基于小波神经网络的FRP复合材料损伤声发射信号识别

针对FRP复合材料损伤声发射信号的特点,运用小波包分解提取特征向量作为网络输入,通过小波分析与神经网络紧致结合的方式对不同类型的损伤模式进行识剐,并将遗传算法引入到小波神经网络中,优化网络初始权值,提高了网络的全局搜索与识别能力.     

基于遗传算法优化神经网络的管道泄漏检测方法研究

介绍了遗传算法的基本思想和操作原理,并对遗传算法优化神经网络的方法进行阐述,重点分析了遗传算法对神经网络的网络连接权和阈值的优化。将遗传算法与神经网络相结合应用于管道泄漏检测中,该算法既有神经网络的学习能力和鲁棒性,又有遗传算法的很强的全局搜索能力,能够快速准确地识别管道泄漏。通过试验进行对比,证明遗传算法优化后的神经网络效果更好。     

具有遗传算法优化BP神经网络调节的HVDC PID控制器设计

高压直流输电(HVDC)定电流控制是直流输电系统的控制方式之一,为了使HVDC PID控制器具有较好的自适应性,实现控制器参数自动调整,提出一种具有遗传算法优化BP神经网络调节的HVDC PID控制器。该控制器首先利用遗传算法对BP神经网络的初始权值进行优化,再利用BP神经网络对PID三个参数进行在线调整。仿真研究表明:具有遗传算法优化BP神经网络调节的PID控制器可以保证系统动态响应具有较好的快速性和对系统扰动的自适应性,是可行的。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

遗传神经网络在随钻测斜仪传感器补偿中的应用

为了进一步提高随钻测斜仪的测量精度和工作稳定性,采用Elman神经网络进行建模,将自适应遗传算法作为Elman网络的权阈值学习算法,克服了传统方法训练时间长、容易陷入局部最优解等缺点。仿真结果表明,与采用Elman网络算法相比,补偿精度提高两个数量级,补偿效果稳定。     

基于小波包与PCA遗传神经网络相结合的齿轮箱故障诊断方法

针对风电机组齿轮箱振动信号非平稳、不确定的特点,提出基于小波包与PCA遗传神经网络相结合的风电机组齿轮箱故障诊断方法。该方法选取振动信号的峭度和峰值作为时域特征值,利用小波包算法提取频带能量和二范数作为时频域特征值。考虑到特征值之间的相关性,利用主成分分析法确定主成分,从而减少神经网络的输入变量。利用遗传算法对BP神经网络权值和偏置进行优化,建立遗传神经网络的故障诊断模型。仿真测试结果证实了算法的有效性。     

基于Sigmoid函数参数调整的双隐层BP神经网络的板形预测

提出一种改进的BP神经网络处理板形缺陷数据的方法,建立双隐层BP神经网络模型,并对Sigmoid激活函数的形状进行调节。将其应用到冷轧的板形缺陷识别中,与利用Levenberg-Marquardt规则训练的BP神经网络预测结果作对比,表明该方法不仅有效地减少双隐层BP网络的学习时间,同时改善了网络的泛化能力,有利于板形缺陷在线识别。     

遗传算法-神经网络-流动注射光度法同时测定镍和铁

在遗传算法的应用研究中,总共做了两方面的工作。其一利用遗传算法对神经网络结构参数进行优化;其二对神经网络的初始权重进行优化。得到优化的遗传神经网络GA-BP-ANN。将此网络应用于解析流动注射-光度分析测得的铁(镍)-(5-Br-PADAP)络合物的重叠光谱,建立了不经分离同时测定铁和镍的新化学计量学方法。     

粒子群优化小波神经网络的齿轮箱故障诊断

针对传统的小波神经网络容易陷入局部极小、收敛速度慢和运行效率低等不足,将粒子群优化引入小波神经网络中,提出了一种粒子群优化小波神经网络学习算法。该方法利用粒子群算法优化小波神经网络中的权值(即尺度因子)和阈值(即平移因子),从而可以自适应地选择小波神经网络的参数,提高算法的收敛性和快速性,克服传统的小波神经网络容易陷入局部极小、收敛速度慢和运行效率低等不足。实验结果表明,提出的方法是有效的,优于传统的小波神经网络学习算法,能够准确地识别齿轮裂纹的损坏程度。     

