一种基于点云神经网络的非均匀点阵逆向设计方法

点阵材料因其轻质、高强、可实现多功能设计等特点受到了高度的关注,并在航空航天、舰载设备等领域有所应用。均匀分布的点阵结构的结构效率并非最优,研究人员针对特定的点阵结构开展了一些非均匀点阵的设计方法研究,但是现有算法存在难以适应三维点阵、缺乏整体框架、设计参数过少等局限。针对有限元分析云图可以转化为位置与应力结合的矩阵形式的特点,提出一种基于点云神经网络的非均匀点阵设计方法,该方法以有限元分析中节点应力矩阵作为输入,以非均匀点阵设计参数作为输出,实现了有限元分析的逆运算。该方法利用边卷积和最大池化模块解决了矩阵化表示应力信息的交互性和无序性问题,较好地解决了点阵结构的非均匀设计问题.

基于局部线性嵌入和云神经网络的转子故障诊断方法

提出一种基于流形学习的汽轮机转子故障诊断方法。利用振动信号构造一个能够表示该信号的矩阵作为流形学习的输入数据,使用局部线性嵌入算法对矩阵进行维数约简,实现了高维数据向低维空间的嵌入,从而有效提取了故障特征。使用云神经网络分类器测试LLE算法输出维数大于3时的故障诊断率,并分析了各个参数对诊断率的影响。该方法克服了在样本较少的情况下故障诊断的困难,能在有限的故障数据中发掘故障特征并进行故障诊断。

基于SOM-BP云神经网络的通信对抗作战能力评估

为了增强神经网络训练样本的可靠性和正确率,提高网络自学习和自适应能力,使评估结果快速准确,针对通信对抗作战能力指标体系,在云神经网络的基础上,提出了基于SOM-BP云神经网络的效能评估方法。该方法利用SOM对样本数据进行聚类,选择具有特征性的样本对改进型的BP云神经网络进行训练。结果表明,该方法相对于BP神经网络,不仅收敛速度快,迭代次数少,而且准确率高。

基于正态云神经网络的齿轮泵的故障诊断研究

为了提高齿轮泵故障诊断的正确率,将正态云神经网络应用于其故障诊断中。将正态云模型和神经网络融合在一起构造了正态云神经网络,构造了云神经网络的结构,并且给出了各层的算法。通过云变换进行了系统的结构辨识,然后通过训练可以获得优化的人工神经权值和阈值,最后,将测试数据输入正态云神经网络,根据正态云神经网络的输出向量可以判断出齿轮泵的故障。进行了基于正态云神经网络的齿轮泵的故障仿真实例分析,结果表明,正态云神经网络能够准确地诊断出齿轮泵的故障,并且具有较高的故障诊断效率。

基于一种改进的云神经网络涡扇发动机故障诊断

在基于数据驱动的涡扇发动机地面定检系统中,为了提高航空发动机的故障诊断性能,提出一种改进的基于云神经网络的航空发动机故障诊断方法;首先,把云模型和BP神经网络相结合,得到进行故障诊断与检测的模型结构,然后用余弦式改进自适应遗传算法并对网络模型进行优化,得到改进后的云神经网络模型;通过对实际数据的实例仿真表明,该方法对于航空发动机地面稳态的故障诊断是可行的,并且提高了故障诊断系统的诊断精度。

RBF云神经网络在数控机床刀具磨损状态识别中的应用

在数控机床加工过程中,刀具破损是造成加工设备损坏和加工安全事故的主要起因,且刀具的磨损对加工质量有着直接影响,因此,正确对数控机床的刀具状态进行识别有着重要的工程价值。提出一种云理论与RBF神经网络相结合的RBF云神经网络模型,该模型既有云理论的随机性和模糊性,又有RBF的学习、记忆能力。将其应用到数控机床的刀具磨损状态识别中,实验结果表明:该网络模型的精确度较高,具有较强实用性。

云神经网络确定含水层参数研究

高效、精确的含水层参数求解方法一直是水文地质研究领域的重要研究内容之一。实践中通常利用非稳定流抽水试验资料通过配线法确定含水层参数,但是随着计算机应用的普及,已有人开发出几种在非稳定流试验条件下求解含水层水文地质参数的快速、精确的计算机智能优化算法。在此基础上尝试建立了云神经网络模型(Cloud Neural Net,CNN),并将其应用于石家庄市元氏县3个单孔非稳定流抽水试验,对承压含水层参数进行计算,模型计算结果与当地的水文地质条件较为符合,且比传统方法及单纯的人工神经网络模型所得结果更加精确。因此云神经网络模型为研究区地下水资源评价、地下水数值模拟以及溶质运移模拟提供了另一种重要手段。

土石坝观测数据的云神经网络分析

提出了一种基于云理论与神经网络混合集成的模型,该模型能够利用神经网络的自学习自适应能力对云参数进行调整和优化,使得该模型在知识推理过程中更具有说服力。针对某土石坝渗流观测资料建立了云神经网络预报模型,其预报精度优于常规的统计回归模型。

基于SOMBP云神经网络的计算机网络对抗效能评估

构建了一种计算机网络对抗效能评估指标体系,提出一种云理论和神经网络相结合的SOMBP云神经网络评估方法,该方法不仅具有神经网络的学习、记忆能力,也具备云理论的模糊性和随机性。将此方法应用到计算机网络对抗效能评估中所获得实验结果表明:该方法不仅迭代次数少,收敛速度快,而且准确率高。

