基于邻域粗糙集和并行神经网络的故障诊断

针对目前使用神经网络诊断故障时出现的输入向量选择困难、网络结构复杂、对并发故障诊断效果不好等问题,提出了基于邻域粗糙集和并行神经网络的故障诊断方法。先利用邻域粗糙集对初始征兆进行约简,留下有价值的征兆作为神经网络的输入向量,然后针对每种故障类型设计一个神经网络。用多个训练好的神经网络来并行诊断故障,综合每个神经网络的结果给出最终的诊断结论。用转子实验台的实验数据对这种故障诊断方法进行验证,结果显示该方法能优化神经网络结构,且神经网络具有训练速度快、诊断正确率高的特点。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于SA-WNN模型的水电机组故障诊断研究

针对水电机组振动故障征兆和故障类型的非线性特性及传统小波网络在故障诊断中的缺陷,设计了一种基于模拟退火算法的小波神经网络(SA-WNN)故障诊断模型。将SA-WNN诊断模型应用到水电机组四种典型故障,验证其可行性。实例结果表明,与传统小波网络相比,基于模拟退火算法优化的小波神经网络训练次数少,收敛精度高,为水电机组故障诊断提供了新途径。     

遗传BP网络在雷达装备BIT虚警抑制中的应用研究

针对现有故障诊断方法不能有效抑制雷达装备BIT虚警的现象,提出一种遗传算法优化后的BP神经网络技术抑制雷达装备BIT虚警的方法;首先介绍经遗传算法优化后BP神经网络的基本结构和学习算法,再结合雷达装备BIT的特点,以某火控系统雷达发射机作为被故障诊断对象,采用9个具有代表性的雷达发射机故障特征和8个典型故障,以Matlab作为开发工具进行仿真实验;实验结果表明该方法能准确对故障进行定位,有效抑制BIT虚警,提高雷达系统故障诊断能力。     

基于小波神经网络的模拟电路故障诊断技术

文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。     

基于极化因子神经网络的火电厂制粉系统故障诊断技术

制粉系统是火电厂的主要设备,其安全稳定运行对发电企业的经济生产具有十分重要的意义。针对制粉系统的运行特性和故障分析,提出了基于极化因子神经网络的火电厂制粉系统故障诊断方法,该方法将故障征兆相应的过程变量作为输入,将制粉系统故障类型作为输出,通过训练神经网络建立其系统故障诊断模型,其中训练过程中采用极化因子来自动调整神经网络的收敛速度,从而在满足误差目标的前提下,防止其陷入局部极小。选取实际火电厂制粉系统3个典型故障及其相对应的9个故障征兆参数进行了实验。结果表明,该方法具有良好的收敛性,完全可以满足火电厂制粉系统现场故障诊断的要求。     

基于并行禁忌神经网络和DS证据的飞机燃油系统故障诊断

飞机燃油系统是一个由许多相互联系的子系统构成的复杂总体,因而易于发生各类故障,当故障发生时会造成严重影响,为此,设计了一种基于禁忌神经网络和DS证据的飞机燃油系统故障诊断方法;首先,建立了飞机燃油系统的故障诊断模型,然后,建立了3层的BP神经网络故障诊断模型,并采用禁忌优化算法对BP神经网络进行参数优化,得到多个并行诊断的禁忌神经网络,输入样本数据对其训练并利用BP反向传播算法再次调优;最后将测试样本数据输入各禁忌神经网络,并将诊断结果作为证据采用DS证据理论进行融合,得到最终的故障诊断结果;实验结果表明:引入DS证据理论的故障诊断方法能有效克服单一故障诊断方法无法精确诊断故障的不足,诊断精度高,具有较大的优越性。     

基于BP神经网络的卫星故障诊断方法

为了有效地利用卫星下传的海量遥测数据,在测试过程中对卫星进行实时的故障诊断,提出了一种基于BP神经网络的卫星故障诊断方法;该方法包括离线自主学习和实时在线故障诊断两部分;离线自主学习部分基于历史数据库和更新样本进行自主学习,学习获得神经网络模型存储于知识库;实时在线故障诊断部分依据相应的神经网络模型,对遥测数据进行实时在线的诊断;为了验证基于BP神经网络的卫星故障诊断方法的有效性和优越性,以现有型号三轴稳定近地卫星控制分系统为实验对象,利用该方法对具有代表性的红外地球敏感器和动量轮的相关遥测数据进行分析;通过将该方法的实验结果与基于Kalman滤波的方法的实验结果进行对比分析,表明该方法能够有效地对卫星的故障进行诊断。     

基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

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。     

关节臂式坐标测量机空间误差建模

关节臂式坐标测量机误差源多且复杂,其测量空间的误差存在不确定性,为了准确快速的得到关节臂式坐标测量机测量空间中的误差,利用标准锥窝对关节臂式坐标测量机进行了空间单点测量精度实验,获得了训练样本和测试样本。利用BP神经网络对空间误差进行了建模,为了提高其收敛速度和运算速度,引入粒子群优化算法(PSO)对BP神经网络模型进行了优化,并对模型进行了预测和验证。结果表明,BP神经网络和PSO-BP神经网络都可以对关节臂式坐标测量机进行空间点误差预测,PSO-BP神经网络模型的预测结果更加精确,相对误差更小。     

