一种基于鲁棒自联想神经网络的传感器故障诊断方法

提出一种可用于非线性系统建模的鲁棒自联想神经网络,将该网络映射层和解映射层分别作为2个子网络进行训练,提高了收敛速率。在网络训练目标函数中加入网络权值限制项,抑制了训练过程中网络权值的异常调整,提高了模型的准确性和鲁棒性。在解映射子网络训练结果集和原输入数据集中增加了扰动数据,构成映射网络的扩展训练样本集,提高了整个网络的鲁棒性。该文给出基于所提网络模型的传感器故障诊断方法及诊断流程,并以某300 MW机组热力系统为对象进行算例分析,结果表明该文方法应用于传感器故障诊断时能够实现对故障测点的快速准确定位,并对各变量值进行精确重构。

基于自联想神经网络的测量数据自校正检验方法

提出了基于AANN的测量数据自校正检验方法,采用参数预测模型分别对各个参数进行质疑,通过残差决策逻辑选择网络的输入数据,有效地避免了“残差污染”,提高了神经网络方法在线应用的准确率。

基于时序模型和自联想神经网络的齿轮故障程度评估

齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。

自联想神经网络算法在X射线复合谱分析中的应用

本文应用自联想神经网络的算法完成了对重叠峰复合谱的分析，文章着重叙述了算法原理，实现方法并给出了在低分辨探测器的Ｘ荧光分析中的应用结果。

用自联想神经网络处理发动机测量参数

自联想神经网络 (AANN)采用了一种带有瓶颈层的特殊结构 ,且具有单位总增益。在经过大量带噪声样本的训练之后 ,各变量之间能够建立起内在联系。输入信息通过瓶颈层前的压缩及瓶颈层后的解压缩过程 ,信息中的精华将被提取 ,从而使人们能够利用冗余信息抑制其测量噪声。在基于发动机测量参数的故障诊断过程中 ,应用自联想神经网络作为滤波器对测量参数进行预处理 ,可以大大提高故障诊断的准确率。

基于Hopfield自联想神经网络的天幕靶信号识别技术

为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明:与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。

嵌入自联想神经网络的高斯混合模型说话人辨认

该文提出了一种嵌入自联想神经网络的高斯混合模型,它充分利用了神经网络和高斯混合模型各自的优点,以最大似然概率(ML)为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。由于神经网络起到了"数据整形"的作用,因而提高了类内数据的相似性。实验结果表明,采用该文提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到19%。

一种抑制残差污染的补偿型自联想神经网络

针对常规自联想神经网络容易陷入残差污染而难以准确重构的问题,提出了一种新的补偿型自联想神经网络算法.该算法通过在常规自联想神经网络的测试过程中引入网络补偿层,建立了网络输入层与残差空间之间的调整机制,并采用梯度下降法快速获取目标变量的残差补偿幅值.给出了单变量和多变量残差补偿量计算流程,通过比较补偿后平方预测误差(SPE)统计量的大小来确定最佳补偿方向和补偿幅值,从而定位到异常点位置,并计算出模型重构值.通过仿真算例和工程算例验证了所提算法的有效性,算例结果表明,该算法能够在未知异常点位置的情况下,有效克服大幅度异常和多点并行异常造成的残差污染影响,其诊断和重构性能明显优于常规自联想神经网络和主成分分析算法.

嵌入自联想神经网络的高斯混合背景模型说话人确认

提出在高斯混合背景模型中嵌入自联想神经网络的方法,并将它用于说话人确认.该方法利用神经网络和高斯混合背景模型各自的优点,以极大似然概率为训练准则,将两者作为一个整体进行训练,揭示了特征向量的空间信息.嵌入的神经网络起到了数据整形的作用,增强了目标说话人数据的相似性.在背景模型和目标模型的训练中交替更新高斯混合模型和神经网络的参数.实验表明,采用本文提出的模型并结合TNorm方法,比基线系统的确认率提高26%.

鲁棒自联想神经网络在故障传感器信号恢复中的应用

总结和归纳了传感器的六类故障模式，仿真结果显示出采取鲁棒自联想神经网络能恢复发生故障的传感器信号。

采用鲁棒自联想神经网络高质量地恢复故障传感器信号方法研究

以鲁棒自联想神经网络为基础阐述了故障传感器信号的恢复方法。并以一控制系统中的传感器为对象,首次研究应用了鲁棒自联想网络如何高质量地恢复故障传感器信号,最后给出了结论。

基于自联想神经网络的良恶性肿瘤分类技术

尽管乳腺癌的诊断和处理技术在不断进步,但乳腺病灶的早期检测仍然是阻止癌症的主要方法。乳腺组织中肿块的存在是乳腺癌的重要特征。通过使用自联想神经网络和多层感知器技术研究了良恶性肿瘤的分类方法。该研究的实验结果显示,在DDSM数据库上进行训练和测试,得到了较高的CAD系统的灵敏度(TP)和较低的假阳性率(FP);在100%的训练分类率上获得了91%的测试分类率;ROC曲线下方面积最大可达约0.948。