基于无线传感网络和正态云神经网络的液压泵的故障诊断研究

液压泵的工作性能将影响到整个液压系统的工作可靠性,因此,深入地分析了无线传感器网络和正态云神经网络在液压泵故障诊断中的应用。首先,设计了液压泵故障诊断的无线传感网络系统,分别设计了系统的硬件和软件,并且设计了路由算法;其次,分析了液压泵故障诊断系统的正态云神经网络学习算法,构建了云神经网络;最后,进行了液压泵故障诊断的实例研究,结果表明该技术具有较好的故障诊断效果。

基于云神经网络的物联网信息安全风险评估方法

针对物联网信息安全风险评估因素的随机性和模糊性,将云模型和神经网络结合,进行异构安全因素的动态融合,构建云神经网络物联网信息安全风险评估模型,重点围绕信息安全风险评估开展基于正态云神经网络评估方法的研究,判断评估指标与风险级别之间的全局多值依赖特征,给出风险评估算法,进行多维正态云BP 神经网络的物联网信息安全风险评估仿真实例分析,对于优化物联网信息安全管理,提高物联网信息安全风险评估效率和精度具有参考价值和意义.

基于云神经网络的短波通信效能评估

对短波信道进行效能评估有助于选择合适的通信链路以提高通信质量。利用云理论处理模糊性和随机性等不确定性问题的优势,并结合人工神经网络可以很好地逼近一个具有复杂非线性输入与输出关系的未知效能模型的特点,我们采用云神经网络进行短波信道通信效能的评估。同时,我们加入了η学习率和α动量因子以避免局部最小值、收敛速度慢以及发生震荡等问题。实验结果表明,采用云神经网络进行短波通信效能评估,可以完全基于短波通信的历史数据勿须添加人为主观因素得到客观的评估结果,并可根据需要灵活地调整云神经网络的输入进行短波通信效能评估,使得评估结果更加准确。

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。

基于云-神经网络的液体火箭发动机故障检测方法

根据故障检测原理,研究和实现了基于云-神经网络的液体火箭发动机故障检测方法。根据训练结果、测试结果和故障检测结果可以看出,云-神经网络用于液体火箭发动机的故障检测是可行的,经过历次试车数据验证,该方法没有误报警和漏报警。

基于云RBF神经网络模型的大坝监测数据预报

基于云理论的峰值法云变换,采用隶属云模型与RBF神经网络相结合的方法,分析了岩滩水电站工程大坝监测数据预报。实例结果表明,云RBF神经网络的预测精度优于传统法,是大坝监测测值预报的一种有效新方法。

云分类中的人工神经网络方法研究现状和发展趋势

介绍了人工神经网络方法的基本原理及其在云分类中的应用和研究现状，在此基础上，对应用人工神经网络方法进行云分类时要遇到的几个问题进行了讨论。

附加惯性项神经网络云台自抗扰控制研究

针对自抗扰控制器参数较多且不易整定的缺陷,以三轴增稳云台内框为研究对象,提出一种附加惯性项神经网络云台自抗扰控制方法。该方法首先通过添加附加惯性项的RBF神经网络对被控对象进行辨识,从而获得单神经网络自学习需要的Jacobian信息,然后将扩展的积分系数、非线性误差反馈控制律中的比例系数和微分系数作为单神经元的权重,利用单神经元的自学习能力改进自抗扰控制器。仿真结果表明:加入神经网络的自抗扰控制器具有较好的鲁棒性,与参数固定的常规自抗扰控制器相比具有更高的精度和更快的响应速度。

人工神经网络BP算法视角下智能安防控制模型探索研究

桌面云人工神经网络BP算法关键技术能够建立起云端相联网、云端管理、资源统筹分配的应用模型,将桌面云人工神经网络BP算法关键应用于职业学校安防控制模型,能够最大程度地降低模型内各节点的潜在危险,保障各个节点安全。基于桌面云人工神经网络BP算法关键技术的职业学校安防控制模型的体系结构与应用平台设计,实现了职业学校安防控制模型的建立,为探索桌面云人工神经网络BP算法关键技术与职业学校安防控制模型的更好融合。

基于云模型的选煤厂CIMS环境下数据融合

结合数据融合综合处理信息的特点和云模型定性与定量相结合的信息处理方法,分析了选煤厂计算机现代集成制造系统(CIMS)环境的特点,提出了选煤厂CIMS环境下数据融合的体系结构,详细分析了3个分系统基于云模型的数据融合过程,创建了各个分系统云模型数据融合的模型图,同时提出了各个分系统的数据融合采用的方法及其云模型算法。通过算法仿真实验表明选煤厂采用云模型数据融合的方法对其控制生产过程有较大改进。

基于BIA的人体内脏脂肪面积预测云模型研究

人体内脏脂肪面积与人体腹部总阻抗和腹部皮下阻抗测量值存在着强非线性关系,采用小波神经网络云模型建立了人体内脏脂肪面积预测模型。采用八电极法并结合人体腹部形状特征和人群特征属性,构成预测模型输入量。对不同条件的输入量进行划分,建立对应各个输入量的隶属云并进行模糊推理;构建对应于输入量的以小波函数为基函数的网络,采用输入量隶属云模糊推理输出对小波神经网络输出加权平均,以预测人体内脏脂肪面积。对该模型的参数进行训练,并采用训练后的模型对人体内脏脂肪面积预测。实测结果表明,该模型具有较强的非线性函数逼近能力,对人体VFA的预测效果比统计回归模型有明显的改进。