用于变压器故障特征气体分析的气敏阵列传感系统

提出将气敏元件阵列技术和径向基函数神经网络（Ｒａｄｉａｌ Ｂａｓｉｓ ＦｕｎｃｔｉｏｎＮｅｕｒａｌＮｅｔｗｏｒｋ，ＲＢＦ－ＮＮ）相结合，以检测电力变压器油中的４种微量故障特征气体（１＊１０＾－６－１０＊１０＾－６级Ｈ２、Ｃ２Ｈ４、Ｃ２Ｈ２和５０＊１０＾－６级ＣＯ）。实验结果表明，与目前基于误差反向传播算法（ＥｒｒｏｒＢａｃｋ－ＰｒｏｐａｇａｔｉｏｎＡｌｇｏｒｔｈｍ，ＢＰ）神经网络的气体分析结果相比     

基于径向基函数神经网络法识别变压器油中微量特征气体

研究了采用气敏阵列与神经网络技术检测混合气体浓度的一种新方法,并将其应用于探测变压器油中微量特征气体．实验检测了φ（Ｈ２） 为０ ～５ ×１０ － ６ 和φ（Ｃ２ Ｈ２） 为１ ×１０ － ６ ～１３ ×１０ － ６ 的混合气体,结果测得氢气绝对误差最大值为０ ．１７ ×１０ － ６ ,乙炔绝对误差最大值为０ ．５３ ×１０ － ６ ．可见,该方法有效地提高了气敏元件的选择性,使混合气体浓度测量的准确性显著提高     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

模糊神经网络在电力变压器故障诊断中的应用

及时和正确地诊断出电力变压器的故障,对维护电力系统的正常安全运行具有非常重要的意义。本文把基于模糊理论和神经网络的模糊神经网络模型应用于变压器的故障诊断中,实例分析结果表明该方法能有效提高变压器故障诊断的正确性。     

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法．该方法用小波变换作为模拟电路故障信号的预处理器，大大减少神经网络的输入数目，简化神经网络结构和减少它的训练时间，提高辨识故障能力．在介绍该故障诊断方法的基本原理后。给出了小波函数及故障特征选择的方法．     

模糊神经网络在变压器故障诊断中的应用

提出并研究了模糊神经网络在变压器故障诊断中的应用问题。以油色谱分析数据作为输入，故障类型作为输出，建立了邦联诊断的模糊网络模型。故障实例的测试结果表明了这咎方法的有效性。     

基于遗传编程判别函数法在电力变压器绝缘故障诊断中的应用

基于遗传编程(GP),提出了一种用于电力变压器绝缘故障诊断的判别函数法.该方法结合变压器油中溶解气体含量,利用GP算法的树状结构特点和模拟自然进化理论的全局寻优机制,自动从训练样本中学习到代表输入特征向量与对应故障类型之间关系的判别函数,以函数值的正负表示不同的故障类别.为了验证该方法的有效性,建立了变压器分层故障诊断模型,采用多个判别函数的方式逐步判别变压器绝缘故障的类型.与常规的三比值法、BP神经网络方法相比较表明,该方法提高了变压器绝缘故障诊断的正确率,具有良好的诊断效果.     

遗传鼻法在电子鼻中的应用研究

当今国内外对电子鼻的研究异常活跃，它是涉及传感器融合技术，计算机技术，应用数学等诸多领域的一门综合性技术，在电子鼻的研究中，最重要的且最困难的问题是被测信号的特征提取和模式识别，目前尚无令人满意的方法，本文介绍了所研制的适用于传感器阵列反应的试验装置，在获得传器与食醋挥发气体反应的整个过程的数据的基础上，提取了时域历程的特征值，提出了一种称为“遗传特征参数法”的新方法，提高了模式识别的精度，同时该方法对于解决其他模式识别问题有有参考价值。     

神经网络在毒剂识别中的应用

识别毒剂方法已有很多,但自动化、智能化的程度都很低。为快速、准确地识别毒剂,在分析神经网络毒剂识别基本方法的基础上,建立了带有偏差单元的递归神经网络毒剂识别模型,设计了神经网络毒剂识别的软件,实现了神经网络对毒剂的识别。用沙林模拟数据对该模型进行了分析和测试,得到了比较满意的结果。     

自组织特征映射神经网络在说话人识别中的应用

Mel频率倒谱系数MFCC在说话人识别中已被广泛使用。本文以MFCC为声音信号的特征参数提取的标准。识别部分采用自组织神经网络的方法进行建模,实验结果表明该方法有较高的识别率。     

基于遗传算法的神经网络在局部放电模式识别中的应用

针对ＢＰ神经网络（ＮＮ） 在大型发电机局部放电模式识别中存在的收敛速度慢、容易陷入局部极小点的问题,提出采用遗传算法（ＧＡ） 作为神经网络的学习算法．并且根据神经网络结构的特点,构造了新的遗传算子．结果表明,与ＢＰ神经网络相比,ＧＡ 神经网络的收敛性能和推广能力都有了明显提高     

基于遗传算法和BP神经网络的结构损伤识别

鉴于BP神经网络需要较长的训练时间、易陷入局部极小值、网络权值和阈值难确定等不足。运用遗传算法全局寻优的特点对BP网络的权值和阈值进行优化。同时运用遗传算法进行网络训练,避免网络收敛于局部极小值。通过对一根单梁实验数据的识别,结果表明两者的结合能对结构进行准确的识别。     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明:将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

基于遗传算法的神经网络结构优化

介绍了遗传算法的基本原理,然后利用遗传算法优化神经网络结构,形成以遗传算法与神经网络相结合的进化神经网络.经验证可知,该算法具有一定的可行性与有效性.     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

基于遗传算法神经网络盲均衡算法的研究

将遗传算法引入神经网络盲均衡,利用其全局搜索能力强的特性来消除传统神经网络算法易陷入局部最优解、训练速度慢的缺点。采用两阶段寻优法,首先,通过遗传算法来为神经网络提供一个全局较优的局部搜索空间;其次,利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡。计算机仿真表明,该算法能达到更好的收敛特性和均衡效果。     

遗传算法在BP神经网络学习中的应用

在遗传算法与BP神经网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法．