蚁群约简与神经网络用于航空发动机故障识别

为解决航空发动机转子系统故障模式识别这一复杂问题,将蚁群算法与BP神经网络相结合应用于故障模式识别.文中采用蚁群算法对反映发动机运行工况的故障特征参数进行约简,并结合BP神经网络对故障识别过程做了分析,以航空发动机转子系统的故障识别为对象进行了实验验证.结果表明,利用蚁群算法对航空发动机转子系统故障特征参数进行约简,剔除了输入冗余信息,降低了网络数据维数,提高了运算效率和故障识别的正确性.     

基于改进型BP神经网络的电网负荷预测

考虑到传统的线性电网负荷预测方法的预测精度无法满足现代电力电网管理系统的要求,使用更适用于电力电网负荷的预测任务的非线性BP神经网络算法建立预测模型。由于常规的BP神经网络存在容易陷入局部最优解以及收敛效率低等问题,该文使用模拟退火算法对BP神经网络权值训练算法进行优化,提高预测模型的收敛效率和自学习能力。通过实例对所研究的预测模型进行分析,结果表明,所研究的改进型BP神经网络的训练次数和训练耗时均低于常规神经网络,具有更高的收敛精度,同时改进型BP神经网络预测模型的预测误差明显降低,具有较好的工程应用价值。     

基于BP神经网络的温度传感器辐射误差分析

为了降低太阳辐射对地面温度测量造成的影响,修正太阳辐射误差,文中采用计算流体动力学方法(CFD)仿真得到不同气流速度和太阳高度角下的温度传感器的辐射误差。通过BP神经网络算法对仿真数据进行拟合,获得辐射误差修正方程,实现对测量的地表温度的修正。BP神经网络的拟合结果和仿真结果的均方根误差值为0.05℃。为便于应用该算法求解任意环境参数条件下的温度传感器辐射误差,文中亦设计了一种误差修正软件。     

基于改进BP神经网络的关联挖掘模型设计

针对传统BP神经网络的关联挖掘模型中关联挖掘方法和用户交互矛盾问题,提出一种基于改进BP神经网络的关联挖掘模型设计。采用改进的BP神经网络算法进行BP神经网络计算,解决了二次函数的非线性优化问题。运用优化的算法保证了适应度函数的选择能力,避免了阈值以及权值对BP神经网络的误差倒数的影响。为了验证所设计的基于改进BP神经网络的关联挖掘模型的有效性,设计了对比仿真实验,实验结果表明,提出的基于改进BP神经网络的关联挖掘模型设计能够有效地解决关联挖掘方法和用户交互矛盾问题。     

基于PSO和改进神经网络的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法（PSO）的图像滤波方法。该方法利用对数最小均方误差函数（LNLS）代替BP神经网络传统的最小均方误差函数（LMS）,用来减小图像噪声对神经网络精度的影响;并将改进后的BP神经网络利用PSO算法优化,从而避免神经网络陷入局部极小值点,进一步提高神经网络滤波能力。实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节。     

BP神经网络在红外热波无损检测定量识别中的应用

为实现红外热波检测对缺陷的定量识别,应用BP神经网络,拟合函数关系来实现定量识别。在脉冲热像中,以最佳检测时间和表面最大温差为输入量,以缺陷的深度和直径为输出量,利用BP神经网络拟合输入量与输出量之间的关系。借助数值计算的方法,提供样本训练神经网络,并进行了30次随机计算。通过结果分析,发现使用BP神经网络进行计算具备以下特点:网络收敛速度并不决定计算的精度;网络训练过程中,是否达到计算目标误差不会对计算精度带来较大影响;该方法具有较好的计算稳定性。针对计算结果分布特点,设计计算方法,对数据中的较大误差点进行剔除,最后使用取均值的方法减小获得较大误差的风险,提高计算精度。计算结果表明,在4个参数的计算中,最大误差为3.32%,最小误差为0.1%,证明BP神经网络方法可以用于实现缺陷的定量识别计算。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

改进型神经网络在雷达误差补偿中的应用

针对传统误差补偿方法用于防空雷达存在适应性和适用性差的问题,构建了一种基于改进粒子群算法优化的BP神经网络,能够更稳定、更精确地估计雷达误差,并补偿雷达量测值,从而更好地提高雷达的探测精度。首先,引入收敛因子以及动态自适应调节惯性权重,提高粒子群算法的全局寻优能力与收敛速度;其次,将改进的粒子群算法用于优化BP神经网络的初始权值和阈值,提高BP神经网络的估计精度,缩短训练时间。采用某雷达的实测数据进行仿真验证,结果表明,补偿后的距离、方位角、俯仰角的精度和误差起伏性均有大幅改善,与传统方法相比补偿效果更好,工程应用性和推广应用性更强。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

基于粒子群-BP神经网络的陀螺温漂建模

针对哥氏振动陀螺的温漂问题,本文采用基于粒子群的BP神经网络算法对压电振动陀螺的温度漂移现象进行建模,并在算法中加入高斯噪声干扰;相对于传统的单BP神经网络算法,含有噪声的粒子群—BP神经网络算法,在精度和收敛速度两个方面有了较大提高,所构建的温漂模型具有更好的非线性描述能力,从而能为哥氏振动陀螺提供了更高精度的零电位误差补偿.