基于PSO-RBF神经网络的示功图识别

针对广泛应用的有杆抽油机故障率较高的现状,提出傅立叶描述子和RBF神经网络相结合的算法判断抽油机工况。该算法基于典型示功图的几何特征,提取低频区傅里叶描述子作为特征参数,再结合上、下冲程的载荷变化量,构成代表对应工况的12个综合特征参数,利用RBF神经网络建立识别网络模型,对数据进行网络训练得到RBF神经网络。通过MATLAB仿真平台完成了PSO-RBF神经网络的示功图识别的仿真验证,实际运用在油田生产中准确性良好。     

基于智能监控的独居老人室内异常行为检测

提出一种基于动作能量图的独居老人室内异常行为识别方法。首先用背景减除法对目标进行前景提取,然后提取人体运动目标的动作能量图,对提取后的动作能量图用傅里叶描述子进行边界描述并提取主傅里叶描述子。提出一种基于最近邻分类器的分层识别算法,同时提出一种动态能量描述子DED,将主傅里叶描述子和结合动态能量描述子DED相结合,用分层识别算法对异常行为进行识别。实验表明,该方法简单实用,对独居老人室内跌倒的正确识别率高达97%。     

基于聚类RBF神经网络的人体行为识别

提出基于聚类RBF神经网络的人体行为识别方法。通过基于单模态高斯背景模型的背景差分法提取动作轮廓;采用基于中心距的傅里叶描述子,对图像轮廓线进行处理,降低了特征的维数;利用谱聚类算法提取行为序列的关键特征向量,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

基于SSAE-SVM的滚动轴承故障诊断方法研究

针对现有滚动轴承故障诊断方法过度依赖于有监督学习算法的问题,提出一种基于堆栈稀疏自编码和支持向量机(SSAE-SVM)的滚动轴承故障诊断方法.利用堆栈稀疏自编码(SSAE)的频域深层特征学习能力,对轴承故障特征进行快速傅里叶变换和批归一化处理,再输入到SSAE网络.所构建的SSAE网络通过贪婪算法逐层训练,使用梯度下降...     

基于GPNN算法的电网区间故障诊断策略

为提升电网故障诊断算法的有效性,提出一种基于改进高斯概率神经网络(GPNN)核相似性合并预测的电网子区间故障诊断策略。首先,针对电网故障诊断中存在的数据不确定性现象,引入概率神经网络对其进行数据处理,同时为进一步提高概率神经网络对于数据不确定性的鲁棒处理效果,利用高斯算法对概率神经网络进行改进;其次,针对大型电网故障诊断的效率问题,提出一种子区间并行的故障诊断算法,对电网进行子区间操作,分别应用GPNN算法实现对电网故障子区域的诊断和最终诊断结果的融合;最后,通过仿真实验验证了所提算法在电网故障诊断中的有效性。     

基于改进的粗糙集和神经网络的WSN故障诊断

综合粗糙集理论和人工神经网络的优点,提出了改进的粗糙集理论算法,并结合人工神经网络,实现了一种无线传感器网络(Wireless Sensor Network,WSN)节点智能故障诊断方法。首先基于WSN的应用环境和故障特征的分析,通过数据采集、数据预处理和数据压缩来获得诊断决策表,并利用粗糙集中改进的归纳属性约简算法(Improved Inductive Attribute Reduction Algorithm,IIARA)对决策表进行属性约简,从而提取对故障诊断贡献最大的最小故障诊断特征集合,进而确定后端径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)的拓扑结构。最后通过网络训练建立故障征兆与故障类型之间的非线性映射关系,得到诊断结果。仿真实验结果显示,该诊断算法在对WSN节点进行故障诊断时,可以有效地减少网络输入层个数,简化神经网络结构,减少网络的训练时间,提高模型的诊断准确性。     

基于改进卷积神经网络的电力通信网故障诊断研究

针对当前电力通讯网络故障诊断方法及时性差、准确率低和自我学习能力差等缺陷,提出基于改进卷积神经网络的电力通信网故障诊断方法,结合ReLU和Softplus两个激活函数的特点,对卷积神经网络原有激活函数进行改进,使其同时具备光滑性与稀疏性;采用ReLU函数作为作为卷积层与池化层的激活函数,改进激活函数作为全连接层激活函数的结构模型,基于小波神经网络模型对告警信息进行加权操作,得到不同告警类型和信息影响故障诊断和判定的权重,进一步提升故障诊断的准确率;最后通过仿真试验可以看出,改进卷积神经网络相较贝叶斯分类算法与卷积神经网络具有较高的准确率和稳定性,故障诊断准确率达到99.1%,准确率标准差0.915%,为今后电力通讯网智能化故障诊断研究提供一定的参考。     

