基于自适应概率神经网络的损伤模式识别研究

在传统的概率神经网络(PNN)的基础上,提出了通过Gap-Based方法初步估算平滑因子σ,并以遗传算法优化σ参数集的自适应概率神经网络(APNN)模式分类识别方法。以桥梁健康监测委员会提出的两跨桥梁Benchmark模型为例,通过将小波包分解结构在正弦激励和交通激励载荷模型下的动力响应信号的能量特征向量作为网络的输入样本,利用APNN进行了损伤模式进行识别。结果表明,APNN不仅识别精度高和抗噪性能好,而且还能用于输入特征向量参数筛选和降维,提高学习效率和识别精度。

自适应概率神经网络及其在白酒电子鼻中的应用

为了探索电子鼻对白酒品质鉴别的可能性,利用自制的新型无线白酒电子鼻对洋河海之蓝、今世缘省接待、安徽迎驾大曲和牛栏山陈酿进行了分析.对所采集的数据进行平滑处理后提取稳态响应值和斜率值,利用主成分分析对特征向量进行降维处理,并将获得的前2个主元得分作为概率神经网络识别模型的输入参量.针对传统概率神经网络平滑因子σ单一易导致分类错误的缺陷,利用差异演化算法优化σ参数集,建立了自适应概率神经网络识别模型.实验结果表明,DE-PNN相比BP-PNN、PSO-PNN和SVM等,识别精度更高,抗噪性能更好,同时也证明了电子鼻能有效地检出不同品牌的白酒.

基于自适应概率神经网络的SINS/GPS组合导航系统故障诊断方法

为保障SINS/GPS组合导航系统稳定可靠地工作,提出采用自适应概率神经网络方法对组合导航系统进行故障诊断和隔离。采用状态χ2检测法对组合导航系统进行实时检测,提取状态χ2检测结果分量作为自适应概率神经网络的输入用于判断故障类型。采用高斯函数作为自适应概率神经网络的激励函数,为解决高斯核函数的宽度严重影响网络泛化能力的问题,使用交叉验证方法估算平滑因子,并采用粒子群优化算法优化平滑因子参数集。仿真结果表明,该算法能够准确地诊断出组合导航系统的故障并能确定故障发生的部件,保证了系统的安全可靠地运行。

基于自适应误差修正模型的概率神经网络及其在故障诊断中的应用

针对数控机床自身复杂性对故障诊断模型的需求,借助人工神经网络在故障诊断领域的优势,提出一种基于自适应误差修正模型的概率神经网络,以实现数控机床机械故障的实时诊断。针对概率神经网络由于未考虑模式间交错影响而导致判决界面有偏的问题,在概率神经网络的基础上设计自适应误差修正模型,通过对同类别错误分类样本进行自适应聚类并批量修正的过程,实现判决界面的重新规划。对双螺旋分类问题、IRIS分类问题的实验结果表明,该方法在分类准确率和模型泛化能力方面均优于概率神经网络方法和径向基概率神经网络方法,且训练速度和测试速度满足分类实时性需求。在数控机床故障诊断领域的应用表明,所提方法的故障模式识别准确率高,具有可行性和有效性。

基于小波包-概率神经网络的自适应报警技术的研究

结合小波包分析和概率神经网络技术,提出了一种基于小波包分解-概率神经网络的机械故障自适应报警方法。该方法利用小波包获取振动信号各有效频带的能量作为报警参数,用概率神经网络构建设备运行状态模型,根据历史数据确定报警值并设置报警线。实验结果表明该方法是有效的,它克服了设备状态监测中报警线的设置与设备运行情况变化无关的缺陷,该方法在机械设备报警处理系统中有良好的应用前景。

基于概率神经网络的自适应报警技术研究

为了解决目前设备状态报警线设置所存在的缺点,即报警线的设置与设备运行情况变化无关,提出了用概率神经网络构建设备运行状态模型,根据历史数据确定报警值并设置报警线的方法。实验表明,该方法是可行而有效的,用该方法设置的设备状态报警线能够随设备运行而做自适应调整,对指导工业现场的设备监测具有现实意义。

