提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

红外技术与器件

TH811∥TN2192007010651基于BP神经网络的红外测温系统温度标定方法=Cali-brating method of infrared measuring temperature systemon the BP neural network[刊,中]/刘缠牢(西安工业学院光电工程学院.陕西,西安(710032)),谭立勋…//激光与红外.—2006,36(8).—655-656,667介绍了红外测温系统温度标定方法和BP算法神经网络,将BP算法神经网络应用于温度标定物理实验中的灰度与温度的特性曲线拟合,并在MaTLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性,其拟合精度远高于最小二乘拟合,为测温数据的软件处理提供…     

粒子群优化神经网络的交通事件检测算法研究

为减少交通事件引起的交通延误,提出一种基于粒子群优化神经网络的交通事件检测算法。首先,利用车载激光测距仪和GPS设备作为实验平台,采集了反映路段车辆占有率及车辆运行速度特征的交通参数;其次,利用粒子群（PSO）算法训练随机产生的初始化数据,优化BP神经网络连接权值和阈值;最后,将PSO优化后的BP神经网络作为分类器进行交通事件的自动分类和检测。试验中比较了PSO神经网络算法、BP神经网络算法和经典算法对交通事件的检测效果,PSO神经网络算法在事件检测率(DR)、平均检测时间（MTTD）方面均优于其他目标算法。结果显示,粒子群优化的神经网络算法用于交通事件检测提高了检测性能。     

改进误差反向传播（BP）神经网络在图像压缩中的应用

针对空间遥感图像数据量剧增的问题,提出一种改进的BP神经网络图像压缩方法。该算法利用Levenberg-Marquart算法提高神经网络的收敛速度,利用算法提高神经网络的泛化能力。比较分析了新算法和标准BP算法对同一幅图像进行压缩的结果和性能误差函数。实验结果表明,实验结果表明,标准BP算法在图像压缩比为1/2时,均方误差（MSE）为343.3750;改进后的BP算法在图像压缩比为1/16时,MSE为69.5796,图像压缩比为1/8时,MSE为20.9561,图像压缩比为1/4时,MSE为5.5123。并且利用改进后的算法压缩图像的峰值信噪比均在30 dB~40 dB之间。改进算法已用于实际工程中,满足实际需求。     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

改进PSO-BP算法在飞机剩余油量测量中的应用

针对飞机在飞行时油箱因受震动引起油面起伏不平,导致原有静止状态时的计算模型产生较大测量误差,提出采用BP神经网络的预测飞机剩余油量;但由于BP神经网络存在学习效率低、收敛速度慢和易陷入局部极小等局限,采用改进粒子群算法优化BP神经网络的训练;将改进PSO-BP算法用于飞机剩余油量的测量,实验结果表明,与传统BP学习算法比较,改进PSO-BP算法具有训练时间短,相对误差小,控制精度高等优点,有效地提高了油量测量的精度。     

正则化参数求解方法研究

针对BP神经网络算法训练过程中出现的过拟合问题,提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广来计算L2正则化中正则化参数 值的方法。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个 值,BP神经网络算法训练时通常采用的是贝叶斯正则化方法,贝叶斯正则化方法存在着对先验分布和数据分布依赖等问题,而利用上述概念的推广计算的参数代入L2正则化的方法简便没有应用条件限制。在BP神经网络手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,正确率提高了1.14-1.50个百分点。因而计算得到的 值应用到L2正则化方法与贝叶斯正则化方法相比更能使得BP神经网络算法的泛化能力强,证明了该算法的有效性。     

基于改进BP神经网络的航空液压油软测量

BP 神经网络越来越多地被应用于软测量建模中,与传统方法相比,BP神经网络进行信息处理可以减少数据的分析和建模工作,但也存在易于陷入局部最小值和初始权值随机选取的缺陷问题。为了解决传统BP神经网络存在的缺陷,论文中在数据预处理过程中引入主成分分析法（PCA）,在BP网络输入权值时引入遗传算法（GA）,最终达到弥补BP神经网络缺陷的目的;详细介绍了改进算法的流程与步骤,将改进的BP神经网络应用于航空液压油的软测量,先是对航空液压油软测量参数进行分析,包括辅助变量的选择和数据预处理,然后进行基于改进型BP神经网络的建模与仿真实验。实验结果表明,基于改进BP神经网络的航空液压油软测量效果优于传统神经网络,具有更强的泛化能力,因此可进行更广泛的应用。     

基于GA-WPA优化的BP神经网络目标威胁估计

在防空作战中,目标威胁估计是指挥控制过程的重要一环,是决策和指挥的重要依据。BP神经网络能够解决目标威胁估计问题,但存在收敛速度慢、易陷入局部最优等缺点。提出将遗传算法(Genetic Algorithm,GA)的选择、交叉和变异操作融入到狼群算法(Wolf Pack Algorithm,WPA)中,提出了GA-WPA算法,以提高狼群算法的收敛速度。在此基础上,利用所提出的GA-WPA算法对BP神经网络进行优化,确定最优初始权值和阈值。最后,将优化后的BP神经网络解决地面防空系统目标威胁估计问题。仿真实验表明,所提算法能够有效克服BP神经网络收敛速度慢、易陷入局部最优等缺点,能够提高目标威胁估计的准确性和适应性。     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

B-P神经网络用于氘灯辐亮度值预测

本文提出了应用Ｂ－Ｐ神经网络预测氘灯辐亮度值的新方法。构造３层神经网络结构，选取与氘灯辐亮度值有关的特性指标值作神经网络的信息输入，按误差反向传播（Ｂ－Ｐ）算法对样本进行训练，用已训练好的Ｂ－Ｐ神经网络预测待识别氘灯的辐亮度值。实例分析表明Ｂ－Ｐ神经网络用于氘灯辐亮度值预测有较高的拟合和预测精度。     

