基于复合神经网络的多源气动数据建模

将深度学习方法应用至气动数据建模,能够解决传统建模方法效率低、代价高的问题,具有重要的现实意义。基于复合神经网络模型对多源气动数据进行学习,利用低精度数据辅助高精度数据进行预测。与不同网络模型进行对比,验证了文中提出的复合神经网络在气动数据建模中表现优良,且泛化能力较好。

基于复合神经网络重构对象的永磁同步直线电机变参数型位移速度并行控制

针对永磁同步直线伺服电机(PMSLM)传统位移控制算法中控制器系数固定带来的控制精度不足等问题,提出一种基于复合神经网络重构对象的PMSLM变参数型位移速度并行控制策略。首先,利用动子位移、线速度的误差信息设计变参数并行控制器;其次,建立含有控制对象多维信息的复合径向基神经网络观测动子位移,并得到控制对象的偏导信息;再次,基于闭环稳定条件,以周期检索的误差与控制目标的比较结果为基础,构建完整的位移速度并行控制器参数更新策略;最后,实验结果表明,该文所提控制策略能实现不同给定位移的高精度控制,且具有控制不同对象参数的泛用性。

基于复合神经网络的致密储层测井评价方法研究

本文利用集成的思想开展了复合神经网络模型研究。首先,利用MATLAB软件平台构建了反向传播神经网络(BP)、支持向量神经网络(SVM)和径向基函数神经网络(RBF)三个单一神经网络。其次,将单一的神经网络以加权平均的规则进行组装,形成一种复合的神经网络系统。最后,利用复合神经网络系统开展了测井储层孔隙度、渗透率和含水饱和度的预测及效果分析。研究结果显示,相比于单一的神经网络方法,构建的复合神经网络模型预测的储层孔隙度、渗透率和含水饱和度精度更高,表明基于复合神经网络模型进行储层评价是可行和有效的。

基于复合神经网络的架空线路故障诊断分析

本文提出的技术最终用于高压电网的非侵入式监测。为了发展一种能够避免架空输电网故障的预测方法,考虑了线路两段之间的连接节点。该方法基于频率响应分析(FRA)和机器学习,采用基于多值神经元(MVN)神经网络的神经分类器表示。该方法可以看作是一个智能测量块,其中一个单一的测量是由一个神经分类器用来提取信息,能够诊断架空线路故障。本文提出的方法可以用来解决工业界许多不同的问题,例如最磨损的电气设备的管理。在这个意义上,预测方法允许通过定位关键部件来减少故障修复恢复时间。这种监测系统增加了使用该系统的电网的全球可用性,从实际角度来看,电网公司可以利用该系统在线控制运行条件。

基于复合神经网络的电力系统暂态稳定评估和裕度预测

提出一种基于复合神经网络的暂态稳定评估与故障临界切除时间(CCT)裕度预测新方法,它将概率神经网络(PNN)和径向基函数(RBF)网络组合使用,充分利用两者各自的优点,以提高暂态稳定评估能力和CCT裕度预测能力。该方法首先利用PNN进行暂态事故场景分类,分类时充分考虑了相邻故障样本类型重叠的影响;进一步采用RBF网络对分类结果进行裕度预测;最后,通过自检和校正以提高预测精度。利用New England 39节点系统,通过与反向传播(BP)神经网络、RBF神经网络等方法的比较,证明了本文方法的优越性。

复合神经网络在电力系统暂态稳定评估中的应用

提出了一种基于复合人工神经网络的电力系统暂态稳定评估方法。该复合网络由Kohonen网络与若干径向基(RBF)网络组成。它结合了两种网络的优点,因此提高了稳定评估能力。分别采用Kohonen网络、径向基网络以及该复合网络对华中电网的仿真结果证实了该方法的优越性。

一种适用于多类别遥感图象分类的新方法——复合神经网络分类方法

该文提出一种由多层神经网络与自组织神经网络相结合进行多类别遥感图象分类的复合神经网络分类方法。第1步将训练样本按其统计特征分成若干组,用不同组别的训练样本分别训练BP网络。第2步将这些训练好的BP网络并联构成有监督分类器,对遥感图象进行有监督分类。第3步用BP网络的分类结果对Kohonen网络进行自组织训练,用训练好的Kohonen网络构造无监督分类器,对遥感图象进行细分。通过对SPOT遥感图象的分类实验表明,该方法对多类别遥感图象很适用,能显著提高分类的数目和精度,对一幅SPOT遥感图象进行的分类实验,结果可分类别数高达48类,对其16大类的有监督分类的精度可达91.6%。

非线性系统多步预测控制的复合神经网络实现

提出一种基于神经网络的非线性多步预测控制。采用由线性网络和动态递归神经网络构成的复合神经网络，在此基础上将线性系统的广义预测控制器扩展为非线性系统的多步预测控制器。通过对非线性过程ＣＳＴＲ的仿真表明，该方法的稳定性和鲁棒性明显优于线性ＤＭＣ预测控制。

