用BP神经网络诊断电动机断条

本文对感应电动机故障诊断原理和方法进行了分析，并以电流频谱分析法为基础，应用BP神经网络诊断感应电动机转子断条数，给出了网络训练和测试结果，该方法根据感应电动机的运行状态参数，可以直接诊断出感应电动机转子的断条数的多少，具有智能化诊断，诊断准确，精度高等特点。该方法已应用于作者开发的虚拟电机故障分析诊断仪中，取出了很好的效果。     

V-fold交叉验证和BP神经网络在信用评价中的应用

研究关于公司神经网络信用评估问题的现状，提出一套甄选方法准则。用于建立适合于我国企业的信用评分指标体系；然后依据该指标体系建立了基于BP回归神经网络的信用评估模型；采用V—fold交叉验证技术，利用样本公司实际指标数据对该模型的评分效果进行了实证研究。     

期货价格预测——反向传播神经网络模型

利用神经网络的 BP算法 ,对较难解决的期货价格问题做了一些研究 ,获得了一定的成功 .     

二阶时滞小波神经网络的全局指数稳定性分析

通过构造李雅谱诺夫泛函,对具有时滞的二阶神经网络的稳定性进行分析,利用Eazumikhin定理得到了网络平衡点全局指数稳定的时滞相关与无关的充分条件,当衰减率依赖于时间时,得出了它们之间的一个线性关系,并进行了简明扼要的分析.     

ASYMPTOTIC BEHAVIOR IN NONLINEAR DISCRETE-TIME NEURAL NETWORKS WITH DELAYED FEEDBACK

This paper is concerned with a delay difference system. Some interesting results are obtained for the asymptotic behaviors of the system. Our theorems improve the corresponding theorems in the relevant literature by removing the restriction of the initial conditions.     

高效选取线性独立的原子特征构建精确机器学习势函数

机器学习势由于具有与第一性原理计算相当的准确性,且低得多的计算成本,在原子模拟中极具前景. 然而原子机器学习势的可靠性、速度和可迁移性在很大程度上取决于原子构型的表示. 适当地选取用作机器学习程序输入的描述符是一个成功的机器学习表示的关键. 本文发展了一种简单有效的方法,可以基于训练数据固有的相关性,从大量待选的描述符中自动选取一组最佳的线性独立原子特征. 通过对几个具有较少冗余线性独立嵌入密度描述符的基准分子构建嵌入原子神经网络势的应用,证明了这种新方法的有效性和准确性. 该算法可以大大简化原子特征的初始选取,并极大地提高原子机器学习势的性能.     

基于TDLAS技术的CH4气体检测与温度补偿方法

CH₄气体的精准检测对防止矿井瓦斯爆炸,确保安全生产至关重要。目前基于可调谐半导体激光吸收光谱技术（TDLAS）存在因温度变化导致气体浓度测量误差较大。探究了基于TDLAS的CH₄气体检测系统与温度补偿方法,分析温度对CH₄气体吸收谱线的影响,通过算法补偿模型消除环境温度对CH₄气体检测的影响。依据TDLAS技术原理及相关理论,对系统发射单元、吸收池、信号接收单元、数据处理单元进行设计,搭建了基于TDLAS技术的CH₄气体浓度检测系统,实验检测了不同环境温度（10~50 ℃）时0.04%CH₄气体浓度,分析温度变化对CH₄气体在波长为1.653 μm处吸收谱线强度和半宽度的影响。为消除温度对CH₄气体检测的影响并提高补偿效果,采用粒子群优化算法（PSO）优化BP神经网络（BPNN）的最佳权值和阈值,建立CH₄气体的PSO-BP温度补偿模型,克服了BP神经网络收敛速度慢、易陷入局部最优的缺点。结果表明：（1）基于TDLAS的CH₄气体检测浓度随环境温度升高而下降,整个实验温度内相对误差范围为4.25%~12.13%,不同环境温度下CH₄气体检测浓度与温度之间的关系可用一元三次多项式表示;（2）CH₄气体的吸收强度和半宽度随着温度的升高而下降,与温度变化之间的关系为单调递减函数,温度对CH₄气体吸收谱线强度的相对变化率大于吸收谱线半宽度的相对变化率,CH₄气体吸收谱线的强度更容易受温度变化的影响;（3）BP神经网络和PSO-BP模型测试样本的绝对平均误差（MAE）分别为12.88%和1.81%,平均绝对百分比误差（MAPE）分别为2.3%和0.3%,均方根误差（RMSE）分别为15.96%和2.69%,相关系数R2分别为0.980 6和0.999 6。通过建立PSO-BP温度补偿模型,补偿效果大部分分布在±1.0%的误差范围内,MAE,MAPE,RMSE和R2等评价指标均大幅度提升,对提高TDLAS技术在矿井CH₄的精准检测具有一定的参考意义。     

基于KPCA-K-means++和GA-LMS模型的改进RBF神经网络室内可见光定位

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法.所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位.利用核主成分分析K-means++(KPCA-K means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值.通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优.仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为 28.6 dBm～-25.1 dBm,定位误差小于0.1m.因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点.     

铝基复合材料高速干摩擦行为的遗传神经网络预测模型

对4种SiC颗粒增强铝基复合材料在5种速度和4种压力条件下进行了销-盘摩擦磨损试验,运用遗传神经网络技术建立了铝基复合材料在高速干滑动过程中的摩擦行为预报模型,并用该模型对铝基复合材料进行预报.结果表明,蓄热能力较大的铝基复合材料在服役条件下具有较高的摩擦系数,与实际情况相一致.用遗传神经网络建立的铝基复合材料摩擦行为预测模型为服役条件下提供了简便、可靠的优选材料方法.