基于人工神经网络的制冷系统工况模拟

针对人工神经网络技术在制冷空调系统中的仿真应用,文章建立了单回路制冷系统的性能仿真系统;通过实验模拟制冷系统在夏季的负荷变动情况,得到了用于神经网络模型训练的样本数据;对制冷系统进行多种神经网络结构的建模,并进行了神经网络中各种结构参数对模型精度影响的分析;利用训练好的双隐层神经网络模型,研究了空调机组性能的影响因素,包括压缩机频率、室内外温度等;模拟结果表明,机组EER随着压缩机频率增加先增加后减少,随着室内温度升高而增加,随着室外温度升高而减少;结果表明,人工神经网络方法是分析制冷机组性能的一种有效途径。

基于双隐层径向基过程神经网络的润滑油金属含量预测

润滑油金属含量是航空发动机摩擦件健康状态的重要表征,通过对其进行预测可提前发现相应部件的机械故障,避免造成严重的发动机二次损伤。在航空发动机的实际运行期间,润滑油金属含量受许多复杂因素影响,用传统方法难以有效预测其变化趋势。提出一种基于双隐层径向基过程神经网络的润滑油金属含量预测方法,并开发一种基于软竞争学习算法和BP学习算法的混合学习算法。将该方法用于某型航空发动机润滑油铁金属含量预测,取得了满意的结果。

结合双模多尺度CNN特征及自适应深度KELM的浮选工况识别

针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。

小波神经网络的改进及应用

提出一种带有动态补偿的双隐层小波神经网络,其中过程神经元隐层完成对输入信息过程模式提取和对时间的聚合运算,小波函数代替非时变一般神经元隐层函数,用于提高网络对系统输入输出之间复杂关系的映射能力,动态补偿用于提高建模精度.将其应用于管道泄漏故障的检测,收到良好的效果.

改进Elman神经网络的综合气象短期负荷预测

由于地区电网负荷受气象因素影响较大,提出了综合考虑气象因子的处理方法。该方法采用综合气象因子(人体舒适度和温湿指数)作为输入,克服了气象因子直接输入时输入量多、预测时间长的缺点。同时,针对BP神经网络动态性能的不足,建立基于Elman动态神经网络的短期负荷预测模型,并对该模型的激励函数和网络结构进行改进。改进后的模型考虑了电网的动态特性,减少了神经网络输入量,增强了负荷预测模型的适应性。采用杭州地区实际数据对提出的方法和模型进行验证,结果显示该方法和模型能明显提高负荷预测精度,表明该方法和模型是实用有效的。

基于双隐层径向基过程神经网络的汽轮机排汽焓在线预测

为实现机组经济性能在线诊断,将双隐层径向基神经网络方法引入汽轮机排汽焓在线预测计算,建立了汽轮机排汽焓特性与相关运行参数之间的复杂关系模型。并以某300MW机组汽轮机末级抽汽及排汽焓值为例进行了在线计算。结果表明:该方法在线预测汽轮机排汽焓值的平均相对误差小于1%,比BP神经网络的精度更高,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的预测方法。

基于人脸表情特征的情感交互系统

设计了一套基于人脸表情特征的情感交互系统(情感虚拟人),关键技术分别为情感识别、情感计算、情感合成与输出三个方面。情感识别部分首先采用特征块的方法对面部静态表情图形进行预处理,然后利用二维主元分析(2DPCA)提取特征,最后利用多级量子神经网络分类器实现七类表情识别分类;在情感计算部分建立了隐马尔可夫情感模型(HMM),并且用改进的遗传算法估计模型中的参数;在情感合成与输出阶段,首先采用NURBS曲面和面片相结合的算法,建立人脸三维网格模型,然后采用关键帧技术,实现了符合人类行为规律的连续表情动画。最后完成了基于人脸表情特征的情感交互系统的设计。

基于两种BP神经网络的精纺毛纱性能预测模型的比较

在较大输入层样本数、较多输入层节点数的条件下,尝试使用单隐层BP神经网络模型与双隐层BP神经网络模型分别对精纺毛纱的条干不匀率与断裂强力进行预测,分析比较单、双隐层模型的预测性能。结果表明:隐含层节点数为9的双隐层BP神经网络模型预测性能最佳,相关系数值为0.920 5;对精纺纱的断裂强力进行预测时,隐含层节点数为8的双隐层BP神经网络模型预测性能最好,相关系数值为0.917 1。因此,在输入层样本数较大、输入层节点数较多的条件下,双隐层BP神经网络模型更适合对精纺毛纱的性能进行预测。

内燃机失火故障神经网络诊断

内燃机失火将导致汽车综合性能下降,为快速准确地诊断失火故障,文章提出了一种利用排气中HC,CO_2,O_2浓度和内燃机工况参数信息融合的内燃机失火故障诊断方法,通过双隐层径向基神经网络建立了失火程度评价指标与排气中HC,CO_2,O_2浓度以及内燃机工况参数之间关系的诊断模型,应用Matlab软件对该模型进行学习训练,将训练好的神经网络模型应用于内燃机失火故障的诊断,结果表明,失火指标诊断参数实际输出值与期望值非常吻合,该模型精度较高。

基于AHP-BP模型的文山州水资源可持续利用评价分析

基于层次分析法和BP神经网络的基本原理和方法,结合区域实际,利用层次分析法构建了符合丰水地区水资源可持续利用指标体系和评价标准,从水资源条件、水资源开发利用效率、生态环境状况、水资源合理配置和水资源管理能力五个方面提出50个评价指标,运用双隐层BP神经网络,建立AHP-BP水资源可持续利用评价模型,对文山州不同规划水平年水资源可持续利用进行综合评价。结果表明:①不同规划水平年各评价区域水资源可持续利用评价为2～3级,即处于可持续与基本可持续之间,反映了文山州现状及中、长期水资源可持续利用状况,符合区域发展实际。②AHP-BP评价模型克服了层次分析法判断矩阵构造主观性强和一致性不易检验等缺点,满足客观评价要求,且双隐层BP神经网络具有比单隐层网络学习时间短,参数收敛迅速,自适应能力强等优点。

增量处理双隐层BP神经网络风电功率预测模型

风电场功率预测现有模型一般采用基于批量训练方式的单隐层BP神经网络,针对该模型易陷入局部极小及预测精度较低等缺点,结合风电场功率预测数据量大及不确定性大的特点,建立一种基于增量处理方式的双隐层BP神经网络模型,具有预测精度高、较好跟踪功率波动、运算速度快、不易陷入局部极小等优点;目前预测模型一般使用线性归一化方法对神经网络输入输出参数进行处理,基于风电场功率数据取值分布不均匀的特点,提出一种新的非线性归一化方法,实例证明,该方法可有效提高预测精度,尤其是较高功率值和较低功率值预测效果更佳。