悬臂板损伤数值模拟试验与WPNN识别方法

通过分析小波概率神经网络(WPNN)与数据融合技术在工程结构损伤识别中的应用原理,建立了基于小波概率神经网络和数据融合技术的模型.对悬臂板结构进行了数值模拟试验,运用损伤单元数据作为输入向量训练了WPNN与数据融合的损伤识别模型,并选取4个单元作为检验样本进行检验,检验的结果与数值试验分析吻合较好,从而表明,该方法在工程结构的损伤识别中有较好的应用价值.

基于径向基概率神经网络的输电导线缺陷状态识别

输电导线作为承担电能传输任务的重要部件,及时发现其本体缺陷对指导维修避免重大电力事故的发生具有重要意义。考虑到无人机巡检中输电导线背景的复杂性和导线表面缺陷检测的困难度,提出一种基于径向基概率神经网络的输电导线缺陷状态识别方法。首先,依次采用加权色差法、最大类间方差法以及形态学滤波实现复杂背景下输电导线的准确分割。其次,将分割出的导线区域等距划分为10个导线子图像,通过Gabor滤波器获得输电导线8个角度、5个尺度的40幅纹理增强子图像,提取各个子图像的粗糙度、对比度和方向度3个纹理特征量,结合特征方差比筛选出10个强纹理特征;最后,将10个强纹理特征量作为径向基概率神经网络的输入,完成输电导线缺陷状态的识别。实验结果表明所提方法可以实现复杂背景下输电导线快速分割与缺陷状态的准确识别,为无人机巡检中输电导线的运行状态检测提供了新的思路。

基于峭度和小波包能量特征的齿轮箱早期故障诊断及抗噪研究

针对齿轮故障发生早期信号微弱、难以诊断和现场干扰的问题,提出了一种基于时域峭度和频域小波能量特征提取并结合区分性权重概率神经网络的齿轮早期故障诊断方法。该方法在特征提取方面利用了峭度统计在冲击负载特征提取上的优点,又保留了小波包分解在频域信号获取上的优势,同时考虑到现场的噪声污染问题,在概率神经网络中引入了区分性权重方法,最终实现了齿轮早期故障的诊断。试验研究表明,该方法不仅能够有效地实现齿轮早期故障的诊断,同时对噪声干扰具有很强的鲁棒性。

基于小波概率神经网络的彩色纹理识别

提出了一种将颜色信息融入到纹理识别中的新方法——基于小波概率神经网络的彩色纹理识别.首先将RGB彩色纹理图像转化为HSV彩色模型,用小波变换(WT)进行树形结构小波分解提取彩色纹理的特征,然后使用概率神经网络对测试样本进行分类识别.实验结果证明,该方法的识别效果比较好.

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络(PNN)原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明,用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。

基于小波概率神经网络的纹理识别

随着计算机处理能力的快速提高，彩色图像处理受到人们越来越多的关注。针对现有纹理识别算法计算速度慢，识别精度低等问题，本文提出了一种将颜色信息融人到纹理识别中的新方法——基于小波概率神经网络的彩色纹理识别。首先将RGB彩色纹理图像转化为HSV彩色模型，用小波变换（wT）进行树形结构小波分解提取彩色纹理的特征，然后使用概率神经网络对测试样本进行分类识别。本文对不同的自然纹理图像进行了实验，并将实验结果与文献”0做了比较。实验结果证明，本文方法的识别效果明显优于文献。

故障树法和改进PSO-PNN网络的电梯故障诊断模型

针对电梯故障问题,提出一种将故障树分析法、改进的粒子群优化算法和概率神经网络相结合的方法用于电梯的故障诊断。以电梯的安全回路系统为例,用故障树法对回路进行分析,获得训练样本与故障类型;使用粒子群算法对概率神经网络的平滑因子进行优化,在优化过程中,针对粒子群算法存在易陷入局部最优的缺陷,提出对惯性权重的改进策略;采用相对误差对诊断效果做出评估,并与传统的概率神经网络和基本粒子群算法优化的概率神经网络在各种故障类型输出和最大相对误差等方面进行比较,结果表明:该模型能够有效诊断电梯故障。

基于改进GWO-PNN算法的电力变压器故障诊断

针对电力变压器以油中气体含量作为故障输入特征量,诊断结果准确性不理想、模型不稳定的问题,提出了一种基于改进灰狼算法优化概率神经网络的混合智能故障诊断方法.首先,对灰狼算法的控制因子和加权距离进行修改,以提高算法收敛精度及稳定性;其次,通过6个常用的测试函数测试改进后灰狼算法的性能,并将改进后的灰狼算法与其它智能算法进行对比;最后,将概率神经网络和改进的灰狼算法相结合并用于故障诊断.仿真结果表明:该模型在变压器故障诊断方面具有一定的有效性.

