基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难。神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散。针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑。通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

基于BP神经网络和遗传算法的光伏功率预测的研究

随着光伏发电在社会的大规模应用,加之其波动性和间歇性等特点,使得光伏发电功率预测对微电网控制策略研究、电网电能调度和提高电网电能质量显得更加重要。遗传算法(GA)被运用来对建立的BP神经网络模型的初始权值和阈值进行优化,不仅加快了BP神经网络的收敛速度而且提高了BP神经网络的的预测准确度,实验结果显示采用的预测方法获得了较好的预测效果。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

基于遗传神经网络的VAV空调系统预测模型

针对单纯的机理建模方法难以准确预测变风量空调系统（VAV）的参数,利用BP神经网络构建了变风量空调系统的预测模型,并将遗传算法与BP网络相结合,提出运用遗传算法对神经网络的权值和阈值进行遗传搜索,寻优后再进行BP运算,以克服BP算法收敛速度慢、易陷入局部解的缺点。通过实验平台采集了大量数据对所建模型进行训练和验证,结果表明,模型对空调送风参数以及房间温湿度的预测结果与实测数据能很好拟合,精确度高,泛化能力强。     

基于粗糙集和BP神经网络的石化管道外腐蚀程度预测应用

研究管道外腐蚀程度预测问题。传统预测方法有专家评分系统等,而造成管道腐蚀的原因众多,专家对各个因素的偏好不一样,因此这类方法个人主观因素较强,预测的结果不够客观、准确。为了克服个人主观影响,提高预测精度,提出粗糙集理论-BP神经网络预测模型。该预测模型首先利用粗糙集理论消除管道腐蚀影响因素中的冗余因素,然后利用BP神经网络依据处理后的数据进行学习建模,并测试。仿真结果表明了该模型简洁性、快速性和有效性。     

光谱油样分析监测技术中的神经网络预测方法

光谱油样分析是机械磨损状态监测与故障诊断的重要技术,基于光谱数据的机械状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测,与传统预测模型相比具有明显的优势,文章将神经网络预测方法运用于光谱分析,提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了三层BP网络模型,针对神经网络的结构对于信号预测或模型辨识的精度具有影响很大的问题,文章利用遗传算法,对神经网络输入节点数、隐层节点数和网络收敛的均方误差(MSE)目标值进行了优化,得到了最优的网络预测模型。最后,对某发动机实际的光谱分析数据进行了预测和分析,并与传统ARMA模型的预测结果进行了比较,结果充分表明了本方法的有效性和优越性。     

时间序列的神经网络预测方法研究

本文利用动态神经网络可以逼近任意范函这一特性，提出利用此种动态神经网络对时间序列进行预测的方法，并利用设计的网络对某些典型的时间序列进行预测，结果表明利用神经网络对时间序列进行预测有较好的逼近效果。     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

基于改进的遗传算法优化BP神经网络并用于红酒质量等级分类

针对以往的红酒生产过程中,红酒质量分类过程复杂且低效,因此研究一种高效可靠的智能分类识别方法很有必要。这里在红酒的多种物理化学成份测定的基础上,使用人工智能理论中的神经网络构建分类模型,实现对红酒质量的高效分类。并用改进的遗传算法对BP神经网络中的缺陷做了一定的优化。对比传统BP网络分类效果,结果表明,改进后的神经网络收敛速度更快,提高了分类的正确率。对红酒加工企业具有积极的实际参考价值。     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

Research of Software Defect Prediction Model Based on Complex Network and Graph Neural Network

The goal of software defect prediction is to make predictions by mining the historical data using models. Current software defect prediction models mainly focus on the code features of software modules. However, they ignore the connection between software modules. This paper proposed a software defect prediction framework based on graph neural network from a complex network perspective. Firstly, we consider the software as a graph, where nodes represent the classes, and edges represent the dependencies between the classes. Then, we divide the graph into multiple subgraphs using the community detection algorithm. Thirdly, the representation vectors of the nodes are learned through the improved graph neural network model. Lastly, we use the representation vector of node to classify the software defects. The proposed model is tested on the PROMISE dataset, using two graph convolution methods, based on the spectral domain and spatial domain in the graph neural network. The investigation indicated that both convolution methods showed an improvement in various metrics, such as accuracy, F-measure, and MCC (Matthews correlation coefficient) by 86.6%, 85.8%, and 73.5%, and 87.5%, 85.9%, and 75.5%, respectively. The average improvement of various metrics was noted as 9.0%, 10.5%, and 17.5%, and 6.3%, 7.0%, and 12.1%, respectively, compared with the benchmark models.     

GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

基于神经网络的火灾烟雾识别方法

提出了一种基于神经网络的火灾烟雾识别方法，以波长为670nm、1060nm、1550nm的三束激光的三对消光系数比作为网络的输入，网络的输出为“火灾烟雾”和“非火灾因素”，从典型火灾烟雾和非火灾因素对多波长激光的衰减实验中选取数据，组成26种网络样本模式定义表，经391次仿真训练后，输出误差小于0．0001，并经验证实验表明，本方法对火灾烟雾和非火灾因素能进行有效的识别，是处理烟雾识别等非结构问题的一种行之有效的方法。     

基于BP算法神经网络的物理实验曲线拟合

介绍了人工神经元网络的基本原理和BP算法神经网络。将BP算法神经网络应用于物理实验中的幅频特性曲线拟合，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。     

基于Hadoop的GA-BP网络在山洪预测中的研究

研究了山洪灾害监测预警系统中雨情数据的分布式存储和分布式预测。针对采集到的水文数据急剧增长和对预测精度和预报时效的要求不断提高,分别应用Hadoop分布式文件系统对数据进行分布式存储和 MapReduce框架结合遗传算法优化神经网络的权值和阈值进行分布式预测。采用基于BP神经网络的多因子山洪灾害雨量预测模型,结合遗传算法能够实现全局优化特点来优化神经网络的权值和阈值,并在数据并行处理过程中,采用了批处理和MapReduce工作流的方式,以误差和准确率来评估预测模型,解决了神经网络在处理海量数据时训练时间长等问题。实验表明,该方法可以在不影响准确度的前提下,大大缩短运行时间,提高预测效率。     

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。     

基于近似模型的透平机械多目标优化

本文研究了采用多目标优化算法NSGA—II与前馈神经网络的耦合优化方法的收敛性问题。提出了一种改进的拥挤距离和coarse-to-fine的迭代策略,有效地解决了原耦合方法不收敛的问题。在此基础上,提出了基于数值模拟和耦合优化方法的多目标气动设计框架,并对转子37进行了三目标优化。优化结果表明,多目标优化结果的气动性能...