遗传神经网络在蒸汽发生器故障诊断中的应用

针对传统的BP神经网络学习算法易陷入局部极小以及收敛速度慢等问题,本文在神经网络中融合遗传算法,并将其应用到蒸汽发生器(SG)故障诊断中。结果证明,该算法能有效地解决网络训练中的收敛问题。     

基于概率神经网络的放射性核素快速识别方法研究

针对传统神经网络在核素识别中训练效果弱,易陷入局部极小、收敛速度慢等问题,提出了基于概率神经网络的核素识别方法,采用样本的先验概率和最优判定原则对新的样本进行分类。该方法利用能谱预处理过程获得的谱峰宽度、特征能量射线强度、峰面积等特征信息建立训练与测试样本,采用训练样本对概率神经网络模型进行训练,并进行了分类识别仿真实验。通过CZD探测器对3种核素不同组合的实测能谱进行测试,并与传统的神经网络算法进行对比表明:此方法具有较高的识别效率及准确率,可应用于安全监控、失控放射物探测等快速核素识别领域。     

基于粒子群优化算法的压水堆失水事故研究

为提高对失水事故的诊断能力,在反向传播(BP)算法基础上,建立基于粒子群优化(PSO)算法的故障诊断网络,利用PSO算法训练神经网络的权重和阈值,以克服BP算法易陷入局部极小问题。仿真试验表明,该诊断网络对失水事故有较高的诊断精度。     

基于BP神经网络的核素快速识别算法

研究了基于NaI便携式γ谱仪的核素识别算法,包括能谱光滑去噪、峰位识别、峰边界确定、基于特征峰的核素定性识别。将BP神经网络引入核素识别当中,分别采用全谱识别法和特征向量识别法对核素进行识别。全谱识别法以γ能谱每道计数作为神经网络的输入值,能充分利用能谱数据,提高结果的准确性。特征向量识别法是对能谱进行小波包分解得到频域的若干个特征值,作为神经网络的样本,大大降低了输入维数,提高了训练速度。     

基于图像小波包信息熵和遗传神经网络的气-液两相流流型识别

根据小波包变换能够将图像信号按不同尺度进行分解的特性,提出了基于图像小波包信息熵特征和遗传神经网络相结合的气-液两相流流型识别的新方法.该方法采用高速摄影系统获取水平管道内气-液两相流的流动图像,经过处理,对图像进行多分辨率分析,提取小波包变换系数的信息熵特征,用主成分分析法降低特征维数构成特征矢量,作为流型样本对遗传神经网络进行训练,实现了对流动图像的流型智能化识别.结果表明:图像小波包信息熵特征可以很好地反映各流型之间的差异;遗传神经网络结合遗传算法和BP算法各自优点,具有收敛速度快、不易陷入局部极小的特性,网络识别率为100%.     

一种基于小波包分解的神经网络识别γ能谱方法

提出了一种基于小波包分解的神经网络识别γ能谱方法,该方法将γ能谱看作非平稳离散信号,对γ能谱做小波包分解得到各频带的能量,以各频带能量为元素构造特征向量作为神经网络的训练样本,利用神经网络的分类功能实现γ能谱的识别.结果表明,该方法不仅能准确地识别不同种类标准源的γ能谱,还能准确识别不同批次标准源的γ能谱,具有很好的实用价值.     

一种基于BP神经网络的γ能谱识别方法

根据神经网络可以进行模式分类的特点,利用BP神经网络识别γ能谱的技术进行了初步研究,对影响识别结果的因素进行了探讨.     

一种基于BP神经网络的γ能谱识别方法

从军控现场核查过程中敏感信息保护的目的出发,对利用BP神经网络技术通过γ能谱识别核部件类型的方法进行了初步研究.实验时识别正确率达到98%以上,说明利用神经网络技术识别核部件是一种切实可行的方法.     

基于BP神经网络的n/γ甄别方法研究

常用的有机闪烁体探测器对中子和γ射线均敏感,所以消除或减弱γ射线在中子探测技术中的影响是必要的。考虑到BP神经网络能实现分类器的功能,因此本文结合脉冲形状甄别技术与BP神经网络,将BP神经网络应用在中子与γ射线混合场的粒子甄别中。通过训练BP神经网络达到记忆、分类测试样本的目的。对BP神经网络应用于n/γ脉冲波形甄别的准确性进行验证后与电荷比较法及频域梯度分析法甄别结果进行了对比。结果表明,BP神经网络甄别法不仅能为混合辐射场提供有效的甄别,而且在甄别时间上较电荷比较法与频域梯度分析法有所提高。     

基于双BP神经网络数据融合的水声定位研究

针对多传感器水声定位的数据融合问题,对目前常用的基于BP神经网络的数据融合算法进行改进,提出了基于双BP神经网络数据融合的水声定位算法.该算法首先将传感器采集回来的数据依次输入到异常数据识别网络,进行训练,剔除异常数据点,再将异常数据识别网络所训练出来的有效数据输入到有效点融合网络,得出最终的定位目标.仿真实验表明,与常规的基于多传感器的水声定位算法相比,该方法在速度和精度上都存在一定优势.     