IIWPSO-PNN在化工过程故障诊断中的应用

概率神经网络(PNN)已成功应用于化工过程故障诊断。在概率神经网络中,平滑参数对网络性能有很大的影响,并且很难确定。因此,采用粒子群优化(PSO)算法,寻找最优平滑参数。针对粒子群优化算法中线性变化的惯性权重易使其陷入局部极值问题,采用非线性变化的惯性权重替代线性变化的惯性权重,并将其应用于改进惯性权重粒子群(IIWPSO)算法。将IIWPSO算法应用于概率神经网络中(即IIWPSO-PNN),使其自动搜索并寻找最优的平滑参数用于概率神经网络的训练和测试。与前人提出的线性变化惯性权重、两种非线性变化的惯性权重(分别记为w_1、w_2和w_3)进行比较,将w_1、w_2和w_3应用于PSO-PNN中(分别记为PSOPNN1、PSO-PNN2和PSO-PNN3)。最后将IIWPSO-PNN应用于田纳西-伊斯曼过程中,与PNN、PSO-PNN、PSO-PNN1、PSOPNN2和PSO-PNN3网络进行比较。试验结果表明:IIWPSO-PNN在解决故障诊断问题时,识别率与收敛速度都有较大的提高。试验结果验证了IIWPSO-PNN算法应用于化工过程的可行性和有效性。

结合加权特征向量空间模型和RBPNN的文本分类方法

提出了一种结合加权特征向量空间模型和径向基概率神经网络(RBPNN)的文本分类方法.该方法针对传统的文本特征提取方法的不足,根据文本中特征项的位置信息和所属类别信息定义特征权重,然后,依据特征项的权值计算文档特征项的频数,通过TFIDF函数计算特征值并得到文本的特征向量,最后,采用RBPNN网络分类,通过最小二乘算法求解神经网络的第二隐层和输出层之间的权值,最终训练获得文本分类模型.文本分类实验结果表明,该方法在文本分类中表现出较好的效果,具有较好查全率和查准率.

人工神经网络的设计方法

目前人工神经网络模型学习与训练时间长，收敛性难以保证，网络鲁棒性差，存在局部极小。尤其当网络规模增大时，上述缺点变得尤为严重。为克服上述缺陷，提出了一组新的方法，即利用训练样本集提供的全局知识，通过不同数学工具，设计网络的结构与参数。结果表明，这套方法可以达到很好的效果，是改进人工神经网络性能的一种有效途径。

基于提取权重的概率神经网络算法在陶瓷鉴定中的应用

通过提取陶瓷样品对瓷器鉴定的影响因素,采用了基于欧氏距离分析法,得到了各个因素的权重,从而能够确定影响因素的关键因素.通过关键因素作为神经网络模型输入变量,建立基于提取权重的概率神经网络算法.实例分析表明:算法通过提取权重能够提高分类准确度.在大样本实例分析中,算法比其他统计分析和相似度算法具有更快的收敛速度,并能够应用到其它数据处理中,具有广泛的适用性.

高光谱成像技术鉴别红景天的品种

目的采用高光谱成像技术结合化学计量学方法建立红景天的分类判别模型。方法首先获取935~1720 nm大花红景天、长鞭红景天和狭叶红景天的高光谱图像信息,然后分别提取红景天感兴趣区域的反射光谱值,在采用标准正态变量变换法(SNV)和多元散射校正法(MSC)对原始的高光谱数据进行预处理后,分别建立偏最小二乘判别分析模型(PLS-DA),通过对比两种预处理方法对PLS-DA模型判别结果的影响,得到SNV为较优的预处理方法。采用载荷系数法(x-LW)和竞争自适应重加权算法(CARS)提取经SNV预处理后数据的特征波长,并分别建立基于特征波长的线性判别分析(LDA)、PLS-DA和概率神经网络(PNN)分类模型。结果与x-LW特征提取方法比较,CARS算法提取的特征波长建立的LDA、PLS-DA和PNN模型有更好的分类性能;PNN的分类性能优于PLS-DA;SNV-CARS-LDA为区分不同品种红景天的最优判别模型,对训练集和测试集的识别率均为100%。结论高光谱成像技术与化学计量学相结合的方法具有很大的在线检测潜力,可以快速、无损地鉴别红景天品种。