PCA-PNN模型在铁路隧道围岩安全性预测评价中的应用

为客观评价隧道围岩安全状态,结合围岩岩体结构及地质特征等影响因素,建立影响隧道围岩安全的各指标因素。用主成分分析PCA法应用MATLAB软件对建立的指标因素进行主成分提取。将分析后所得的主成分作为概率神经网络PNN的输入向量,构建隧道围岩安全性预测评价模型。运用PCA-PNN模型对张吉怀铁路兰新乡隧道围岩进行安全性预测评价,得出各样本的围岩安全状况与现场情况相吻合,评价结果切合实际并与TOPSIS法评价结果基本相符。该评价模型简单可操作,预测评价结果对隧道施工有一定的指导意义,可应用于隧道围岩安全性预测评价研究中。

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概率神经网络进行故障分类.通过SKF6203轴承的正常、内圈点蚀、外圈点蚀和滚动体点蚀这4类状态的诊断实验验证了方法的有效性,诊断正确率为91.7%.

基于PCA-PNN的采空区多源指标危险性辨识

为了提高采空区多源指标危险性辨识的预测精度,基于主成分分析(PCA)和概率神经网络(PNN),提出1种采空区多源指标危险性辨识方法。将影响华东某地区矿山采空区危险性辨识的9项因素作为主要影响因素,并以96个实测采空区为例进行分级。研究结果表明:与朴素贝叶斯、随机森林和AdaBoost 3种机器学习算法相比,PNN在测试集上表现更好,对实际工程具有良好的指导意义和应用价值。

基于EMD包络谱特征与PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障状态识别问题,提出一种基于经验模态分解(EMD)、包络谱、主成分分析(PCA)和概率神经网络(PNN)的方法。首先利用EMD把轴承振动信号分解得到多个本征模函数(IMF)和残余项,并选取适当的IMF提取6个时域、5个频域指标构建无量纲故障特征集,然后通过PCA对高维故障特征集降维获取主成分,结合PNN实现故障状态识别。SKF6203轴承正常、外圈故障、滚动体故障以及内圈故障4种状态识别实验结果表明,故障识别准确率为91.25%,且诊断过程解释性强。

基于PCA和PNN柴油机故障诊断方法

针对舰船柴油机智能故障诊断中因故障样本不足而导致的诊断模型准确度不高的问题,提出一种基于PCA和PNN的柴油机故障诊断方法。对改进柴油机故障分级车型的效果提出了两个步骤。使用主成分方法对样本量进行分类;随后,在提高故障诊断准确性的同时,利用概率神经网络(PNN)建立模型,强化其泛化性能。最后经过项目测试、比对测试等多方验证,得出结论:所研究的方法可以对柴油机故障进行精确诊断,其优点是精度高,运行时间短,适用性广。

基于LPWAN多源信息融合的高压开关柜智能监测与故障诊断系统

提出一种基于LPWAN多源信息融合的高压开关柜智能监测与故障诊断系统,采集高压开关柜的运行状态数据,搭建LPWAN技术自组网络进行数据上传,构建B/S架构的管理系统进行人机交互、分析报警。管理系统将开关柜原始监测数据标准化预处理,通过PCA对样本进行特征融合,使用PNN综合决策分析,建立PCAPNN多源信息融合的故障诊断模型对开关柜的运行状态进行判断。实验结果表明,该方案能够提高对高压开关柜故障诊断的时效性与准确率。

基于KPCA/PNN的煤矿主通风机的故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于核主成分分析和概率神经网络的故障诊断方法。首先利用核主成分分析对非线性的、相互关联的故障变量进行特征提取,消除变量之间的相关性,降低数据维数,得到故障特征,然后将概率神经网络作为诊断决策分类器,输出故障模式。实验表明,该方法有效地提高了煤矿主通风机的故障诊断的准确性。

煤层底板突水危险性的PNN预测模型研究及应用

为准确有效地预测煤层底板突水的危险性,在分析大量观测实例数据的基础上,选取底板含水层水压、煤层采高、隔水层厚度、断层落差、煤层倾角和断层距工作面距离等6项指标作为影响煤层底板突水的初始特征指标。针对指标之间具有相关性的问题,利用主成分分析(PCA)法提取6项特征指标的主成分,将其作为概率神经网络(PNN)的输入向量,建立基于PCA的煤层底板突水危险性的PNN预测模型。选取21组煤矿实测数据作为学习样本,用于训练模型。采用回代估计法对模型回检。利用学习好的模型,预测另外4组矿井突水数据样本。结果表明,该方法有效降低了指标数据相关性,实现了降维,使PNN模型工作复杂度减弱。将该模型应用于工程实例中,所得预测结果准确率为100%。

基于电子鼻的山核桃陈化时间检测

选取人工陈化山核桃(0 d、2 d4、d和6 d)和自然陈化山核桃(0 y、1 y和2 y)作为研究对象,采用德国PEN2便携式电子鼻进行检测,在主成分分析(PCA)的基础上,采用概率神经网络(PNN)模式识别方法建立山核桃陈化时间鉴别模型,模型参数Spread和主成分数通过交互验证的方法优化。结果标明,PCA基本可区分不同陈化时间的人工陈化和自然陈化的山核桃。当主成分数为4和Spread=0.1或Spread=0.2时,人工陈化山核桃所得识别模型最佳,校正集样本识别率为100%,预测集样本识别率为65%;当主成分数为2和Spread=0.1～0.6时,自然陈化山核桃所得识别模型最佳,校正集样本和预测集样本识别率均为100%。研究表明,基于主成分分析(PCA)和概率神经网络(PNN)的电子鼻技术可较好鉴别不同陈化时间的人工陈化和自然陈化的山核桃,且对自然陈化山核桃的识别效果要优于人工陈化山核桃。

