基于优化的BP神经网络柴油机燃料系故障诊断仿真研究

神经网络具有并行处理能力、自学习能力,自适应能力和可以逼近任意的非线性函数等特点,是解决非线性、多变量、不确定的复杂诊断问题的一条有效的途径,神经网络的这些特点使得它在故障谚断领域应用越来越广泛。本文利用LM改进学习算法训练所建立的BP神经网络,然后利用训练好的神经网络进行柴油机故障诊断,得出诊断结果,使故障诊断具有人工智能化。     

基于ACA-BP神经网络的挖掘机液压系统故障诊断研究

针对BP神经网络在挖掘机液压系统故障诊断中的问题,提出一种基于ACA-BP算法的挖掘机液压系统故障诊断方法。首先利用蚁群算法对神经网络的初始权值和阈值进行训练,进行BP神经网络模型的训练,建立故障诊断模型。通过挖掘机液压系统故障诊断仿真实例分析,验证了ACA-BP算法在挖掘机液压系统的故障诊断中的有效性。     

基于粒子群优化的反向传播神经网络算法在建筑物沉降预测中的应用

神经网络具有结构简单,鲁棒性强,能够逼近任意函数的非线性映射能力,在多个领域得到了广泛应用。但其梯度下降法容易陷入局部最优,训练效率较低。采用粒子群算法(PSO)对BP神经网络进行改进,利用粒子群算法为BP神经网络提供精确的全局搜索能力,提高其训练效率和预测精度。基于建筑物实际沉降观测数据,对BP神经网络和PSO-BP神经网络进行对比分析。结果表明,PSO-BP神经网络的训练效果获得了较大提升,预测精度提升了约61%,预测结果明显优于传统BP神经网络。     

基于RBF神经网络的机械手自适应控制研究

针对控制系统的不同性能要求,现有的PID控制算法等对机器人轨迹跟踪控制的控制精度不高,根据R BF神经网络的非线性映射能力及快速学习能力,提出了基于R BF神经网络的自适应控制算法,在机械手动力学模型的基础上利用MATLAB软件对该算法进行模拟仿真,仿真结果表明了该算法具有较高的轨迹跟踪控制精度,可以达到很好的控制效果。     

基于RBF神经网络的边坡稳定性预测

RBF神经网络具有极强的非线性映射能力,精度高。本文基于RBF神经网络原理,采用自组织选取中心法,建立基于RBF神经网络的边坡稳定性预测模型,并选取大量边坡工程数据作为学习训练和预测样本,利用该模型进行学习和预测。研究结果表明,在处理边坡稳定性预测问题中,该方法具有很好的适应性和较高的精度。     

基于KSOM-PSO算法的无线传感器网络入侵检测研究

针对无线传感器网络中的入侵检测机制对拒绝服务(denial of service,DoS)攻击检测精度不高的问题,提出了基于核自组织映射(kernel self-organizing map,KSOM)和粒子群优化(particle swarm optimization,PSO)聚类算法融合的KSOM-PSO神经网络算法作为无线传感器网络的检测机制。首先在传统SOM算法中引进核函数进行聚类;其次使用SOM聚类获得的获胜神经元权值对PSO粒子的初始位置初始化;最后在PSO算法中将传统的线性减小权值的方法改为非线性减小权值的方法,以提高PSO算法的全局搜索效率和局部搜索精度。实验结果表明,KSOM-PSO与传统的PSO聚类算法和SOM算法比较,检测精度有较大的提高,且收敛速度更快。     

水源水质的可视化分析方法研究

通过对自组织数据地图（Self Organizing Map,SOM）理论及技术的研究和应用,力求找到水源水质分析的新方法.以天津市引滦、引黄水源水质数据为例,采用批处理SOM算法为计算核心,利用MATLAB语言编制的SOM工具箱开发了可视化水源水质分析软件包.该软件包通过SOM的训练可对数据特征进行分析和显示,并在此基础上进一步分析SOM训练结果,将监测数据分成5种不同的类型,实现了数据跟踪和新的监测数据的自动归类.应用表明,该方法以多种图形形式直观、综合、深入地分析水源水质,可为水厂水源水质特征的辨识和相应措施的采取提供决策支持.     

边坡关键块体的神经网络预测法

针对岩体边坡关键块体的状态(关键与否)与其几何参数和力学参数之间存在高度的非线性映射关系,利用人工神经网络理论的强大非线性映射能力和自学习特性,提出了岩体边坡关键块体的神经网络预测法。以某电站厂房边坡为例,仿真结果表明,该方法能够充分体现边坡关键块体状态与块体的几何参数和力学参数之间的非线性关系和隐含关系,具有较高的精度,所预测的边坡关键块体状态与实际吻合。此方法为岩体边坡关键块体的识别提供了一种新的途径。     

SOM神经网络在金属氧化物避雷器老化在线诊断中的应用

针对金属氧化物避雷器(MOA)老化在线诊断难的问题,提出一种基于SOM神经网络的MOA老化在线诊断方法。首先利用热成像仪获取已知老化情况的MOA温度分布数据,然后将其代入SOM神经网络进行训练。当SOM网络达到训练精度后,再利用网络对未知老化情况的MOA进行诊断,从而实现MOA老化在线诊断。验证表明:利用50只MOA温度分布数据对SOM网络训练500步后,其诊断正确率达到98%。使用10只MOA温度分布数据对SOM网络进行可靠性验证,诊断正确率100%。表明该方法具有较高可靠性。     

BP神经网络在工程机械液压系统故障诊断中的应用研究

将BP神经网络理论应用于工程机械液压系统故障诊断中进行研究,通过系统数据的采集、特征向量的提取和分类器的构造,在对网络进行训练的基础上,建立了学习算法,通过试验可以看出神经网络能给出的满意结果。