基于自适应概率神经网络的变压器健康状态评估

传统变压器状态评估方法,多关注设备当前状态分析,缺少全方位预测其潜在健康状态方法,也无法确定变压器将来的故障发生概率。本文提出了一种基于自适应概率神经网络的变压器健康状态评估方法。该方法,首先从变压器内部本体特征和外部实时监测环境两方面,确定变压器健康状态指标因子,并进行数据预处理得到不相关的指标因子;然后,根据指标因子和样本标签,引入自适应参数训练,训练出用于预测的概率神经网络模型;最后,利用模型参数,通过将指标分为静态基础指标和动态可变指标,前者直接输入到网络中,后者利用AMIRA模型进行预测之后输入到网络中,得到变压器健康状态评估值。实验结果表明,该模型可获得更加准确的状态评估值,支撑变压器状态监测和预警工作。

基于改进布谷鸟搜索优化RBF神经网络的抽油机故障诊断

针对目前油田抽油机故障诊断存在耗时低效、无普适性等问题,提出通过动态自适应布谷鸟搜索(PSCS),优化径向基函数(RBF)神经网络的诊断方法。首先对示功图进行特征提取,作为RBF神经网络的输入层信息;接着引入动态发现概率和自适应步长,令布谷鸟搜索根据目标函数的收敛速度自动调整步长,确保不同搜索阶段的效率和精度保持平衡;最后改进的布谷鸟搜索优化RBF神经网络,获取其宽度、权值等最优相关参数,建立PSCS-RBF故障诊断模型。将模型应用于抽油机不同故障类型的诊断,并与当前主流的5种方法比较,所提出的PSCS-RBF故障诊断方法的平均检测精度达到95.9%,精度最高且耗时最短,验证了其实用性和优越性。

基于自适应递阶遗传算法的神经网络优化策略

基于递阶结构的遗传算法可以同时对多层前向神经网络进行结构优化和权重求解。与基本的遗传算法相比,这种算法不仅在权重训练方面更加快速稳定,而且能在学习过程中确定网络的拓扑结构,具有较高的学习效率,而在遗传过程中采用自适应的交叉和变异概率能有效加快遗传速度和避免早熟现象的出现。

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络（PNN）实现了对图像序列中移动目标——人头的跟踪．由于采用单一特征信息的跟踪算法在复杂环境中往往失效，故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据，并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正．实验结果表明，基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果，且具有简单、跟踪鲁棒性好等特点．

基于神经网络的多机动目标跟踪算法

将神经网络理论用于多机动目标跟踪,解决了联合概率数据关联(JPDA)存在的计算量组合爆炸问题。基于神经网络数据关联(NDA)所得到的最佳关联假设,将其与简化信息融合并行自适应滤波算法(DAF)进行有效结合,在保证量测与目标有效关联的同时,还具备跟踪起始和终结的作用,实现了对多机动目标的状态滤波与预测。仿真结果表明,与传统的交互式多模型联合概率数据关联算法相比,新算法在保证多机动目标的跟踪精度及实时性要求的同时,计算量大大减少。

神经网络在多机动目标跟踪中的应用

为解决多目标跟踪中数据关联与状态估计的问题引入神经网络方法.针对联合概率数据关联(JPDA)存在的计算组合爆炸问题,利用Hopfield网络解决TSP问题的思路找到神经网络联合概率数据关联(NJPDA)方法,并对其进行一定的改进解决其参数确定问题.基于以上关联方法得到的关联概率,利用简化的信息融合自适应滤波算法,实现对目标轨迹的状态滤波与预测.以上综合方法充分利用了神经网络的优点,保证了多目标的跟踪精度及实时性.

改进GA-BP神经网络在高校教学质量评价中的应用

为了提高高校教学质量评价的有效性和准确性,提出了一种基于混合智能优化算法的教学质量评价模型。引入熵值法客观地确定教学质量评价体系的指标权重及初始评价结果,利用自适应变异的遗传算法(Genetic algorithm)优化BP神经网络(Back propagation neural network )的参数,建立教学质量评价模型。实验结果表明,与BPNN(Back propagation neural network)、GA-BPNN(Genetic algorithm-back propagation neural network)模型相比,预测精度分别提高15.04%和 5.41%,收敛速度明显提高,说明基于自适应变异的GA-BPNN教学质量评价模型能够及时有效地完成教学质量评价。