基于BP神经网络的n/γ甄别方法研究

常用的有机闪烁体探测器对中子和γ射线均敏感,所以消除或减弱γ射线在中子探测技术中的影响是必要的。考虑到BP神经网络能实现分类器的功能,因此本文结合脉冲形状甄别技术与BP神经网络,将BP神经网络应用在中子与γ射线混合场的粒子甄别中。通过训练BP神经网络达到记忆、分类测试样本的目的。对BP神经网络应用于n/γ脉冲波形甄别的准确性进行验证后与电荷比较法及频域梯度分析法甄别结果进行了对比。结果表明,BP神经网络甄别法不仅能为混合辐射场提供有效的甄别,而且在甄别时间上较电荷比较法与频域梯度分析法有所提高。     

基于神经网络的核材料类型识别

针对核查前提．用人工神经网络技术对核材料类型识别进行了研究。实验结果表明,基于神经网络的分类器经过训练,能够有效识别不同类型的核材料,证明该方法用于现场核查中具有一定的可行性和实践意义。     

基于iForest-Adaboost的核电厂一回路故障诊断技术研究

传统的故障诊断方法如主元分析方法与BP神经网络等在复杂非线性系统中存在泛化能力较差、故障识别准确度较低的问题。而孤立森林（iForest）算法使用孤立树划分思想识别异常数据,可适用于非线性系统的状态监测;Adaboost算法是一种基于组合分类思想的提升算法,可通过多个弱分类器的叠加,使整体算法具有较好的泛化能力。因此采用iForest算法与Adaboost算法建立iForest-Adaboost核电厂一回路故障诊断系统,使用GSE实时仿真平台与福清核电站一号机组仿真数据测试。测试结果表明,iForest算法相比于主元分析与QTA阈值法可以更快识别出系统异常,Adaboost算法相比于BP神经网络与支持向量机方法具有更高的故障识别准确率。      

Identification of nuclear power plant transients using the Particle Swarm Optimization algorithm

In order to help nuclear power plant operator reduce his cognitive load and increase his available time to maintain the plant operating in a safe condition, transient identification systems have been devised to help operators identify possible plant transients and take fast and right corrective actions in due time. In the design of classification systems for identification of nuclear power plants transients, several artificial intelligence techniques, involving expert systems, neuro-fuzzy and genetic algorithms have been used. In this work we explore the ability of the Particle Swarm Optimization algorithm (PSO) as a tool for optimizing a distance-based discrimination transient classification method, giving also an innovative solution for searching the best set of prototypes for identification of transients. The Particle Swarm Optimization algorithm was successfully applied to the optimization of a nuclear power plant transient identification problem. Comparing the PSO to similar methods found in literature it has shown better results.     

基于不同神经网络算法的钚部件模板测量方法研究

钚部件的模板是从申报部件的γ能谱与中子计数中提取反映其类型特征的量构成的,核查时再次测量部件的特征量并与模板进行比较判断两者是否为同一类型。将神经网络作为一种模板测量比较的匹配算法,分别应用于两种场景:BP神经网络能够对不同类别的钚部件进行分类,该场景通常用于核武库中核材料的管理与衡算,LVQ神经网络核查未知测量对象,判断是否与申报钚部件一致,该场景通常用于核裁军核查。通过实验,完善了模板的构成和匹配算法。     

BP神经网络算法预测多组分材料中子屏蔽效果方法研究

针对多组分中子屏蔽材料优化设计中蒙特卡罗模拟计算时间长而对算法效率的制约,讨论了利用BP神经网络算法快速预测材料中子屏蔽效果的方法。以复合材料300种随机质量组分和其对应的蒙特卡罗计算的剂量值组成训练样本,建立了典型的3层BP神经网络模型,其剂量预测值与样本值的绝对偏差在±2以内。对训练样本之外的验证样本,绝对偏差扩大到-6.4～5.2之间。偏差分布统计显示70%以上样本的相对偏差绝对值在2%以内,定性判断该神经网络模型的计算精度和泛化能力满足优化算法使用。使用交叉验证法对网络进行二次训练,可提高训练样本的计算精度,但扩大了验证样本的计算偏差,表明神经网络建立中还需要考虑样本的拟合程度和泛化能力的平衡。