基于非加热气体传感器的神经网络的气体检测

介绍了基于新型非加热型半导体气体传感器和人工神经网络的气体定量检测系统。通过该系统对酒精气体进行了定量检测分析。实验结果表明:系统能以较高的精度检测出气体的浓度,具有较高的实用性。     

基于非加热气体传感器和神经网络的气体检测

介绍了基于新型非加热型半导体气体传感器和人工神经网络的气体定量检测系统.通过该系统对酒精气体进行了定量检测分析.实验结果表明:系统能以较高的精度检测出气体的浓度,具有较高的实用性.     

基于PSO算法集成神经网络的多元有害气体检测系统

针对目前常见的多元有害气体检测问题,搭建了一套基于传感器阵列和集成神经网络相结合的多元有害气体检测系统。为了提高该系统的稳定性和预测精度,提出使用粒子群算法( PSO)优化集成神经网络的权重系数的方法,即利用PSO的全局搜索能力,对该系统的集成神经网络权重系数进行全局优化,再以优化后的权重系数实现多个神经网络的结论结合。该系统对传感器阵列的4种混合有害气体的响应信号进行回归分析。结果显示,该系统PSO算法的集成神经网络预测的平均相对误差小于1%,网络具有更强的稳定性和泛化能力。     

基于传感器动态检测和神经网络的气体识别

提出将气体传感器阵列动态检测与人工神经网络相结合的方法实现气体的识别。设计了用该方法进行气体检测识别的实验系统。该方法具有实验次数少、识别准确度高的优点。实验以4个金属氧化物半导体气体传感器组成的阵列为例,详细讨论了该方法的实验过程及识别结果。通过实验对甲烷、乙醇、丙酮3种气体及其混合气体进行识别,结果表明:该方法的正确识别率达到100%,具有很高的实用价值。     

基于模糊神经网络的管道泄漏检测方法研究

为了及时准确地检测管道泄漏,提出了一种基于模糊神经网络的管道泄漏检测的方法.首先以管道内流体在出口与人口之间的压力差与流量差信号作为网络输入,以泄漏的尺寸大小作为网络输出,构建了管道泄漏检测与泄漏尺寸估计的模糊神经网络结构,进而选取实际管道数据,对网络的参数进行离线训练,并得出网络权值.最后以借鉴某管道泄漏的部分先验知识建立模糊规则的基础上,通过仿真验明了方法在管道泄漏诊断中的有效性和可行性.     

PSO-BP神经网络在多元有害气体检测中的应用

针对目前常见的多元有害气体检测问题,搭建了一种基于传感器阵列和GP神经网络相结合的多元有害气体检测系统。该检测系统中采用了GP神经网络算法对传感器阵列的4种混合有害气体的响应信号进行回归分析。为了提高GP神经网络的预测准确性,又利用了粒子群优化（ PSO）算法对GP神经网络的权值与阈值进行了优化。结果显示：通过PSO 优化的GP（ PSO-GP）神经网络预测的平均相对误差小于2%,能够有效解决气体传感器交叉敏感问题。     

钢板无损检测中基于模糊神经网络的参数识别

钢板表面缺陷自动分类系统是近年来的研究热点之一，为了解决多无损检测源数据融合法检测缺陷尺寸的问题，给出了一种适用于多传感器数据融合的模糊神经网络模型，并对该模型的结构特点及实现进行了详细讨论，初步试验结果表明，此模型在一定程度上解决了从不同无损检测源所测值对钢板缺陷进行有效定量分析这一问题，它在无损检测中的应用表明该模型解决了传统模型中存在一些问题，同时表明该模型也可应用到其它许多领域。     

基于模糊积分的多神经网络入侵检测模型研究

入侵检测技术是一种主动保护网络安全的技术,它是继防火墙、数据加密等传统的网络安全保护措施后的又一种安全保障技术.但现有的入侵检测系统不但误报率高,且实时性差,这是由于入侵检测需要处理大量数据,数据挖掘技术的优势在于能从大量数据中发现特征和模式.为了提高基于数据挖掘的入侵检测的准确率,将模糊积分和数据挖掘中神经网络技术应用在入侵检测中,提出一种基于模糊积分的多神经网络入侵检测模型.     

基于传感器阵列与前馈神经网络的气体辨识系统

将气体传感器阵列与前馈神经网络模式识别技术相结合形成气体辨识技术相结合形成气体辨识系统,通过实验比较了不同的传感器信号预处理方法、前馈神经网络的结构和参数对气体辨识系统性能的影响,研究结果具有一定的工程应用价值。     

一种基于模糊神经网络的语音端点检测方法

为了提高语音端点检测的适应性和鲁棒性,提出一种基于小波分析和模糊神经网络的语音端点检测方法。利用小波变换得到语音信号的特征量,以这些特征量为模糊神经网络的输入进行运算,判断出该信号的类别。介绍了信号特征量的提取以及模糊神经网络的模型、学习算法等。实验表明,与传统的检测方法相比,所提出的方法有较好的适应性和鲁棒性,对不同信噪比的信号都有较好的检测能力。     

基于T-S模型FNN的网络入侵检测方法研究

本文对基于T-S模型FNN的网络入侵检测方法进行系统地研究与分析.解决了T-S模型网络的前件网络模糊参数和后件网络连接权的学习问题.采用1998年林肯实验室数据集,运用统计分析的方法对数据进行特征选取,并进行归一化处理.最后进行网络入侵检测方法的建模,在Matlab仿真平台上进行仿真实验,结果表明基于T-S模型FNN的网络入侵检测方法具有很好的应用价值.     

