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。

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。

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。

基于双隐层动态递归神经网络的航煤比重软测量

针对原油蒸馏装置常压塔航煤比重模型具有动态特性的特点 ,提出采用双隐层动态递归神经网络 (DRNN)实现比重的软测量 ,推导了双隐层 DRNN的权值学习算法 ,并利用在线比重分析仪构成了航煤比重软测量模型的在线校正。在某炼油厂常压塔装置实际投用表明 ,基于双隐层 DRNN比重软测量模型具有较高的测量精度。

基于双隐层过程神经网络的飞机发动机故障检测

利用双隐层过程神经网络模型可以直接处理时变信号的特点,提出了一种用双隐层过程神经网络模型对飞机发动机进行故障检测的方法。由过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算,非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力。分别利用递归神经网络和双隐层过程神经网络对发动机排气温度裕度进行仿真预测。结果表明,双隐层过程神经网络收敛速度快、精度高,优于递归神经网络的预测结果。为飞机发动机状态监测问题提供了一种有效的方法。

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。

双隐层BP神经网络大学生创新能力预估模型

基于教育数据,通过PCA算法结合双隐层BP神经网络得到高校大学生创新能力预估模型;利用PCA算法对数据进行主成分分析及降维处理,利用双隐层BP神经网络对数据进行训练,并利用LM算法进行参数优化,获得直观的预测评估结果。实验表明,预估模型的误差率为6.676 3%,泛化能力强,预估效果理想,可用于对高校大学生创新能力相关问题进行分析。

利用粗糙集和双隐层BP神经网络的小麦籽粒品种分类

为了防止小麦籽粒因意外或者故意污染而导致品种认定过程中出现错误判断,急需选育出优质、高产、专用的小麦籽粒品种。将粗糙集和双隐层BP神经网络有效结合,数据经过预处理和属性约简剔除冗余信息,通过神经网络计算提高小麦籽粒品种分类准确度,提出利用粗糙集和双隐层BP神经网络的小麦籽粒品种分类方法。首先,用K-means算法对连续型数值样本聚类离散化,提取知识形成决策表;其次,基于条件信息熵的启发式属性约简算法,处理冗余属性简化决策表,获得更加高效的决策规则;最后,将约简后的最小属性集当作BP神经网络的输入样本,有效选出优质的小麦籽粒品种。用传统BP神经网络对小麦籽粒品种识别准确率达88.889%,运行时间1.574s;而数据经过预处理,粗糙集和神经网络结合方法对小麦籽粒品种识别准确率达到95.238%,运行时间1.513s。结果表明:通过数据预处理剔除冗余数据,有效提高小麦籽粒品种分类准确率,加快神经网络收敛速度并缩短计算时间,显著地提高学习效率。数据预处理剔除冗余属性改善了神经网络的泛化能力,可以协助研究者在试验中快速且准确地挑选优质品种小麦,促进小麦产量的提升。利用粗糙集和双隐层BP神经网络的小麦籽粒品种分类方法应用推广到农业生产中其他谷类作物,具有很好的实用价值。

基于BP神经网络的超声肝图像识别

肝超声图像识别,通过基于空间灰度独立矩阵,空间频率分解和分形特征进行特征提取,采用双隐层BP神经网络对正常肝脏,肝硬化和肝癌超声图像进行分类识别。首先提取图像特征并归一化特征向量集。再使用第1隐层对取样肝脏超声波图像进行分类,分别出正常和非正常肝脏。然后用第2隐层对非正常肝进行分类,区别出肝癌和肝硬化图像。最后通过不断调整网络参数,达到理想分类结果。

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。

基于双隐层量子线路循环单元神经网络的状态退化趋势预测

针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。

分段学习的双隐层BPNN对交通流量预测的研究

智能交通系统可有效解决城市道路的拥挤,交通流量的预测是智能交通系统的关键技术之一。在各种预测方法中,BP神经网络的应用最普遍,并取得了许多成果。为了进一步提高BP神经网络的预测精度,采用了基于分段学习的双隐层BP神经网络对济南市经十路的交通流量进行了预测,并与相同结构未使用分段学习方法的BP神经网络预测所得结果进行了比较。实验数据显示采用分段学习的方法比未采用该方法的所得结果平均相对误差减少了2.52%。因此分段学习的双隐层BP神经网络可应用于预测道路交通流量。

