基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

基于BP神经网络入侵检测系统

本文是采用改进BP神经网络的拟牛顿算法,并利用matlab提供的神经网络工具箱构建BP神经网络入侵检测系统。此算法的优越性在于收敛速度比较快,特别对于较高维数的问题。测试后证明所构建的系统是可行的,能够检测到新的入侵行为。     

基于神经网络的机械设备故障诊断技术

阐述了神经网络故障诊断的基本原理及其与传统故障诊断的关系,分析了神经网络技术在故障诊断中的应用现状,探讨了该领域的发展前景,指出了运用神经网络技术进行故障诊断需要解决的若干问题.     

基于小波神经网络的电力变压器故障诊断

电力变压器是电力系统中的重要组成部件,它的性能是否优越直接影响着整个电力系统的可靠安全运行。特别是对于高压电气设备而言,如何能够快速、正确的寻找并解决电力变压器发生的以及潜在的故障非常重要。本文以神经网络原理为基础,结合小波分析方法,研究电力变压器的故障诊断问题。     

基于深度神经网络的素色布匹瑕疵检测算法研究

目的为了改进当前布匹检测算法覆盖瑕疵种类不全、瑕疵检测准确率低和定位精度差的问题,提出一种端到端的素色布匹瑕疵检测的实用算法。方法首先通过图像增强扩充样本数量,使用以Resnet50为主干的Cascade-RCNN网络,通过加入可变形卷积、特征融合网络,增加锚框数目的方法实现素色布匹瑕疵检测。结果通过实验对比表明,该算法可实现检测20种布匹瑕疵,检测是否为瑕疵布匹的准确率为97%,瑕疵定位的平均检测精度为65%,每张样本平均时间为80 ms。结论该算法有效提升了布匹瑕疵检测的准确率和精度,检测瑕疵类别更全面,并且可以获取缺陷位置和类别,能够满足工业上的生产需求。     

基于Kohonen神经网络算法的网络入侵聚类算法的测试研究

提出一种基于Kohonen网络的网络入侵聚类研究的方法,在阐述基本理论、原理和算法步骤基础上,利用Matlab软件平台对提出的网络入侵算法进行测试研究,并同其他方法进行仿真对比,发现Kohonen神经网络算法的网络入侵聚类在训练准确率、测试准确率和运行时间3个方面都优于PNN算法,其准确率可以达到98.1％.     

基于神经网络的发动机故障预报

结合发动机的故障诊断、分析和发动机的故障预报模型,采用BP神经网络,编写出软件程序,通过其自组织学习和训练,预报发动机故障。因具有较强的泛化能力,提高发动机故障预报的能力。     

基于B样条函数的模糊神经网络

通过研究Ｂ样条函数在模糊系统和神经网络系统中的应用，探讨了通过Ｂ样条函数，结合模糊系统和神经网络的各自特点，构造模糊神经网络的方法，并提出了具体的网络模型以及相应的学习方法。     

基于多特征分支卷积神经网络的心电图分类算法

我国心血管疾病发病率、病死率呈逐年上升趋势。但由于心电图数据规模大且繁杂,临床医护人员在心电图筛查时,工作负担大且容易出现误诊或者漏诊的情况。基于此,利用CPSC-2018 12导联数据,提出了一种基于多特征分支卷积神经网络的多导联心电信号的智能分类与分析。首先,将CPSC-2018 12导联数据分为9个类别,基于12导联推导出8导联心电信号并分别提取局部特征。然后,通过双向GRU编码和注意力机制计算出不同类别的注意力权重向量,并将特征信息串联融合成特征向量,从而实现多导联心电图分类。实验结果表明：在验证集上取得了较好的分类效果,正常类别的F1值达到81.2%,平均F1值达到84.2%。特别地,在识别房颤（AF）和右束支传导阻滞（RBBB）这两类别心律失常时F1值分别达到95.1%和93.1%。     

基于PSO的人工神经网络学习算法的研究

PSO算法由于具有独特的信息共享机制而得到广泛应用。介绍人工神经网络的基本原理以及网络学习及泛化的方法,以此为基础将POS算法作为学习算法用于人工神经网络训练,给出基于PSO的神经网络学习算法的设计方法,并通过实验,验证PSO算法在训练集错误率方面的优越性。     