基于BP神经网络和改进遗传算法的蒸发器支座结构优化设计

应用显著性分析选取了优化结构参数,利用正交试验法和有限元法确定了神经网络样本数据,建立了反映结构特性的人工神经网络模型,为遗传算法提供了适应度函数,并通过改进遗传算法完成了函数优化。对比和分析结果表明,优化结构比初始结构的体积减少了19．9％,失稳临界载荷提高了293％,且满足强度条件。     

人工鱼群算法在气固流化床流型识别中的应用

准确识别流型是流化床气固二相流参数检测的一项重要内容,实验是在流化床气固二相流实验系统上进行的。首先,采集5种典型流型的压力波动信号,并以信号的统计参量作为流型特征。然后,将样本送入经过人工鱼群优化的BP神经网络进行训练。人工鱼群(AFSA)是一种新型的智能优化算法,具有全局收敛性好,鲁棒性强,对初值不敏感等特点,通过优化神经网络的权值使识别率得到明显提高,实现了气固流化床典型流型的快速、准确识别。实验结果表明,该方法对气固流化床5种典型流型的识别率达到97%,为在线识别气固流化床流型提供了一种新的有效方法。     

基于图像傅里叶变换纹理特征和概率神经网络的气固流化床流型识别

提出一种基于图像傅里叶变换纹理特征和概率神经网络相结合的气固流化床流型识别的新方法。该方法利用高速摄影系统获取流型图像。首先对流型图像进行组合滤波去噪,然后运用长方环傅里叶周向谱能量百分比法来计算图像频率分布特征,从而建立流型图像的纹理特征向量,并结合概率神经网络进行训练,实现流型的识别。实验结果表明,该方法能有效地识别气固流化床中鼓泡床、节涌床、湍动床、快速流化床、稀相输送五种典型流型,整体识别率达到98%,为流型识别开辟一条新途径。     

基于神经网络的两相流流型识别方法研究

采集了水平管内气水两相流动的差压信号,利用概率密度函数(PDF)对差压信号特征进行了分析;定义了PDF的四个特征参数,即PDF波峰个数K1、波峰峰值K2、波峰位置K3、以及PDF的方差K4来反映流型的特征。运用四个参数构成的特征向量对径向基函数(RBF)神经网络进行训练并识别流型,结果表明,该方法具有识别速度快、准确率高的特点,从而为两相流的流型识别提供了一种有效的手段。     

基于图像动态纹理特征的气固流化床流型识别

准确识别流型是气固流化床二相流参数检测的重要内容,文中提出一种基于图像光流法和动态纹理特征相 结合的气固流化床流型识别的新方法.实验是在气固流化床二相流实验系统上利用高速摄影系统获取流型图像.流型图像分别为鼓泡床,节涌床,湍动床,快速流化床,稀相输送等5种典型流型.首先对获取的不同流型图像分别进行去噪和对比度拉伸...     

Intelligent identification of the flow regimes of two-component particles in a fluidized bed with the optimized fuzzy c-means clustering algorithm

Flow regime identification is important in the application of fluidized beds. This paper provides a method for deciding flow regime number by objective criterion. The optimized fuzzy c-means clustering algorithm was used to cluster the flow regime classification of two-component particles in a fluidized bed. The genetic algorithm was applied to optimize the initial center clusters of fuzzy c-means clustering. Hilbert-Huang transform was applied to analyze pressure fluctuation signals and extract the characteristic parameters. Three clusters were found and respectively ascribed to three flow regimes: bubbling bed, slugging bed, and turbulent bed. A multilayer neural network was used to train and test the identification system of the flow regimes. The identification accuracies of bubbling bed, slugging bed, and turbulent bed can reach 91.67%, 92.85%, and 91.30%, respectively.     