基于双隐层DRNN的自整定PID解耦控制

随着科学技术的不断进步和发展,被控对象正变得越来越复杂,而人们对其控制精度的要求却日益提高,这样就产生了复杂性和精确性的尖锐矛盾。智能自适应控制是解决上述问题的有效方法之一。该文针对强耦合带延时多输入输出(MIMO)非线性离散系统难以实现解耦的问题,推导了双隐层DRNN的权值学习算法,实现了基于双隐层DRNN结构与动态BP网络的加速算法的在线自整定PID解耦控制,仿真表明该方案具有良好的动态、静态性能以及很强的自适应性。

改进的扩展互信息分离算法

扩展互信息分离算法采用单隐层神经网络近似算法代价函数中的非线性函数,可调节的参数有限,需要多次迭代才能收敛,从而导致收敛速度较慢。针对这一问题,采用双隐层神经网络近似非线性函数,以分离结果的互信息最小化作为代价函数,采用梯度下降方法对代价函数进行优化,增加了可调节参数数量。仿真实验结果表明,改进后的算法相对原算法收敛速度更快,误差更小。

动态交通流量预测方法研究

随着智能运输系统的广泛应用，实时交通流量预测的重要性也日益显著。本文介绍了预测模型发展过程中比较重要的几个模型，并由此引出人工神经网络。介绍误差逆传播（BP）模型的相关理论，指出传统BP神经网络的缺陷，并提出提高预测精度的措施引进高阶神经网络。建立普通BP神经网络的预测模型，利用误差反传播算法实现这些影响因素到输出变量的复杂映射，再用高阶神经网络构建另一预测模型。利用交叉口实测数据进行预测，并用实际数据进行比较验证。

永磁直线同步电动机智能递归非奇异终端滑模控制

为解决永磁直线同步电动机(PMLSM)在运行过程中易受参数变化、外部扰动、摩擦阻力等不确定性因素影响的问题,本文提出一种基于双隐层径向基函数神经网络(DRBFNN)的递归非奇异终端滑模控制(RNTSMC)方法来提高PMLSM系统的控制性能.首先,分别构造非奇异终端滑模面和递归积分终端滑模面,使得两滑模面依次连续到达,可在削弱抖振的同时保证跟踪误差在理论上的有限时间内收敛至零.但由于系统不确定性的边界难以确定,因此引入具有更高拟合精度和泛化能力的DRBFNN对不确定性进行逼近和补偿,并通过在线自适应更新连接权重,进一步提高神经网络的逼近能力.最后,系统实验结果表明,该方法能够有效抑制不确定性对系统的影响,提高了系统的位置跟踪精度,并使系统具有较强的鲁棒性.

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。

基于MEEMD-DHENN的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非线性的特点,提出了把改进的经验模态分解(Modified Ensemble EMD,MEEMD)与双隐层Elman神经网络(Double Hidden-layer Elman Neural Network,DHENN)相结合识别故障类型的方法。用MEEMD选出主要本征模态函数(Principal Intrinsic Mode Function,PIMF),先计算出经补充的总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)得到的各IMF的排列熵值,剔除虚假分量;再对其余分量进行重构用经验模态分解(Empirical mode decomposition,EMD),计算各IMF的方差贡献率,排除贡献率最小的,即为PIMF,经希尔伯特变换求出其能量熵值,构成特征矩阵。构建了双隐层Elman神经网络对故障类型进行识别,通过经验公式与实验得到最佳隐层节点组合,最后与EMD-DHENN和MEEMD-ENN的测试结果相对比,表明基于MEEMD-DHENN识别方法只需迭代26步即可对轴承故障准确分类。