汽轮发电机组振动故障诊断中的改进BP算法

针对大型汽轮发电机组振动故障的特点，提出了一种基于误差逼近度渐进收缩学习算法的反向传播（BP）网络诊断模型，给出了BP网络误差函数和新型的权值调整公式，并将其应用于汽轮发电机组振动故障诊断与识别。实例结果表明，该算法学习收敛较快，误差曲线平稳，不会引起误差曲线振荡。     

一种改进型BP网络算法在凝汽器故障诊断中的应用

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络在学习速率和稳定性上有了进一步的提高。并将这种改进的BP网络算法应用于凝汽设备故障诊断实例中取得了实效。     

基于BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

BP网络在无刷直流电机参数辨识与控制中的应用

在无刷直流电机控制系统中，采用基于熵类误并准则学习算法的BP网络，克服了传统BP算法收敛速度慢，易收敛于局部极小值的缺点，避免了“过学习”的现象，实现了控制系统中电机参数的实时辨识，从而提高了控制系统的性能。     

训练样本中扰动因素对BP学习算法影响的机理分析

从多层前向神经元网络的BP算法出发，通过计算机仿真发现含有噪声干扰的样本对BP网络的训练会产生不良的影响：①神经元网络的学习速度不易把握；②网络的学习过程不收敛或收敛值会偏移真实的期望输出。文中从本质上对产生这些影响的原因进行了分析，并且进一步揭示了能量函数的选取是使BP算法抗噪声能力差、鲁棒性不强的主要原因。     

基于神经网络的水轮发电机组的建模分析

水轮发电机组是一个具有非线性的复杂受控对象。本文分别采用BP和RBF神经网络模型对水轮发电机组进行动态建模，经MATIAB仿真实验，结果表明用神经网络可方便的建立非线性系统的模型。通过分析比较两种网络动态建模方法，可知采用RBF网络进行建模相对采用BP网络具有明显的优点，RBF所用的学习时间和所用到的神经元个数大大减少，在某种程度上克服了BP网络的训练时间长、训练不完全和容易到达局部极小的缺陷。     

一种基于遗传算法和神经网络的PID控制

提出了一种融合遗传算法和神经网络的PID控制算法。该控制器先利用遗传算法对BP网络的初始权系数进行学习优化，再利用BP算法实现对PID参数在线调节，解决了控制器网络初始权系数对控制效果产生的影响，仿真结果表明了该控制方法的有效性。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络学习速率和稳定性得到提高。将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高.将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性.     

加动量项且变学习速率的BP算法应用于变压器故障诊断

BP神经网络具有自学习和自适应能力,非常适合于变压器故障诊断。分析了加动量项BP算法和变学习速率BP算法存在的不足,给出了加动量项且变学习速率的BP算法的原理和优点,减轻了网络训练过程中的振荡,加速了网络的收敛。构造了适合于变压器油中溶解气体分析故障诊断的神经网络,并将训练所得的神经网络用于变压器故障诊断,结果表明了该算法的有效性。     

神经网络在电力系统短期负荷预测中的应用综述

神经网络是目前研究最多的短期负荷预测方法。详细综述了BP网络、RBF网络以及小波神经网络在电力负荷预测领域的研究和应用现状。简单介绍了神经网络中常用的BP算法以及改进的BP算法。综述了神经网络在组合预测中的应用，并指出目前神经网络还存在的一些问题。     

基于改进BP神经网络的火电厂实时数据预测模型研究

提出了一种基于改进BP神经网络的火电厂实时数据预测模型,即在标准BP算法中引入动量因子和自适应学习速率,以减少收敛振荡过程,加快学习速度。选用某电厂300MW机组主给水流量实时数据进行网络训练学习和校核,分析了输入和隐含层节点数、学习样本数和动量因子对模型预测精度的影响。实例分析表明,该模型有较好容错性,能满足火电机组性能分析的要求。     

蚁群前馈神经网络在煤灰熔点预测中的应用

提出了一种蚁群前馈神经网络模型。采用蚁群算法和BP算法相结合的方法训练神经网络,可避免单纯BP算法容易陷入局部最优的不足,降低算法对初值的敏感性。应用蚁群前馈神经网络建立了灰熔点的模型,并对模型的预测性能进行了验证。结果表明,该方法的预测精度比单一的BP神经网络模型有较大提高,训练后的网络模型可以用于煤灰熔点的预报。     

基于遗传优化BP网络的振动故障诊断

为克服传统BP神经网络存在着容易陷入局部极小点、对初值要求高的缺点,采用遗传算法对BP神经网络的初值空间进行多点遗传优化,得到最佳初始权值矩阵,在此基础上按误差前向反馈算法沿负梯度搜索进行网络学习;同时提出了一种用于BP神经网络遗传优化的染色体浮点编码方法,并描述了作用于染色体上的遗传操作算法。仿真研究表明:遗传BP神经网络的收敛和诊断能力优于传统BP神经网络,可有效运用到汽轮发电机组振动故障诊断中。     

基于BP网络的故障诊断方法的改进

文章就人工神经网络ＢＰ模型进行故障诊断过程中输入样本情况影响诊断结果的准确率,提出了在原有神经网络输入节点的基础上再增加一特征输入节点,以及反映输入样络输入样本数据大小的特征量的新方法,以电力变压器的故障诊断为例,证明了这种新方法具有更高的故障诊断准确率。     

车牌识别系统的设计与实现

针对某市电子警察的需要设计了车牌识别系统。本方案选用的是基于小波变换的车牌定位和基于改进的BP神经网络的字符识别。用该方法构造的车牌识别系统识别率高、识别速度快、车牌定位准确，在实际运用中取得了良好的运行效果。     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。