基于神经网络和D-S证据理论的气液两相流流型识别方法

提出一种运用神经网络和D-S（Dempster-Shafer）证据理论的多特征信息融合的气液两相流流型识别方法.对压差波动信号进行4层小波包分解,提取各频带信号的小波包能量和信息熵构造两个特征向量,再利用统计和分形理论提取压差波动信号的3个统计参数和4个分形参数作为另一个特征向量,然后将这些特征向量送入改进的BP神经网络进行训练,从而实现对流型的识别.以初始识别结果作为彼此独立的证据,根据D-S证据融合规则进行融合处理,得到最终的识别结果.以水平管内空气-水两相流流型识别为例,说明了该方法的具体实现过程.结果表明,多特征信息融合比单一特征的识别方法具有更高的识别率.     

基于图像不变矩特征的气液二相流流型识别

气液二相流流型极大地影响气液二相流的流动和传热特性,准确识别流型对相关设备的设计和运行具有重要意义。根据不变矩能有效检测出具有平移、旋转、比例变化的图像特性,提出了一种基于图像不变矩和概率神经网络相结合的气液二相流流型识别的新方法。该方法利用高速摄影系统获取水平管道内气液二相流的流动图像,经过图像处理后提取图像不变矩特征向量,并以此特征向量作为流型样本对概率神经网络进行训练,实现了对流动图像的流型智能化识别。实验结果表明,训练成功的概率神经网络能够快速准确地识别水平管道内的7种典型流型,整体识别率达到99.3%,为流型在线识别提供一种新的有效方法。     

基于子波能量特征的气液两相流流型辨识方法

气液两相流的流型影响着两相流的流动特性和传热特性,同时也影响着流动参数的准确测量以及两相流系统的运行特性。针对压差信号的非平稳和非线性特点,尝试利用Hilbert-Huang变换(HHT)和小波包分解对差压波动信号进行信号处理,进而建立流型的子波能量（IMF能量和小波包能量）特征,并以此特征向量作为Elman神经网络的输入量,从而实现对流型的智能识别。实验结果表明：这两种特征向量与Elman神经网络结合都能够较准确地识别出4种流型,并且各自都有不同的优缺点。另外与BP神经网络相比,采用Elman神经网络进行流型识别可以获得更高的识别率。     

基于神经网络和遗传算法的螺旋折流板换热器性能预测

将人工神经网络（ANN）应用于非连续螺旋折流板换热器的壳程换热和流阻分析。中试试验研究了具有3个螺旋角和2种管型的换热器。作为人工神经网络最常用的一种类型,将多层感知器神经网络（MLP）应用于本研究,使用一定的实验数据进行网络训练及预测。应用遗传算法（GA）对MLP的初始权值和阈值进行优化,预测结果精确。通过比较不同网络结构的预测误差来选择最适宜的网络结构为9-7-5-2。和关联结果比较可知MLP-GA网络对于换热器性能预测更加适合。此外,当使用MLP-GA方法在训练数据范围以外对壳程换热系数和压降进行预测时,网络预测结果和实验结果吻合程度也较高。因此,MLP-GA混合算法能够用来预测螺旋折流板管壳式换热器的传热和水力学性能。     

基于电容层析成像和模糊模式识别的油气两相流流型辨识新方法的研究

基于电容层析成像和模糊模式识别技术别提出了一种油气两相流流型辨识的新方法。建立了12电极电容层析成像流型自动识别系统，该系统利用Tikhonov正则化原理并结合SIRT(Simultaneous Reconstruction Techniques)算法进行图像重建。Tikhonov正则化原理用于克服图像重建过程中的不适定问题，SIRT算法用于提高最终重建图像的质量。根据流型的随机和模糊特性，提出了一种根据管截面重建图像进行流型辨识的模糊流型判别方法。研究结果表明，提出的流型辨识新方法是有效的。对于层状流、核心流、环状流、均相流等流型，流型辨识的准确率高于95％，辨识一个流型所用的时间小于0.3秒。对于塞状流，流型辨识的准确率高于90％。