一种基于MEA-BP的太阳辐射反演算法

基于光电原理的日照计即将在全国推广应用,以光照度观测数据为主反演太阳辐射数据可以有效弥补太阳辐射观测站数量不足的现状。针对现有的太阳辐射反演方法的不足,提出一种融合主成分分析(PCA)、思维进化算法(MEA)和BP神经网络的复合模型,利用太阳光照度、太阳高度角、温度和湿度观测分钟数据反演太阳辐照度。首先,以晴空指数为依据,基于概率神经网络(PNN)分类法,将天气类型分为晴、云、阴3类,分类准确率达到96.6948%。再利用PCA降维后的4个影响因子,对3类天气分别采用BP、GA-BP和MEA-BP法反演太阳辐照度,与标准辐射表的实测数据对比。结果表明:晴、云、阴的MEA-BP模型的决定系数最高达到0.9958,与单一BP模型相比,RMSE分别降低了49%、32.45%和10.64%;相比于GA-BP模型误差,MAPE最高减少了42.54%。本文所提出的MEA-BP复合模型的泛化能力得到了有效提高。

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。

基于PCA-概率神经网络的P2P流量分类方法研究

随着P2P快速增长带来的网络拥塞等诸多问题,准确识别P2P流量对流量控制具有重要的实际意义。提出利用PCA特征选择方法选择最优特征子集,使用概率神经网络方法对P2P流量与常规流量进行分类。实验结果表明,该方法的分类精确度与准确度有了明显的提高。

神经网络集成的城市道路状态判别模型研究

针对城市道路交通状态影响因素多、判别难的特点,在分析K-均值聚类算法和概率神经网络(PNN)的基础上,利用多源检测信息的互补性,提出一种基于快速全局聚类分析的概率神经网络集成模型,通过聚类提高集成网络间的差异度,同时利用主成分分析(PCA)优化概率神经网络结构,仿真实验表明该模型与传统的集成方法Bagging相比,能够利用更简单的网络结构,快速有效地识别出城市道路交通状态,为交通预警和诱导策略的制定提供数据依据。

基于小波特征提取的气体传感器温度调制模式研究

为了有效提取传感器对被测气体的响应特征,通过对单个微热板式气体传感器在不同温度调制模式下,对3种可燃性气体的动态响应信号结合主成分分析(PCA)和概率神经网络(PNN)进行分析和测试,利用小波变换对温度调制下传感器的动态响应信号进行小波特征提取。结果表明:提取的小波特征系数能较好地反映被测气体的信息。

一种Modbus TCP模糊测试中畸形数据过滤方法

工业网络控制系统安全问题受到广泛重视,本文针对Modbus TCP协议模糊测试过程中,由于缓冲区设置难以与实际情况吻合进而导致经常出现的溢出漏洞,提出了一种改进的应用数据单元(IADU)格式,避免了报文长度变化导致的长度信息丢失,并采用主成分分析(PCA)方法处理数据相关性导致重复信息大量出现问题,降低了维数爆炸的风险。进一步采用概率神经网络(PNN)对待输入畸形数据引发漏洞可能性进行匹配和判断,从而提高模糊测试的效率。实验分析结果表明,本文方法能减少8.6%的畸形数据输入量。

ZPW-2000轨道电路故障诊断方法研究

针对ZPW-2000轨道电路故障的多样性、复杂性、诊断难等问题,提出基于PCA-PSO-PNN的ZPW-2000轨道电路智能故障诊断方法。首先,对影响因素进行主成分分析,提取了主要的影响因素,将输入维数降低,然后建立8种常见故障的概率神经网络诊断模型,其次采用PSO算法优化PNN模型参数,最后采用某电务段提供数据进行故障划分和诊断,得到较好的诊断效果,因此该法能够为维护人员提高诊断效率及正确率,很好的解决只依赖维护人员现场维护经验诊断轨道电路设备故障,效率低可靠性差诊断难的问题,提高了运行效率。

主元分析-神经网络岩爆等级预测模型

为准确可靠地预测岩爆灾害,构建结合主元分析法(PCA)的径向基神经网络(RBFNN)、概率神经网络(PNN)和广义回归神经网络(GRNN)岩爆预测模型。选取6个常用的参数构成岩爆预测指标体系,采用PCA消除各指标间的相关性并降维,得出3个线性无关的主元即岩爆综合预测指标Y1、Y2和Y3,构成RBFNN、PNN、GRNN这3种神经网络的输入向量。研究结果表明:这3种PCA-神经网络模型,其岩爆预测结果优于对应的RBFNN、PNN、GRNN模型,提高预测准确率并缩短运算时间。从局部准确率、整体准确率及运算时间这3个方面综合比较,各模型的预测能力从强到弱依次为:PCA-GRNN> PCA-PNN> PCA-RBFNN> PNN> GRNN> RBFNN。

基于PCA的概率神经网络结构优化

为了改善概率神经网络(PNN)在训练样本数量较大冗余度较高时存在的结构复杂的问题,提出一种基于主成分分析(PCA)的结构优化方法。以概率乘法公式为理论依据,根据训练样本的PCA结果对PNN进行结构优化,并引入学习算法减小PNN的参数不确定性。实验结果表明:在训练样本数量较大冗余度较高的情况下,优化后的PNN能够使用比传统PNN更简单的网络结构达到相近的结果。