自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP(Back-Propagation)网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35.4%,收敛速度提高了44.9%,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90.8%。

基于自适应学习速率法的补偿模糊神经网络

为克服常规网络收敛速度慢、无法结合专家知识等缺点,引入补偿模糊神经元,结合模糊系统强大的知识表达能力和神经网络优秀的自学习能力,并利用自适应学习速率法动态地改变学习率.提出了一种新型的基于自适应学习速率法的补偿模糊神经网络,并将其应用到实际例子中.结果证明,它不仅能在线适当调整参数,还能动态地优化相应的模糊推理,加快训练速度.

全国私人车辆拥有量的BP神经网络模型预测与分析——基于附加动量与自适应学习速率相结合的BP方法

私人车辆拥有量的变化趋势与社会经济发展密切相关,研究与预测私人车辆拥有量变动对了解社会经济发展具有重要的意义。文章以1985—2013年全国私人车辆拥有量的发展情况为研究对象,利用附加动量法与自适应学习速率相结合的BP神经网络模型对全国私人车辆拥有量进行研究与预测,结果表明利用该模型对私人车辆拥有量进行预测的精度较高、效果好。

基于自适应BP网络的涌潮波速计算模型

运用BP网络附加动量法和自适应学习速率法,建立神经网络模型,模拟计算涌潮波速。根据部分试验数据对网络进行训练,确定相关参数,建立涌潮波速计算模型,同时利用其余部分试验数据对模型进行检验,模拟结果与试验数据吻合较好,相关程度高,表明神经网络模型用于计算涌潮波速是合适的。

CO2焊熔池附近区域图像灰度值与工艺参数的关系研究

CO_2焊在熔滴短路过渡过程中熔池附近区域的金属飞溅、光照强度变化剧烈,严重影响焊缝特征提取的实时性和可靠性。采用正交试验法和改进的BP神经网络,建立了焊接工艺参数与CO_2焊熔池附近区域图像灰度值的映射关系。结果表明:BP神经网络模型的训练结果与试验结果的误差很小,满足精度要求。该模型能很好地反映熔池附近区域图像灰度值与焊接工艺参数的关系。

重型柴油车实际道路NO_x排放预测模型研究

基于便携式车载排放测试系统(portable emission measurement system,PEMS),对某型号重型柴油车进行实际道路排放测试,分别利用车辆比功率(VSP)和车辆牵引力(VA)对NO x排放值进行拟合。以这两个因子作为输入参数,应用自适应学习速率法改进后的双隐含层反向传播(BP)神经网络来训练和预测NO x的排放情况。与原BP网络预测情况相比,预测值与实际值的皮尔逊相关系数提高了0.1136,相对误差降低了0.6621%,改进后的神经网络预测准确度有所提升,泛化能力较强,可以用于该款重型柴油车NO x排放的实时预测,具有一定的工程应用价值。

一种改进的BP神经网络在新股定价中的应用

针对传统BP神经网络算法的不足,提出了一种改进的BP神经网络算法;给出了改进算法在新股定价中的应用,从影响新股定价内外部因素出发提炼和处理数据,利用改进算法进行仿真实验;结果表明,利用改进的算法在新股定价中起到了较好的应用效果。