基于人工神经网络的智能型自适应保护──(Ⅰ)原理和模型结构

介绍了一种基于人工神经网络的智能型自适应继电保护原理其基本思想是利用了比传统保护多得多的信息量它比传统保护能区分更多的故障类型,提高了继电保护的适用范围,如从原理上解决了经高阻抗的短路故障保护问题．本保护的人工神经网络由３个子网络组成：先采用第一个三层ＢＰ网络对输电线路一侧的电流、电压信号进行前置处理,得到其特征量（各次谐波的幅值）;然后,在不同运行工况和不同类型的区内外故障时,再把特征量输入第二个三层ＢＰ网络,以判别区内外故障;第三个ＢＰ网络用于故障相判别．     

自组织映射法在机械故障诊断中的应用

自组织映射法是由Ｔ．Ｋｏｈｏｎｅｎ提出的一种人工神经网络模式,它能把高维的信息数据以有序方式映射到低维的网络上,形成一种拓扑意义上的有序图。由于其有序性,使得信号空间图成为许多输入信息及其关系的群落图。每个图可用灰度深浅不等的方块阴影图表示出来,这种可视的图形表示了机械运行的状态。人们可以非常直观地从图上判断机械运行状态,从而使得机械运行状态的监测和故障诊断更为简便。     

基于人工神经网络预测柴油机油台架试验结果

根据ＣＤ级柴油机的模拟实验与台架试验的基础数据,用人工神经网络的反向传播（ＢＰ）方法,对两者的关系进行了研究,给出了人工神经网络的学习速率为０．２,动量因子为０．９,对人工神经网络的拓扑结构也进行了研究,得到了合适的５－７－２拓扑结构及各节点间的权重系数。探讨了用模拟实验数据预测台架试验结果的可能性,通过检验,证明了用人工神经网络方法建立的模型能准确预报柴油机油的台架试验结果。     

基于BP神经网络的福州港集装箱吞吐量预测与分析

基于集装箱吞吐量是在制定港口集装箱运输发展策略的重要定量决策依据,本文利用神经网络,对福州港未来三年的集装箱吞吐量进行预测,并就预测的结果进行简要分析。     

基于BP的食品中污染物残留量预测

利用神经网络,根据食品卫生监测部门日常对市场上食物的检测数据,建立污染物分布模型,并对所建立的模型进行适应性检验。     

基于人工神经网络的CCD数码相机颜色特征化

阐述了基于BP神经网络的数码相机特征化方法。采用不同的神经网络结构,建立了数码相机记录的RGB信息和原影像C IEXYZ色度信息之间的非线性对应关系。对NIKON D200数码相机进行了研究,通过实验得到了合理的神经网络结构为3—10—10—3。测试不同的训练样本和测试样本,达到的C IELAB平均色差和最大色差分别为1.9~2.2和6.7~7.4个色差单位。讨论了实验设备的重复性,同时,分析了样本数量对实验结果的影响。实验结果表明:对数码相机的特征化,可采用BP神经网络技术实现较高的精度。     

PSO算法和神经网络的入侵检测系统设计

针对入侵检测系统检测率低,整体性能不好的问题,在探讨入侵检测技术和人工神经网络理论的基础上,提出了一种基于PSO算法优化的径向基函数神经网络的入侵检测系统,采用具有全局寻优的功能PSO算法,该算法能够改进传统的RBF神经网络学习策略,弥补RBF神经网络参数设置的不足,采用了来自KDD CUP99的权威数据来进行网络学习和测试,在此基础之上,进行了入侵检测系统的设计与实现,实验结果表明,基于PSO和RBF神经网络的人侵检测系统有效地提高了入侵检测的效率.     

基于人工神经网络的红外小目标检测

提出一种使用人工神经网络技术来估计红外图像背景的快速算法,并利用红外图像中弱小目标的特性来构建目标模型,采用中心重合的大、小两个窗口,用大窗口的外层来估计目标周围的背景,即隐含层第一个结点的输出值,大窗口内的小窗口则是用采估计中心像素的特性,即隐含层第二个结点的输出值,用隐含层第二个结点减去第一个结点的差的大小来判断中心像素是属于目标还是背景,差值越大输出值越大.采用该思想训练网络权值,可以更好地检测真目标,剔除虚假目标.     

一种基于人工神经网络的快速超分辨率方法

图像的超分辨率是指利用一幅或者多幅的低分辨率图像,通过相应的算法来获得一幅对应的清晰的高分辨率图像.针对现有的基于学习的超分辨率方法低效率的问题,提出一种基于人工神经网络的快速超分辨率方法,该方法试图利用人工神经网络学习到高分辨率图像和低分辨率图像之间的函数关系,其理论基础来自于人工神经网络能够很好地求解流形学习中高维流形和低维流形之间的映射关系.     

人工神经网络评价法在医师培训管理系统中的应用

针对医师培训管理系统中培训医师评价的问题,提出了用人工神经网络评价法,构建了定性和定量两个相结合的综合评价模型。结果表明,该方法能够快速且更科学地对医师培训做出综合评价。