混沌光学系统辨识的支持向量机方法

将支持向量机用于混沌光学系统的辨识,以布拉格声光双稳混沌系统为例,通过计算机仿真实验,尝试了用最小二乘支持向量机进行混沌光学系统辨识的可行性,并将其与采用反向传播算法的前向神经网络辨识方法进行了比较。采用最小二乘支持向量机辨识的优点是其训练过程遵循结构风险最小化原则,不易发生过拟合现象;它通过解一组线性方程组可得到全局唯一的最优解;最小二乘支持向量机的拓扑结构在训练结束时自动获得而不需要预先确定。结果表明,本方法的辨识精度和速度均优于基于反向传播算法的前向神经网络,且对含噪混沌光学系统的辨识也同样适用,它可作为混沌光学系统辨识的有力工具。     

模糊对向传播网络数据融合目标识别方法

重点研究了模糊对向传播网络 (FCPN)模型。针对数据融合和目标识别的特点 ,提出了基于模糊对向传播网络的融合目标识别方法和改进的模糊对向传播网络 (MFCPN)融合结构。利用仿真数据对网络的训练算法和融合结构进行了实验研究。结果表明 ,模糊对向传播网络较误差后向传播网络 (BPN)能够有效地实现融合识别 ;改进的模糊对向传播网络融合结构是可行的。同时还对FCPN和MFCPN应用于前视红外 (FLIR)和可见光摄像机目标跟踪系统进行了应用研究。     

基于改进卷积神经网络的肺炎影像判别

目前肺炎类型判别主要依靠医生的经验,但一些肺炎的CT影像极为近似,即使有经验的医生,也容易判别错误,造成误诊。为此提出卷积神经网络分类算法,该算法由3个卷积层、3个亚采样层及1个完全连接层组成,并且对卷积层进行了特殊结构处理,由反向传播算法调整网络参数,并对反向传播过程提出了改进。临床实验证明,该方案较现在普遍研究的分类算法,如adaboost算法和svm算法具有更高的识别率和准确度,并且改进的卷积神经网络防止了训练数据时过拟合现象的产生。     

布里渊散射谱拟合的混合优化算法

基于布里渊光时域分析仪的全分布式光纤传感系统中,光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别,光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下,提出了一种提取高精度布里渊散射谱特征的拟合方法,利用小波去噪结合莱文伯-马奈特(LM)算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点,保证求解的精度。数值仿真表明,该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合,并且在信噪比为10dB的情况下得到拟合度均超过0.96。实验结果表明,该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取,优于传统BP神经网络算法且具有较高的拟合精度。     

自适应光学系统变形镜控制电压预测

在校正大气湍流畸变波前相差的自适应光学系统中,利用基于Levenberg-Marquardt学习算法的非线性反向传播神经网络技术（LMBP）对变形镜控制电压进行预测。以对受横向风影响的大气湍流畸变波前斜率数据为研究对象,通过数值仿真方法,研究了基于LMBP算法的自适应光学系统变形镜电压非线性预测控制算法。通过实验发现,预测电压和变形镜实际控制电压拟合效果良好。讨论了回溯帧数对预测效果的影响,并与基于递推最小二乘（RLS）算法的线性预测算法进行比较。对比结果表明,基于LMBP算法的非线性电压预测方法比基于递推最小二乘法的线性电压预测方法能更有效地降低系统由伺服延迟引起的误差。     

基于微种群遗传算法和自适应BP算法的遥感图像分类

介绍了采用微种群遗传算法和自适应BP算法相结合的混合遗传算法来训练前向人工神经网络(BPNN)的方法。即先用微种群遗传学习算法进行全局训练,再用自适应BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。将此算法用于遥感图像分类,网络的训练速度及分类结果表明,该算法收敛速度较快,预测精度较高。     

Application of artificial neural networks to X-ray fluorescence spectrum analysis

X-ray fluorescence (XRF) is widely applied as a mature nondestructive testing method, and appropriate improvement of quantitative analysis methods can improve the accuracy of XRF. Artificial neural network is an intelligent information processing system, its developments and application in XRF are reviewed, and representative models (back propagation, radial basis function, genetic algorithm artificial neural network, and others) are discussed in more details in overfitting, generalization, and algorithm efficiency. Potential directions of developing artificial neural network applied in XRF are proposed in this review as a further study.     

A stable adaptive neural-network-based scheme for dynamical system control

A stable adaptive neural-network-based control scheme for dynamical systems is presented and a continuous recurrent neural network model of dynamical systems is constructed in this paper. A novel algorithm for updating weights in the neural network, which is not derived from the conventional back propagation algorithm, is also constructed. The proposed control law is obtained adaptively by a continuous recurrent neural network identifier, but not by a conventional neural network controller. In such a way, the stability in the sense of the Lyapunov stability can be guaranteed theoretically. The control error converges to a range near the zero point and remains within the domain throughout the course of the execution. Numerical experiments for a longitudinal vibration ultrasonic motor show that the proposed control scheme has good control performance.     

钝头机体用FADS-α的求解算法及精度研究

针对钝头机体用嵌入式大气数据传感(flush air data sensing,FADS)系统的4类攻角求解算法及算法的求解精度进行研究.针对典型的15°钝头体外形,在Mach数Ma=2.04,3.02,5.01,攻角α=-5°～30°,侧滑角β=0°的条件下,首先基于势流理论及修正的Newton流理论建立了钝头机体用...