基于自联想神经网络的谷氨酸发酵故障诊断

研究了用自联想神经网络对谷氨酸发酵进行故障诊断。自联想神经网络采用一种带有瓶颈层的特殊结构,且具有单位总增益。在经过大量样本的训练之后,各变量之间能够建立起内在联系。输入信息通过瓶颈层前的压缩及瓶颈层后的解压缩过程,信息中的精华将被提取。应用自联想神经网络对发酵过程变量进行预处理,可以准确及时的进行谷氨酸发酵故障诊断。

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。

基于改进遗传算法优化自联想神经网络的风机故障诊断

为了更为准确有效地诊断风机变桨系统故障,提出一种通过改进自适应遗传算法(IAGA)来优化自联想神经网络(AANN)的风机故障诊断模型。在IAGA中对选择算子进行改进,加快自适应遗传算法收敛速率,同时在适应度函数中引入AUC,降低不平衡数据对模型诊断效果的干扰;使用IAGA对AANN初始权值进行优化,通过AANN获得变桨系统正常状态下的残差分布,利用JS散度计算其与故障时刻残差分布的偏移度,判断变桨系统是否故障。利用华北某风电场记录的历史数据进行实验,结果表明,与其他神经网络相比较,IAGA-AANN网络能够有效提高风机故障诊断识别率,缩短模型训练时间。

基于非线性嵌入的自联想神经网络

传统分类器常依赖于低维度子空间的特征进行分类,但仅在单个子空间下进行分类会因为不同类别的重叠而效果不佳。为此,提出一种基于流形学习的神经网络分类方法,利用非线性嵌入方法获得数据每个类的子空间,再使用非线性嵌入判别准则优化各个径向基函数自联想神经网络的参数。实验结果表明,该方法能有效解决类别重叠问题,分类准确率和鲁棒性高于传统分类方法。

基于自联想神经网络的可见光MIMO通信系统颜色检测

基于摄像头的多光源多输入多输出(MIMO)通信系统能够提高光源的利用率和传输带宽,但多光源之间的干扰和环境光的干扰为可见光的颜色判断带来了极大的困难。针对这种情况,提出了基于自联想神经网络的可见光MIMO颜色检测算法。设计了基于自联想神经网络的主成分提取方法,在训练速度和模型准确率方面取得平衡;提出了神经网络学习光源颜色的具体训练方法,基于欧氏距离决定光源的实际颜色符号。在真实的实验数据集的基础上完成了验证实验,结果显示该算法实现了较好的收敛速度和较高的检测准确率。

基于自联想神经网络的数据滤波与应用

石油化工过程系统及其现场数据复杂,基于数据驱动的任何研究、设计、运行工作首先都需要进行数据滤波。本文研究了用自联想神经网络对化工过程数据进行滤波的方法。自联想神经网络通过使输入节点的信息压缩在隐层节点上,从网络输入的高维参数空间中提取反映系统结构的最具代表性的低维子空间,同时有效地滤去了测量数据中的噪声和测量误差,再通过输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各测量数据的重构。通过对测试函数的应用和误差比较验证了该方法可以达到比较理想的滤波效果,并采用该方法对某企业精对苯二甲酸(PTA)工业数据进行滤波后BP建模,该模型的预测效果要大大好于没有进行数据滤波建立的模型,从而进一步说明了用自联想神经网络对工业数据滤波不但是可行且有效的,同时也提高了模型预测的准确性。

反馈型自联想记忆神经网络

自联想记忆神经网络具有类似于大脑的记忆和联想的特性 .在Hopfield网络的理论基础上 ,提出了一种反馈型的自联想记忆神经网络 .和Hopfield模型不同的是 ,这种神经网络增加了一个隐含层来扩大网络的存储容量 ,并采用局部相连的拓扑结构来代替全相连 ,从而减少了计算复杂度 .在网络的学习过程中 ,各神经元之间的权值按照学习规则不断地进行调整 ,使回忆后的输出结果更加接近期望输出 .

自组织神经网络航空发动机气路故障诊断

为克服学习样本依赖于发动机精确模型的问题 ,提出了一种基于自组织神经网络的发动机智能故障诊断的方法 ,并运用故障特征提取的数据预处理方式 ,成功地对航空发动机气路部件的几种典型故障做出正确诊断。为验证网络的抗噪性能 ,引入了自联想神经网络。研究表明 ,自组织网络可以脱离发动机模型 ,并且对测量噪声有良好的鲁棒性 ,能基本满足航空发动机故障诊断的要求 ,具有较好的工程应用前景。