基于因素分析的复合神经网络及其在软测量中的应用

针对工业生产中 ,众多因素对生产影响程度不同的特点 ,提出了一种基于因素分析的复合神经网络 (FA MNN)模型 .介绍了FA MNN模型的结构 ,改进了神经网络的学习算法 ,并将其应用于氧化铝高压溶出过程中苛性比值及溶出率的软测量 ,利用现场实际运行数据进行仿真 ,结果表明FA

基于复合神经网络的数据分布模式仿真识别

采用复合结构神经网络对数据概率分布模式进行了仿真识别。首先提取数据的样本峰度、偏度、分位数和累积概率等数字特征 ,构建数据概率分布模式和仿真识别训练样本 ,然后采用Kohonen网络对概率分布进行聚类 ,接着运用BP网络对各聚类分别进行分类识别 ,最后对任意数据流进行了仿真识别。仿真识别结果表明 ,同其它模式识别方法相比 ,该方法更能够反映数据流概率分布的特征 ,从而得到了满意的模式识别效果。

复合神经网络及其在设计中的应用

针对设计中知识表达和运用问题 ,提出了复合神经网络。与目前设计中所采用的神经网络相比 ,复合神经网络不仅能够利用实例知识 ,而且能够综合利用数学知识和规则知识解决设计问题。复合神经网络能够充分表达设计过程中设计者在数学知识和规则知识的指导下运用实例知识 ,同时所设计出的结果也满足相应的数学知识和规则知识的复杂智能过程。通过复合神经网络 ,设计过程中的复合智能活动能够得到更好地支持 ,从而提高产品设计的质量。

SOM-BP复合神经网络在齿轮箱故障诊断中的应用研究

针对齿轮箱的故障模式和特征量之间复杂的非线性关系,采用SOM-BP复合神经网络,引用齿轮箱常见的故障及其相关参数作为训练样本建立诊断模型。在Matlab环境下,通过仿真试验并与BP网络进行比较,验证了此复合神经网络用于齿轮箱故障诊断的正确性和精确性,具有一定的工程应用价值。

基于遗传算法优化的复合神经网络在稳定评估中的应用研究

提出了一种基于遗传算法优化的复合神经网络的电力系统暂态稳定评估方法。该网络由一个 Kohonen网络和若干径向基函数网络组成。通过遗传算法的优化 ,复合网络的学习性能和聚类能力得到了较大的提高。

用FPGA实现的复合神经网络自学习算法电路

介绍复合神经网络模型及特性，讨论了基于假逆矩阵的自学习算法，研究用现场可编程门电路（ＦＰＧＡ）实现复合神经网络的自学习过程，电路设计成半并行全数字式．实验结果表明其权值学习结果与计算机软件模拟结果一致。

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．

基于复合神经网络的感应电机直接转矩控制

提出了一种基于复合神经网络的直接转矩控制器算法,分别对该神经网络控制器各组成部分的结构进行了设计.网络采用固定值和离线训练2种策略获取网络参数,训练样本数少,训练时间短.采用复合网络结构使得直接转矩控制器的数字实现变得容易,充分利用网络的并行处理特性,使得计算时间缩短,响应速度变快.在Matlab/Simulink中结合神经网络工具箱建立了其仿真模型,仿真结果证明了设计的控制器具有可行性、有效性.

并行BP与ART-2复合神经网络诊断应用研究

本文在对ART-2和并行BP人工神经网络模型进行分析的基础上,将二者结合,提出了一种针对大型复杂设备进行故障诊断的复合神经网络诊断策略,解决了柴油机故障诊断过程中对并发故障诊断和新故障都能有效识别的问题。

一种新的复合神经网络控制器

目的介绍一种新的复合神经网络控制器的结构。方法结合传统控制、神经网络监督控制、神经网络逆控制的优点提出复合控制器方案,建立用它控制水箱系统的水位和温度的仿真模型,并进行计算机仿真。结果仿真实验表明,复合神经网络控制器中的PD控制器、神经网络监督控制器、神经网络逆控制器,可以协同工作,也可以在某种程度上单独工作。结论复合神经网络控制系统的鲁棒性和抗干扰性得到提高。

复合神经网络高精度分类算法研究

提出了一种复合神经网络的算法模型,用该模型训练全加器(FA)获得了高精度分类结果。计算机仿真结果表明了该模式分类与模式识别中的有效性和潜在的应用价值。

基于复合神经网络的柴油机故障诊断专家系统

针对ART神经网络和BP神经网络在故障诊断领域应用的优点及不足,结合专家系统擅长推理的优点,将ART2和并行BP神经网络组合优化策略运用在专家系统中,用Visual C++6.0语言作为软件开发环境,构造一个基于复合神经网络的专家系统。最后给出一个应用实例,验证了系统模型的合理性。