基于DTCNN-SVM的工业循环水系统供水泵故障诊断

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。

反符号权重模板下DTCNN的动态分析及应用

对DTCNN中非对称的反符号权重函数的稳定性情况进行了分析，扩大了参数的范围，分析了域值变量对此系统的影响，得到一些新的稳态特性，为反对称模板的硬件设计提供了条件．

离散时间细胞神经网络的学习算法

细胞神经网络的应用主要取决于其模板的设计．文章针对离散时间细胞神经网络（ＤＴＣＮＮ）的应用，通过利用一个随机并行算法来优化一个目标函数，进而完成ＤＴＣＮＮ模板的设计，为ＤＴＣＮＮ的设计提供了理论根据。在连通片检测应用中的模拟表明了算法的有效性和正确性。