基于模糊神经网络的火灾探测系统研究

为降低火灾报警误报、漏报频率,根据火灾探测特点,提出了基于模糊神经网络的火灾探测系统设计方案,介绍了基于模糊神经网络的火灾探测系统组成、模糊神经网络的设计与应用等。该系统可对传感器探测到的信息进行智能化处理,明显提高了火灾探测的灵活性和准确性。仿真结果证明了该方法的可行性。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于模糊神经网络火灾探测信号处理方法

针对火灾探测信号的特点,建立了火灾探测系统模型及用于处理火灾信号的模糊神经网络计算模型.利用神经网络构造模糊系统,用神经网络的自学习和自适应能力自动调整模糊系统参数,用改进的BP算法对网络进行学习和训练.根据国家标准试验火数据进行网络的学习和测试,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.     

基于结构上下文的模糊神经网络自动目标检测方法

提出了一种基于结构上下文的模糊神经网络(SCFNN)自动目标检测方法。模糊神经网络方法既具有神经网络的自适应性、并行性、鲁棒性、容错性、优化等优点，又集成了模糊集理论运用知识、规则描述解决系统不确定性的优点，因此成为图像处理和模式识别的一种强有力工具。使用模糊测度作为神经网络的目标函数可以有效地描述像素类别的不确定性，从而通过使其最小实现图像分类优化。对网络神经元加权过程进行结构上下文信息约束可以充分减小图像信息尤其是目标边缘等特性包含丰富信息的损失，有效地保持目标的轮廓和形状等属性，改善目标检测的误检率。针对目标遥感图像的实验，验证了SCFNN方法具有很好的自动目标检测能力，而相对于传统神经网络方法，具有有效的不确定性解决能力和更好的目标形状保持能力。     

基于T-S模糊神经网络预测算法的管道泄漏定位研究与分析

长输管道的泄漏检测和定位对管道安全平稳运行意义极其重大,在以软件计算为主的检测方法里,模糊神经网络模型综合了模糊算法和神经网络模型的优点,能较好地适应长输管道的非线性特征。本文采用中亚地区某管道某相邻两站场的历史数据训练基于高木-关野（Takagi-Sugeno）模糊神经网络的预测模型,使用STONER管道仿真软件产生实时数据,用一种较简单的软方法较好的实现管道泄漏定位,该种方法对中亚某长输管道这类没有专门硬件泄漏检测设备和系统的管线有一定的实用意义。     

基于模糊小波神经网络的主机入侵预测

综合利用模糊技术、神经网络与小波技术,提出一种主机入侵预测模型FWNN-IP。将系统调用按危险度进行分类,并为高危险度的系统调用赋予较高的值,利用模糊化后的系统调用短序列分析程序(进程)的踪迹,达到入侵预测的目的。实验结果表明,FWNN-IP模型能够及时预测程序(进程)中的异常,采取更加积极主动的预防措施抵制入侵行为。     

基于模糊神经网络的飞机防滑刹车系统研究

以某型飞机刹车系统为研究对象,为了使该系统以最佳滑移率工作,防止陷入深度打滑和获得最大的刹车结合系数,提出了一种智能飞机防滑刹车系统的设计方案,制定出刹车控制规律并对整个刹车系统进行了仿真。改进了现有飞机刹车防滑系统的控制算法,应用神经网络BP算法实时获取最佳滑移率,利用模糊神经网络实现快速逼近给定滑移率,并采用基于数字信号处理器（DSP）的硬件电路实现了智能刹车控制。实验结果表明,飞机防滑刹车效率有了明显改进,鲁棒性增强。     

基于KPCA和T-S模糊神经网络的煤与瓦斯突出的预测

应用核主成分分析（KPCA）和T-S模糊神经网络方法对煤与瓦斯突出进行快速、精准预测。利用KPCA对实验样本数据中的多种煤与瓦斯致突因素进行降维,简化问题的复杂度,将选取的累计贡献率大于 90%的4个主成分作为T-S模糊神经网络的输入参数,煤与瓦斯突出强度作为输出参数。利用实测数据进行验证,并与BP神经网络预测模型、T-S模糊神经网络预测模型的预测结果进行比较。结果表明,该方法建立的预测模型准确性、有效性更高,收敛时间短,适用于煤与瓦斯突出预测。     

基于主成分的模糊神经网络

结合神经网络(NN)、模糊控制(FC)和主成分分析(PCA)各自的优点,提出基于主成分分析的模糊神经网络(FNN)模型。当输入因子较多且自变量之间相关性较大时,引入主成分分析对多指标的原始变量进行事先分析,以原始变量的主成分作为网络输入。减少了输入维数,同时消除各变量间的相关性,从而提高了网络的收敛速度、稳定性,以及简化了网络结构。进一步发挥了FNN自适应、自学习的功能。