真试验结果证明了该检测模型的有效性。     

基于神经网络观测器的飞控传感器在线故障诊断

为提高无人机飞行安全可靠性,针对飞行控制系统中常出现的传感器故障以及非线性气动力模型参数难以确定的问题,提出了基于BP神经网络观测器估计的故障诊断方法;引用LM改进算法对网络参数进行调整,构造了神经网络观测器模型逼近非线性系统,并运用于飞行控制系统进行在线数字仿真,对垂直陀螺输出卡死故障、恒偏差故障和恒增益故障分别进行仿真分析;仿真结果表明,所设计神经网络观测器可以有效估计系统输出,在线诊断传感器故障。     

基于LVQ神经网络的微钙化分类方法

提出了一个基于自适应的学习矢量量化神经网络（LVQ）的乳腺肿瘤良恶性分类方法,在提取特征向量的基础上,对CC和MLO两种视图的良性和恶性数字化乳腺X光片图像进行训练和测试,并使用最佳分类率和平均分类率来分析分类结果。实验结果表明该方法对CC视图的图像的平均测试分类率为92.6%,而对MLO视图是93.18%。在微钙化分类系统中采用逻辑＂或＂的方式合并两种不同视图下的网络,可以获得的最佳分类性能是94.8%。     

基于神经网络改进算法的飞控系统故障诊断

应用神经网络技术对复杂的飞行控制系统进行故障诊断对提高飞机的可靠性和容错能力具有重要意义。为了提高网络的学习效率和稳定性,该文提出一种改进的径向基神经网络学习算法,使用混合共轭梯度优化算法对网络参数进行调整。利用神经网络对某型飞机的飞行控制系统进行故障诊断,仿真结果表明该神经网络具有较强的故障识别能力。     

基于神经网络的飞控系统传感器故障诊断的研究

在标准逆传播神经网络的基础上，提出了一种改进的逆传播神经网络，用来消除标准逆传播神经网络的缺陷，并且设计了一个主神经网络和三个分布神经网络的结构，通过神经网络的在线学习，得到需要的参数估计。用它与传感器实际测得的实际值比较，可判断出阶跃故障，并且给出了仿真实例。