一种新的旋转机械故障诊断系统

本文提出了一种新的旋转机械故障诊断系统，把基于规则的知识处理方法与神经网络集成在一起，本文研究了系统的知识表示，推理、自学习和集成方法，并结合一实例进行了分析。     

基于RBF网络的旋转机械故障诊断方法

针对BP网络在故障诊断中存在的训练收敛速度慢且容易陷入局部极小、网络初值对学习性能影响比较大等缺陷,提出了一种基于RBF网络的故障诊断方法,介绍了RBF网络的结构和自适应正交最小方差算法（SROSL法）,并应用于旋转机械的故障诊断中,应用结果表明,RBF网络训练速度快、分类性能良好,在设备故障诊断领域具有很好的实用性。     

基于人工神经网络的旋转机械多故障同时性诊断策略

针对大型旋转机械多故障同时性诊断问题，基于人工神经网络，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。该网络旨在将一个大的分类模式空间划分为几个小的子空间，以便对各子网络进行有效的训练，提高各子网络的分类能力，从而使整个网络具有高精度的多故障同时性诊断能力，测试结果表明：ＨＤＡＮＮ网络不仅能准确地对单故障进行诊断，而且多故障同时存在的情况下，也能有效地识别出各种故障，该网络具有较高的诊断     

旋转机械故障诊断方法概述

介绍了旋转机械故障诊断的常用方法,概述了国内外的研究发展状况,展望了故障诊断技术的发展趋势和前景。     

基于模糊关联度的旋转机械故障多参数诊断

本文首先分析了几种多参数故障诊断方法的特点，进而从故障诊断的角度，分析比较了多参数故障诊断的参数样本与灰色关联度原始定义的数据样本的特点差异，提出了模糊关联度的概念，实测数据检验结果表明：模糊关联度分析比灰色关联度分析诊断准确度高，具有很好的应用前景。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

BP神经网络在旋转机械故障诊断中的应用

人工神经网络模型是在现代生物神经系统研究基础上建立的一种网状结构，是对人脑某些基本特性的一种简单的数学模拟。神经网络以其信息的并行分布式处理、联想记忆、自组织及自学习能力，在机械故障诊断领域显示了极大的应用潜力。本文就神经网络对给定知识的表达、联想、记忆能力及网络结构进行了研究，利用反向误差传播网络对旋转机械中四种典型故障进行了实例分析诊断，取得了令人满意的效果。     

基于案例推理的旋转机械故障诊断系统研究

针对大型旋转机械结构复杂,故障现象难以用结构化知识表示,故障诊断规则难以提炼的特点,将基于案例推理(CBR)方法应用于旋转机械故障诊断。从旋转机械故障诊断的需求出发,在分析旋转机械故障诊断知识特点的基础上,对故障诊断系统的总体结构、故障案例库的构建、案例相似度匹配、案例调整和学习等CBR方法的关键技术进行了研究。重点设计了故障案例表示方法,采用基于三标度的层次分析法(AHP)确定案例征兆权值。提出了改进的最近邻法计算案例相似度,可以从征兆名称、征兆值、权值三方面对案例进行精确匹配。提出了基于案例审核的学习机制,可以充分发挥不同人员的作用。开发了基于CBR的旋转机械故障诊断系统原型,并给出了应用实例。     

集成旋转机械故障诊断的知识表示与推理

本文提出了一种新的基于规则和神经网络集成的智能旋转机械故障诊断方法，该法把专家经验和故障样本以统一的分布表示形式组织到知识库中，并在此基础上提出了推理算法的自学习选取，整个系统充分发挥了规则系统和神经网络的优点，具有知识表示明确、并行推理、联想和自学习等优点。最后结合实例进行了分析。     

旋转机械故障诊断从产生式系统到神经网络的应用

旋转机械的大多数邦联主要由振动信息反映出来，所以可以依据振动信息采用产生式系统进行故障诊断。但产生式系统在规则库的管理维护、推理效率等方面存在很多缺点和困难，模糊数学方法和神经网络的应用可以较好地解决。     

