基于AdaBoost与GABP的模拟电路软故障诊断方法

针对容差模拟电路软故障诊断精度较低的问题,提出了一种基于AdaBoost与GABP的组合分类器诊断方法;首先,在Pspice中对故障模式进行Monte-Carlo分析,并利用波形有效点提取法提取故障特征,在此基础上,做归一化处理构建神经网络的原始样本;其次,利用GA算法与L-M算法组合优化BP网络构建GABP分类器;最后,利用AdaBoost算法对GABP单分类器进行迭代提升,构建AdaBoost-GABP组合分类器;诊断实例的结果表明,该方法比传统的单分类器诊断方法具有更高的诊断精度、更低的绝对误差,能够克服单分类器容易陷入局部最优,诊断结论不可信的缺陷。     

基于蚁群算法的电路故障诊断研究

BP算法在神经网络中应用较为广泛，但有收敛速度慢、易于陷入局部极小点的缺点。蚁群算法是一种新型的模拟进化算法。具有正反馈、分布式计算、全局收敛、启发式学习等特点。本文将蚁群算法和神经网络结合，应用于电路故障诊断中，有效提高了诊断效率。     

基于Log-Gabor和AdaBoost的人脸识别算法研究

随着模式识别和计算机图形处理技术的发展,人脸识别技术在公共安全、居所门禁、信息安全领域广泛应用,如何提高人脸识别算法的效率与准确度是首要问题。在运用基于Log-Gabor小波的滤波器实现提取人脸特征的基础上,采用AdaBoost迭代算法训练强分类器,以降低特征向量数,从而达到提高识别效率的目的。与通常的算法比较,在不损失准确度的基础上,可显著节约匹配时间。     

Boosting家族AdaBoost系列代表算法

1 引言 Boosting由Freund和Schapire于1990年提出,是提高预测学习系统预测能力的有效工具,也是组合学习中最具代表性的方法。其代表算法可分为Boost-by-majority和AdaBoost两个系列。Boosting操纵训练例子以产生多个假设,从而建立通过投票结合的预测器集合。AdaBoost在训练例子上维护一套概率分布,在每一回迭代中AdaBoost在每个例子上调整这种分布,成员分类器在训练例子上的错误率被计算出来并以此在训练例子上调整概率分布。权重改变的作用是在被误分的例子上放置更多的权重,在分类正确的例子上减     

新的软间隔AdaBoost弱分类器权重调整算法

为避免硬间隔算法过分强调较难分类样本而导致泛化性能下降的问题,提出一种新的基于软间隔的AdaBoost-QP算法。在样本硬间隔中加入松弛项,得到软间隔的概念,以优化样本间隔分布、调整弱分类器的权重。实验结果表明,该算法能降低泛化误差,提高 AdaBoost算法的泛化性能。     

人工鱼群算法的汽轮发电机故障诊断仿真研究

研究汽轮发电机故障准确诊断问题,由于汽轮发电机组故障特征与故障状态间呈现较强的非线性关系,传统的数学模型很难正确识别汽轮发电机的各种故障状态,诊断精度不高。RBF神经网络具有自学习、非线性处理等优,为了提高汽轮发电机故障诊断正确率,建立了一种人工鱼群优化RBF神经网络的汽轮发电机故障模型,充分利用人工鱼的聚群、追尾和觅食行为,对RBF神经网络的参数进行了优化,然后采用优化RBF神经网络对故障进行诊断。仿真结果表明,RBF神经网络可提高汽轮发电机故障诊断准确率。     

基于AdaBoost算法的智能轮椅避障研究

随着计算机图像处理能力和技术的发展,视觉传感器在移动机器人导航和障碍物识别中的应用越来越受到重视.将AdaBoost算法用于智能轮椅的障碍物识别,在Visual C++6.0平台下,用AdaBoost算法训练得到用于障碍物检测的强分类器,然后利用该分类器进行检测出目标障碍物,并用模糊神经网络的方法对轮椅的声纳信息,视觉...     

基于损失函数的AdaBoost改进算法

针对AdaBoost集成时难分样本权重扩张导致训练样本在更新时分布失衡的问题,提出一种基于正负类样本损失函数(LF)的权重更新策略。权重的调整不仅与训练误差有关,还考虑到基分类器对不同类别样本的正确分类能力,从而避免训练样本过度集中于某一类的异常现象。实验结果表明,基于LF的AdaBoost能在提高收敛性能的情况下,提高算法精度,克服样本分布失衡问题。偏差方差分析的结果显示,该算法在改善偏差的情况下,能有效地减小错误率中的方差成分,提高集成的泛化能力。     

基于AdaBoost算法的彩色图像人脸检测研究

在彩色图像中,不同的颜色所对应的灰度值可能相同,因此在灰度图像中检测不到的信息可能在彩色图像中被检测到。本文提出一种彩色积分图概念,在AdaBoost算法的分类器训练过程中分别得到彩色图像的人脸信息,并在分类器的后五层使用融合彩色信息的分类器分类。实验表明,本文方法增强了分类器的分类能力,提高了系统的正确检测率,降低了错误报警率。     