基于独立分量分析特征提取的复合神经网络故障诊断法

首先利用基于固定点迭代的快速算法(FASTICA)提取不同机械状态模式(包括正常、齿轮故障及机座松动)特征．随后以此训练某一典型神经网络(如径向基网络或自组织映射网络)，以实现模式的最终分类。借助独立分量分析(ICA)及基于残余互信息(RMI)的二次特征抽取策略，隐藏于多通道振动观测中的高阶特征得以有效提取，进而实现机械状态模式的准确识别。对照分类实验结果表明，基于无导师学习的自组织映射(ICA-SOM)分类方法不仅具有较好的故障模式分类能力，且实现简单直观．在机器健康状况监测中有较大的应用潜力。     

基于双谱的BP神经网络的齿轮故障模式识别

本文以双谱分析为基础,对双谱分析的结果进行特征提取,提出了双谱-BP网络故障诊断方法。以双谱为BP神经网络的输入特征向量,对所提出的方法进行了实验研究,结果表明所提出的双谱-BP诊断方法是判断故障类型的一种有效方法。     

发动机喘振故障检测的神经网络免疫识别模型

提出了一种航空发动机喘振故障检测的神经网络免疫识别模型。该模型利用人工免疫系统的反面选择原理来构建神经网络检测器,通过训练将失速压力信号的模式特征存储在分布的检测器中。检测器用于捕获信号的失速模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现失速点。对某型涡喷发动机压力测量信号的分析结果表明,该方法对由失速气团造成的压力信号突变具有较强的分辨力,可以用于发动机喘振的早期检测。     

基于神经网络的图像边缘检测方法

提出了一种基于神经网络的图像边缘检测新方法.该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练.边缘检测神经网络采用BP网络,为加快网络的训练速度,采用了滚动训练和权值随机扰动的方法.实验表明,该方法提高了神经网络的学习效率,获得的边缘图像封闭性好,边缘描述真实.     

基于神经网络的信息融合算法研究及其在入侵检测中的应用

目前，网络入侵技术越来越先进，许多黑客都具备反检测的能力，他们会有针对性地模仿被入侵系统的正常用户行为；或将自己的入侵时间拉长，使敏感操作分布于很长的时间周期中；还可能通过多台主机联手攻破被入侵系统．对于伪装性入侵行为与正常用户行为来说，仅靠一个传感器的报告提供的信息来识别已经相当困难，必须通过多传感器信息融合的方法来提高对入侵的识别率，降低误警率．应用基于神经网络的主观Bayes方法，经实验，效果良好．     

基于免疫算法的神经网络盲均衡算法的研究

将免疫算法引入神经网络盲均衡,用它来优化网络的权值。它具有很强的全局搜索能力,避免了使用传统方法而出现的未成熟收敛现象,使得收敛速度加快,最终达到全局最优。     

基于BP神经网络的图像分离算法

现在纹理图像分离效率比较低,为解决这个问题,提出一种基于反向传播神经网络的纹理图像分离算法。一些因素会影响的结果是RGB值图像分离的象素的颜色本身,它附近的像素、边界的概率。根据这些因素,我们构建一个模型,用BP神经网络训练功能区域的图像和噪音一组样本,训练之后,BP神经网络训练可以用于纹理图像分离。最后我们设计一种实验,利用BP神经网络分离三个纹理图像。实验结果表明该算法简单、可行的、可以降低人们的工作。     

基于神经网络分色算法的补偿模型

神经网络模型在分色算法中具有预测不确定和精度较低的缺点,在其基础上提出了补偿模型。该模型将神经网络预测CMYK 的各通道差值拟合成L*a*b* 多项式的函数,并对CMYK 值进行补偿。通过对该模型的实验测试表明,采用CMYK 值进行补偿后与原模型相比,提高了分色算法的精度,并且其分色精度要高于其他常用的模型。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

基于神经网络的电火工品瞬态脉冲实验分析技术

本文介绍了神经网络在电火工品瞬态脉冲实验分析中的应用，具体说明了训练样本的选取和识别验证的结果。