一种新的模拟电路故障诊断方法研究

针对传统模拟电路检测方法难以发现器件缺陷的问题,提出了一种基于小波分析与人工神经网络的故障检测方法,选取典型滤波器电路。使用MATLAB进行仿真。仿真结果表明,此方法能够有效地识别故障器件,且诊断率高。     

基于径向基网络的表面肌电信号处理

利用AR模型对实验所采集到的原始二通道表面肌电信号（SEMG）加以分析,提取AR系数作为特征值,将其作为训练样本输入到RBF神经网络进行训练,用此网络对前臂的伸臂和曲臂两种运动模式的表面肌电信号进行模式分类。实验表明,基于径向基函数RBF神经网络分类准确率比BP神经网络更高,具有较强的鲁棒性和自适应能力,可以有效识别肌肉的单动作模式。     

求解有限马氏决策问题的神经网络方法

在有限马尔可夫决策过程的线性规划求解方法以及神经网络算法的基础上提出了运用神经网络求解有限马尔可夫决策问题的方法．并通过算例验证了该方法的有效性．     

基于BP神经网络的装备智能故障诊断技术 研究

针对某装备故障诊断中多故障原因和多故障征兆的复杂对应关系,本文在分析其故障模式复杂性的基础上,设计了该装备基于BP神经网络方法的智能故障诊断模型,介绍了该模型具体实现过程中的关键技术,并通过仿真实验对模型性能进行了分析。     

基于线性神经网络的协整分析

利用线性神经网络进行协整系数的估计,首先检验变量的数据生成过程,再利用线性神经网络进行拟合,最后检验残差的平稳性,以确定变量之间是否存在协整关系.该方法具有简便、直观、精度高的特点.     

基于BP神经网络的经济预测方法

在经济分析中 ,通常采用回归分析方法建立数学模型对一个经济系统进行拟合 ,进而对相关经济变量进行预测 .利用人工神经网络 (ANN)的自学习、自适应和非线性的特点 ,可通过建立经济系统的评价指标体系 ,并把经济变量数据归一化处理 ,然后送入BP神经网络中训练得出相应参数再进行预测 ,经过检验得出令人满意的结果 .     

人工神经网络在人脸部识别中的应用研究

在对二值图像分析处理的基础上，介绍了人工神经网络（ANN）方法在数字图像识别中的应用，并通过在身份验证中的人面部特征提取与识别的实例对现有网络进行了研究，提出了改进思想，以期达到降低运算量、提高识别率的目的。     

神经网络：一种全新的多媒体技术

数据压缩和高速数字信号处理技术,实时多任务操作系统等已成为当前研究的热门,这说明多媒体技术已愈来愈受到重视。近年来,神经同络(Neural Network——NN)的研究也获得重大成就,并因其并行处理能力、分布式存储信息及自组织自学习的特点,而在各个领域中获得了广泛的应用,这将对多媒体技术的发展起着深远的影响。     

噪声信道下最佳矢量量化器的人工神经网络实现方案

噪声信道影响下的矢量量化器设计,实际上是一个信源、信道联合编码(joint soruce/channel encoding)问题。本文提出了一种利用人工神经网络ANN(Artificial Neural Network)技术解决联合编码的组合优化问题的方案,该方案较好地解决了有噪声信道条件下的最佳矢量量化器的设计问题。由于将信道传输特性直接引入到神经网络的构造中,因此,对网络进行训练后,最终得到对噪声信道影响具有一定程度的抑制作用的矢量量化器。我们针对BSC信道对所提方案进行了分析和模拟,结果表明,在量化网络设计中,考虑噪声信道影响的因素,可使训练得到的量化网络的量化特性对噪声信道的影响表现出明显的韧性。     

基于神经网络的预测拥塞控制算法

利用神经网络的方法，研究了Internet网络路由器中的拥塞控制问题．根据过去相邻两个时刻缓存器中队列长度值的变化量来预测下一时刻路由器中队列长度值，及时调整控制增益的大小以防止拥塞的发生，该方法可以使路由器中队列长度稳定在一个期望值附近．仿真表明，该控制方法可以有效地保证网络系统中信息的平稳传输．