基于神经网络的复杂电子装备故障诊断系统的仿真研究

该文针对复杂电子装备故障诊断难的特点，以一种典型设备的主要几种故障主例，设计了一种新型神经网络模型，并对系统进行了仿真，讨论了以此模型为基础进行诊断的可能性和正确性，实践表明了该模型的有效性和合理性，与传统方法相比，提高了故障诊断的准确度，而且充分运用了工作经验、专家知识，具有很大的工程应用价值。     

构造型神经网络在故障诊断中的应用研究

提出一种新的故障诊断方法,以便更加有效地解决具有先验知识的故障分类问题。以先验样本点为中心,利用内积判断样本数据的相似度,从而进行聚类分析,在特征空间里作超平面与球面相交,得到一个球面覆盖领域,从而将神经网络训练问题转化为点集的覆盖问题。该算法以构造型神经网络为基础,其特点是直接对故障样本数据进行处理,由于覆盖中心确定,该算法构造出的是隐层元最少的网络结构,有效地克服了传统神经网络训练时间长、学习复杂的问题。计算机仿真实验结果证实了该算法的有效性。     

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。     

模拟电路故障的分布式诊断算法

提出一种模拟电路故障的分布式诊断算法,用以解决大数据量故障样本集所带来的网络规模过大,训练时间过长等问题。该算法采用有监督Hebb学习规则,在训练学习过程中添加类别标识,避免了因数据分割而产生的部分知识的丢失。分别用提出的分布式算法和传统的BP算法对实例电路进行故障诊断,实验结果表明,提出的分布式算法不仅和BP算法的诊断正确率相当,而且有效地提高了训练学习的速度。     

基于小波分析的传感器故障诊断方法仿真研究

针对装甲车辆数据采集控制系统中传感器故障难于直接检测的问题,本文提出一种基于小波变换的方法对传感器故障进行诊断。首先介绍了小波分析的基本理论,对比阐述了连续小波变换和离散小波变换的原理和优缺点;其次利用Matlab/Simulink搭建模型进行仿真试验,采用连续小波变换对传感器故障进行检测,准确定位故障发生时刻;最后本文还选取了几种典型的传感器故障进行诊断,仿真结果验证了该方法的可行性和准确性。     

An application of a discrete wavelet transform and a back-propagation neural network algorithm for fault diagnosis on single-circuit transmission line

This article proposes an application of the discrete wavelet transform (DWT) and back-propagation neural networks (BPNN) for fault diagnosis on single-circuit transmission line. ATP/EMTP is used to simulate fault signals. The mother wavelet daubechies4 (db4) is used to decompose the high-frequency component of these signals. In addition, characteristics of the fault current at various fault inception angles, fault locations and faulty phases are detailed. The DWT is employed in extracting the high frequency component contained in the fault currents, and the coefficients of the first scale from the DWT that can detect fault are investigated, and the decision algorithm is constructed based on the BPNN. The results show that the proposed technique provides satisfactory results.     

基于小波分析和遗传神经网络的模拟电路故障诊断方法*

针对BP网络极易收敛于局部极小点与过拟合等缺点,在构建小波神经网络的基础上,提出用遗传算法优化BP神经网络的模拟电路故障诊断方法.该方法使用小波作为预处理工具,经PCA分析和归一化后提取输出信号的能量信息作为特征向量,用遗传BP神经网络作为故障识别器,对模拟电路故障进行诊断.与传统BP神经网络相比较,结果表明,该方法可明显改善神经网络结构、提高故障诊断的精度和速度.     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于神经网络专家系统的钻井事故诊断

结合石油钻井工程的实际情况,依据钻井过程的监测参数,设计了利用神经网络进行知识获取、专家系统进行事故诊断的钻井工程事故智能诊断系统。通过神经网络对钻井复杂问题实例的不断学习训练,获得用于智能诊断的知识,完成对事故发生可能性的初步诊断。经过专家系统的进一步启发式反向推理验证事故是否存在,给出最后确诊,以此监控钻井参数,指导钻井参数调整的实施。应用实例结果表明,该智能诊断系统应用于钻井事故诊断是有效的,对减少钻井事故的发生与发展具有重大的实际应用价值。     

Multi-GAT: 基于多度量衡构建图的故障诊断方法

基于图神经网络的故障诊断方法, 通常需要根据度量衡确定样本之间的相似性, 进而构建图的拓扑结构.然而, 根据单一度量衡可能无法准确衡量数据样本之间的相似性, 进而导致无法准确表征样本之间的关系. 因此, 选用不同的度量衡会极大地影响图神经网络的诊断性能. 为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题, 本文提出了一种基于多度量衡构造图的故障诊断模型???Multi-GAT. 通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱. 本文改进了图注意力网络的评分函数, 使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性. 在本文基准数据集上的实验表明, Multi-GAT能够提升模型的诊断精度,且拥有较好的稳定性.     

基于CAE与AdaBoost的频谱感知

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环自相关估计（CAE ）和AdaBoost的认知网络频谱感知算法。对信号采用循环自相关估计算法进行特征参数提取,生成训练样本和待测样本,采用AdaBoost算法分别对有无主用户情况下的信号进行分类检测。仿真结果表明,与人工神经网络和最大最小特征值算法相比较,该算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。