基于改进遗传算法的神经网络控制

神经网络结构简单,但训练容易陷入局部最优解,而遗传算法依照生物进化理论将群体进行选择交叉变异从而求取全局解。首先讨论了神经网络与遗传算法的结合方法,并针对传统遗传算法中存在的问题,采取一种改进的遗传算法,将两种智能控制方法相结合进行研究,仿真结果表明此算法能有效改善系统的响应指标。

磁流变阻尼器神经网络模型的建立及优化

磁流变阻尼器在振动控制中有广阔的应用前景,建立其精确的力学模型是取得良好控制效果的关键因素之一。文中对某磁流变阻尼器进行了动力学性能测试;并通过统计学方法确定了该阻尼器正向、逆向模型的BP神经网络结构;针对传统遗传神经网络(GA-BP)早熟和收敛速度慢的问题,提出一种结合适应度线性变换、自适应交叉和变异概率的改进遗传神经网络(IGA-BP)算法;在此基础上,分别用BP神经网络、GA-BP神经网络和IGA-BP神经网络对阻尼器正向、逆向非参数化模型进行辨识。研究结果表明:文中提出的改进遗传神经网络算法收敛速度更快,模型精度更高,该非参数化模型能更准确地反映磁流变阻尼器的动力学特性。

基于改进遗传算法的神经网络集成模型

介绍神经网络集成的基本概念及其算法理论,设计了改进的自适应交叉概率和变异概率,提出基于种群适应度集中程度的改进遗传算法,利用该算法优化加权平均集成网络的权,从而构建一种高效的神经网络集成模型。该模型用于解决分类问题.表现出比传统神经网络集成模型更好的性能。

改进遗传算法优化BP神经网络的图像压缩

为改善BP神经网络图像压缩的性能,采用改进的遗传算法优化BP神经网络的初始权阈值,以克服BP神经网络收敛速度慢、易陷入局部极小值的缺点。对遗传算法的适应度值进行标定,改进自适应交叉概率和变异概率,根据进化过程中个体适应度的集中分散程度非线性地调整交叉概率和变异概率,从而避免算法收敛到局部最优解而搜索到全局最优,提高了遗传算法的寻优能力。实验表明,与BP、GA-BP压缩算法相比,本文压缩算法在压缩比减小很少时,峰值信噪比有大的提高,并且图像重建效果有很大改善,压缩性能得到改善。

基于SA-PSO优化自适应PNN网络的变压器故障诊断研究

概率神经网络中反映整个样本空间的平滑因子σ常以经验取值,缺乏足够的理论依据;对此提出一种自适应概率神经网络变压器故障诊断模型,针对作为自适应概率神经网络的激励函数的高斯函数,采用基于模拟退火思想的改进粒子群算法(SA-PSO)优化其平滑因子σ,从而提高概率神经网络诊断的识别率;通过搜集到92组故障数据进行仿真分析,其结果表明引入模拟退火过程后,粒子群算法的局部搜索能力得到了改善,并且使得SA-PSO算法优化下的自适应概率神经网络相对于单一PSO算法在变压器故障的诊断准确率上得到了较大程度的提高,从而保证变压器的安全可靠运行。

基于Hilbert信号空间的未知干扰自适应识别方法

针对大样本下未知干扰类型的分类识别问题,该文提出一种基于信号特征空间的未知干扰自适应识别方法。首先,基于Hilbert信号空间理论对干扰信号进行处理,建立干扰信号特征空间,进而利用投影定理对未知干扰进行最佳逼近,提出基于信号特征空间的概率神经网络(PNN)分类算法,并设计了未知干扰分类识别器的处理流程。仿真结果表明,与两种传统方法相比,该方法在已知干扰的分类精度方面分别提高了12.2%和2.8%;满足条件的未知干扰最佳逼近效果随功率强度呈线性变化,设计的分类识别器在满足最佳逼近的各类干扰中总体识别率达到91.27%,处理干扰识别的速度明显改善;在信噪比达到4 dB时,对未知干扰识别准确率达到92%以上。

基于遗传算法的Hopfield神经网络应用

遗传算法及Hopf ield神经网络都因为其各自的优势在很多领域得到了广泛的应用,本文在分析介绍遗传算法及Hopf ield神经网络基本理论的前提下,研究了他们之间的关系及共通点,并提出了基于遗传算法的Hopf ield神经网络优化方法。