自动波竞争神经网络及其在单源最短路问题中的应用

将竞争机理引入网络的自动波产生与传播过程中，提出自动波竞争神经网络(ACNN)模型，并成功地应用于求解单源最短路问题，给出了基于ACNN的最短路求解算法. 与其他神经网络最短路算法相比，基于ACNN的最短路算法具有网络所需的神经元数目少、神经元及网络的结构简单、易于软硬件的实现、以及全并行方式计算等特点，可用于求解非对称赋权图的最短路径树问题，且其计算时间(迭代次数)仅正比于最短路径上的跃点数，与赋权图的复杂度、路径总长、边长的精度、通路总数等因素无关. 计算机仿真结果表明该算法的有效性和快速求解能力. 关键词： 单源最短路问题 自动波竞争神经网络 脉冲耦合神经网络     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

Study on two-dimensional distribution of X-ray image based on improved Elman algorithm

The principle of the X-ray detector which can simultaneously perform the measurement of the exposure rate and 2D (two-dimensional) distribution is described. A commercially available CMOS image sensor has been adopted as the key part to receive X-ray without any scintillators. The correlation between the pixel value (PV) and the absorbed exposure rate of X-ray is studied using the improved Elman neural network. Comparing the optimal adjustment process of the BP (Back Propagation) neural network and the improved Elman neural network, the neural network parameters are selected based on the fitting curve and the error curve. The experiments using the practical production data show that the proposed method achieves high accurate predictions to 10⁻¹⁵, which is consistent with the anticipated value. It is proven that it is possible to detect the exposure rate using the X-ray detector with the improved Elman algorithm for its advantages of fast converges and smooth error curve.     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练。首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势。然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码。分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序。仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

利用汉明距离优选神经网络学习样本

鉴于学习样本对神经网络模型的模式识别性能有很大的影响 ,提出学习样本的选择应与识别模型所利用的特性相结合 ,并利用汉明 (Hamming)距离对用于旋转不变识别的级联模型的学习样本进行优选 ,计算机对三个很相似的飞机模型进行识别 ,识别结果表明对学习样本进行有效的选择不仅可以减少系统的学习训练时间而且可以提高模型的识别能力。     

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

基于深度学习的太赫兹时域光谱识别研究

太赫兹时域光谱技术,由于其具有物质“指纹谱”特性,是一种可以快速无损地鉴别物质的重要手段,在毒品和爆炸物的无损检测等方面有广阔的应用前景。其中,光谱识别是太赫兹时域光谱技术应用研究的重要方向之一。现有的光谱识别方法多是依靠手工选取特征后进行机器学习分类,或是通过设置吸收峰阈值门限进行判断。由于一些物质在太赫兹波段内并没有明显的吸收峰特征,同时样品浓度、空气湿度、各类噪声等会对太赫兹时域光谱造成干扰从而使信噪比下降,这些方法并不能很好地适应,并且物质类别和数量的增加也会导致计算量不断增加。近年来,随着深度学习技术兴起,以卷积神经网络（CNN）和循环神经网络（RNN)为代表的方法在计算机视觉和自然语言处理等领域得到广泛应用,相比于传统的机器学习方法其效果有了很大的提升。由于深度学习技术强大的非线性分类能力,基于RNN和CNN设计了两个网络用于光谱识别：基于RNN的一维谱线分类网络和基于CNN的二维谱图分类网络。模拟实际应用场景,在非真空环境下采集了12种物质的两万多个光谱数据作为训练集和测试集。在分析了样品浓度、空气湿度对光谱特征的影响后,使用S-G（Savitzky-Golay）滤波对光谱进行降噪。实验结果表明,对比未处理和经过S-G预处理的数据,处理后的光谱特征更加明显,识别准确率更高;与传统的机器学习算法k最近邻（k-NN）方法相比,RNN和CNN方法在测试集上有更好的准确率,且算法速度更快;对于光谱识别,CNN方法比RNN方法能够更好地克服噪声的影响。因此,深度学习技术可以对太赫兹时域光谱进行快速有效的识别,能够为新型无损安全检查技术提供理论和实验基础。     

The application of artificial neural networks to the inversion of the positron lifetime spectrum

A new method of processing positron annihilation lifetime spectra is proposed.It is based on an artificial neural network(ANN)-back propagation network(BPN).By using data from simulated positron lifetime spectra which are generated by a simulation program and tested by other analysis programs,the BPN can be trained to extract lifetime and intensity from a positron annihilation lifetime spectrum as an input.In principle,the method has the potential to unfold an unknown number of lifetimes and their intensities from a measured spectrum.So far,only a proof-of-principle type preliminary investigation was made by unfolding three or four discrete lifetimes.The present study aims to design the network.Besides,the performance of this method requires both the accurate design of the BPN structure and a long training time.In addition,the performance of the method in practical applications is dependent on the quality of the simulation model.However,the chances of satisfying the above criteria appear to be high.When appropriately developed,a trained network could be a very efficient alternative to the existing methods,with a very short identification time.We have used the artificial neural network codes to analyze data such as the positron lifetime spectra for single crystal materials and monocrystalline silicon.Some meaningful results are obtained.     

人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图。作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练。结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别。实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶。