基于小波变换和RBF神经网络的机械故障诊断

针对人工诊断机械故障比较耗时且存在误差及BP神经网络的缺点,提出了一种基于小波变换和RBF神经网络的机械故障诊断方法。该方法通过小波变换对采集到的信号进行处理,降低噪声干扰,然后使用RBF神经网络代替工作人员对故障进行诊断,排除人为主观因素影响,提高判别准确性。仿真结果表明,本文提出的机械故障诊断方法准确性明显优于人工和BP神经网络,且计算量小,收敛速度快。     

基于BP神经网络PID控制及其仿真

对BP神经网络算法进行了改进,克服了直接使用神经网络算法进行PID控制的不足之处.仿真表明,设计了附加动量项的BP神经网络,能有效地提高算法的收敛速度.实验结果表明控制效果优于传统的PID控制算法的仿真结果.     

基于IPSO-BP神经网络的富氧底吹铜熔炼炉喷枪寿命预测模型

富氧底吹铜熔炼炉喷枪是整个熔炼炉中最重要的部件,并且造价高,易损坏,工作环境恶劣复杂,对其进行准确的寿命预测比较困难。提出了一种基于IPSO-BP神经网络的寿命预测模型,粒子群优化算法解决了BP神经网络容易陷入局部极小值和训练速度慢的问题,优化的粒子群算法优化了惯性权重和学习因子,进一步加快了训练速度和搜索速度,提高了BP神经网络跳出局部极小值的能力。以工作环境中容易对喷枪寿命造成影响的因素作为输入,喷枪寿命作为输出,通过实际生产采集的数据做验证,并与BP神经网络和PSO-BP神经网络预测模型作对比。结果表明,本文构建的寿命预测模型预测效果比BP神经网络和PSO-BP神经网络的预测更加准确,精度更高,该预测模型为富氧底吹铜熔炼的喷枪寿命预测提供了一种方法借鉴。     

基于GA-PSO-BP神经网络的LF终点温度预测

针对LF冶炼特点和现有钢水温度预报方法存在的不足,提出了一种新的预测LF终点温度的BP神经网络模型。用遗传算法(GA)和粒子群算法(PSO)混合优化BP神经网络的权值和阈值,提高BP神经网络的预测精度。混合模型既克服了传统机理模型难以准确实现的困难,也弥补了传统BP算法的不足,结合了2种算法的优点,改善了预测模型的收敛性能。开发了基于Java语言的现场应用软件。仿真结果表明,该算法可以提高预测精度和速度,预测误差在5℃以内的炉次达到了88%。     

基于PSO-BP神经网络双机架炉卷轧机轧制力的预测

为了有效预测双机架炉卷轧机的轧制力,使热轧板带材生产具有很好的可操作性,采用粒子群算法(PSO)优化BP神经网络,建立了往复式双机架炉卷轧机轧制力预测的智能模型。以某钢厂热轧产品Q195实测数据作为试验样本,并将粒子群算法优化的BP神经网络模型和标准BP网络模型分别用于轧制力预测,结果表明PSO-BP神经网络模型在预报精度上明显优于标准BP网络模型,并且PSO-BP神经网络模型预测轧制力的误差率控制在10%以内。     

热轧轧制力小波神经网络预报模型的研究

为了进一步提高热连轧精轧机组轧制力的设定精度,采用小波神经网络建立轧制力预报模型。并采用改进的快速BP算法来训练网络。仿真结果表明：建立的轧制力预报模型的预报值与实际值之间的相对误差在±6％以内,且学习算法收敛速度快。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.      

小波包变换广义回归神经网络分光光度法同时测定铜铅锌

本文建立了一种小波包变换广义回归神经网络(WPTGRNN)方法,同时测定Cu(Ⅱ),Pb(Ⅱ)和Zn(Ⅱ)。该法结合小波包变换(WPT)和广义回归神经网络(GRNN)改进除噪质量和预测能力。信号的小波包描述可提供信号的局部时间和空间信息,从而提高了信号和噪音之间的分离能力。除噪质量还可经最好基原理和阈值操作得到进一步改进。广义回归神经网络能克服反传训练所面临的收敛问题及促进非线性计算。通过最佳化,选择了小波函数、小波包分解水平及GRNN的平滑因子,偏最小二乘法(PLS)用于比较研究。编制了3个程序(PWP     

基于改进蚁群免疫算法的PIDNN加热炉温度控制

针对蚁群算法搜索时间长、易于出现早熟、停滞等问题,引入免疫信息处理机制,该方法通过抗体之间的亲和力反映种群的多样性,同时对蚁群的状态转移规则和信息素更新规则进行改进。针对BP神经网络收敛速度慢的问题,采用改进蚁群免疫算法对PID神经网络控制器的权值进行整定。仿真结果表明,改进蚁群免疫算法在收敛路径长度和收敛速度上均比传统蚁群算法效果更佳,并且与传统PIDNN(PID Neural Network)控制器相比,改进蚁群免疫算法的PID神经网络加热炉控制具有较快的收敛速度和较小的超调量,其暂态性能和稳态性能均得到有效改善。     

基于小波神经网络模型的冶金企业能耗预测

冶金企业能源消耗量是一个与多种因素有关的复杂非线性问题。鉴于传统BP神经网络预测方法的缺陷,介绍了基于小波神经网络算法的能耗预测模型及应用情况。该算法既具有BP网络的简洁性,又具有小波分析良好的时频局部性。通过实验将其与传统的BP神经网络进行比较,证明前者具有更优的网络结构,更快的学习速度和更高的逼近精度。     

一种基于神经网络的快速预测控制算法

由于普通广义预测控制在快速性方面存在局限性,本文提出一种基于BP神经网络的(GPC)算法,该算法用训练好的BP去解决GPC算法中的丢潘图方程求解、大矩阵的求解、求逆等复杂运算.本文将该法用于冷连轧机快速系统中进行仿真,结果表明,该算法比普通的GPC算法速度提高了很多,具有很好的控制性能.     

基于粒子群算法优化BP神经网络的溶浸开采浸出率预测

为了研究溶浸开采过程中浸出率的预测问题,以含锑硫化矿的浸出过程为例,采用经粒子群算法优化的BP神经网络模型预测浸出率。首先分析得出影响矿物浸出率的主要因素,并将已有样本数据进行变量训练,建立BP神经网络预测模型;其次利用粒子群算法优化该模型;最后分别利用BP神经网络模型和PSO-BP神经网络模型预测浸出率,并对比2种模型预测值与实际值的误差精度。研究结果表明:影响含锑硫化矿浸出率的主要因素有温度、时间、液固比、搅拌速度和HCl浓度,且这些因素相互影响,其与浸出率呈现高度非线性关系,采用粒子群算法优化的BP神经网络模型训练精度较高,对浸出率的预测更精确,相比BP神经网络,该模型得出的预测结果与实际值的相对误差以及方差都有明显下降。由此可见,该预测模型对当前矿区溶浸开采的浸出率优化有一定的参考价值。     

基于粒子群优化的带钢凸度神经网络预测模型研究

在热轧板凸度预测模型中,传统BP神经网络预测模型存在易陷入局部极小值、收敛速度慢等问题,因此在传统预测模型的基础之上,用自适应变异粒子群算法优化BP神经网络模型的权值和阈值,将权值和阈值编码成粒子选出最优值,并将其用于预测带钢凸度。仿真结果表明,自适应变异粒子群优化的BP神经网络和传统的预测模型相比,预测效果有所改善。     

基于脊波变换的手指静脉图像增强研究

针对人体手指静脉图像的结构和特点,提出一种基于脊波变换的图像增强算法.该算法对手指静脉图像小波域各高频子带系数进行脊波变换,利用非线性新脊域系数确定法对脊域系数进行处理,然后对各高频子带进行脊波逆变换和小波图像重构.该算法对手指静脉二维曲线奇异处理、边缘增强等具有较好的效果,克服了小波变换在高维曲线奇异和方向选择上的不足.通过与传统的二维离散小波变换边缘增强法和自适应调整系数的脊波变换方法作比较,实验结果表明本算法具有更好的手指静脉图像效果.     

Mallat小波快速变换与IDRNN在卫星实时故障检测与识别中的应用

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类.      

全光纤安防系统模式识别混合编程的实现

介绍了宽域全光纤监控预警系统及光纤扰动信号模式识别算法.利用小波包分解对信号进行分解与重构,并提取各频段内信号分量能量谱作为特征向量;应用综合考虑观测数据和确定性先验知识的BVC-RBF神经网络实现信号分类,提高了网络的泛化能力.利用Matlab引擎、动态链接库(DLL)、组件对象模型(COM)3种混合编程方法将Matlab开发的算法程序集成到VC编写的用户操作平台中.使用文本文件存取网络数据,克服了Matlab无法编译神经网络工具箱函数的缺陷,并从操作复杂度、执行时间、内存消耗等方面对3种方式进行对比,最终选定动态链接库作为系统应用方案.     

基于形态非抽样小波和S变换的轧机振动信号分析

为了确定板带连轧中多台轧机振动的起振顺序,首先在形态非抽样小波一般框架的基础上,构造了一种基于多尺度平均滤波器的形态非抽样小波.然后通过仿真实验,得到此形态非抽样小波尺度与频率之间的关系.最终利用基于多尺度平均滤波器的形态非抽样和S变换的方法对轧机振动信号进行分析,成功提取了故障频率的起振时间,确定了轧机的起振顺序.      

一种基于互相关函数的小波系数相关阈值去噪方法

针对传统的小波系数相关去噪方法中,在对含噪信号进行小波变换后,各尺度上的小波系数会产生微小偏移的问题,提出了一种基于互相关函数的小波系数相关去噪方法.采用互相关算法,计算各个尺度与原始含噪信号产生的偏移量,再把偏移后的尺度进行相关分析,得出准确的突变信号;为了去除信号突变附近附带的少量噪声信号,再采用临界阈值去噪方法对相关分析后的尺度信号进行阈值处理,最后经过信号重构可以得到精确的有用信号.     

基于小波变换的有色金属腐蚀图像自适应增强方法

通过对有色金属腐蚀图像的增强处理,提高对腐蚀图像的修复和识别能力,提出一种基于小波变换的有色金属腐蚀图像自适应增强算法,对采集的有色金属腐蚀图像进行腐蚀边缘轮廓特征提取预处理,采用小波变换算法进行腐蚀图像的浊点标定,结合自适应匹配滤波检测实现图像增强算法改进。仿真结果表明,采用该算法进行图像增强,能提高腐蚀金属图像输出的峰值信噪比,性能指标优于传统方法。     

基于小波尺度特征提取的金属物流大数据挖掘算法

通过对金属物流大数据信息的准确挖掘,提高金属物流管理信息链中的信息加工和利用能力。提出一种基于小波尺度特征提取的金属物流大数据挖掘算法,构建金属物流大数据的信息流模型,对信息流进行小波尺度特征提取算法设计,实现有用特征数据的准确挖掘。仿真结果表明,该数据挖掘算法精确度较高,可靠性较好。