基于快速回归算法的RBF神经网络及其应用

针对径向基神经网络(RBFNN)中存在的径向基函数中心的数F1及其位置难以确定的问题,提出了一种新型的基于快速回归算法(FRA)的RBFNN.采用快速回归算法,不但能够确定RBF的中心和中心个数,而且能够求出隐含层到输出层的权重.通过一元函数拟合和Mackey-Glass混沌时间序列预测的仿真,验证了该网络的有效性与实用性.     

基于多级BP神经网络的无线电罗盘多故障诊断研究

为了快速准确诊断出无线电罗盘多故障模块,针对诊断过程中的过拟合现象提出了基于提前停止法的学习率可变BP算法,并运用多级BP神经网络诊断思想,得出基于多级BP神经网络的多故障诊断方法;文中根据多级BP神经网络的多故障诊断方法,对具体的机载无线电罗盘测向电路建模仿真,将复杂的无线电罗盘电路分解为3个子网络,并对每个子网络建立合适的故障集,按顺序依次诊断得出无线电罗盘电路中的故障模块;此方法可快速准确定位电路中的多处故障模块,准确率较高且缩短了诊断时间.     

基于T-S模糊神经网络的抽油机井故障诊断

针对油田抽油机井故障的特点,提出了基于T-S模糊神经网络的抽油机井故障诊断方法。即将神经网络的学习能力引入到模糊系统中,将模糊系统的模糊化处理、模糊推理、精确化计算通过分布式的神经网络来表示,从而提高系统的学习能力和表达能力。提出了基于LM优化的BP算法以提高网络收敛速度,利用MATLAB神经网络工具箱建立模糊神经网络诊断模型,经仿真测试表明,所提出的故障诊断方法能有效地对抽油机故障识别,正确率较高、效果较稳定,可提高网络训练及诊断速度。     

基于改进型小波神经网络的往复泵故障诊断

为了对往复泵的故障进行正确诊断,提出了基于改进型小波神经网络的往复泵故障诊断方法。以往复泵单个泵缸内的压力信号作为系统特征信号通过小波包分解来提取故障特征向量,同时将此特征向量作为改进型神经网络的输入,利用改进型神经网络对故障做进一步的精确实时诊断。文中对小波神经网络采用的优化算法是：动量因子和学习率自适应调整相结合的梯度下降法,该方法可以提高学习速度并增加算法的可靠性。通过对往复泵液力端多故障诊断实例的检验表明,该系统故障诊断正确率达到了93％以上。     

一种异步电动机故障诊断新方法

针对基于RBF神经网络的异步电动机故障诊断方法存在参数确定较困难的问题,提出了一种基于差分进化算法优化RBF神经网络的异步电动机故障诊断方法。首先采用小波变换对异步电动机运行状态信号进行消噪处理,然后采用主元分析法与小波包分析法相结合方式提取消噪后的异步电动机运行状态信号特征,最后采用差分进化算法优化后的RBF神经网络对异步电动机运行状态信号特征进行诊断。实验结果表明,与未优化的RBF神经网络相比,采用差分进化算法优化后的RBF神经网络可有效识别出异步电动机故障。     

一种井下配电网故障测距方法

针对采用随机选取法、K-均值聚类法确定RBF神经网络隐含层节点中心和宽度只能得到局部最优解、基本粒子群优化算法易发生早熟收敛且对于某些函数优化精度差的问题,提出了将惯性权重模型和收敛因子模型相结合的改进的粒子群优化算法;针对煤矿井下配电网发生单相接地故障后定位困难、传统的故障测距方法存在可靠性差、测距精度低的问题,提出了采用改进的粒子群优化算法优化RBF神经网络进行井下配电网单相接地故障测距的方法。仿真结果表明,经改进的粒子群优化算法优化的RBF神经网络的测距精度高于RBF神经网络,能够实现故障点的准确、可靠定位。     

基于改进粒子群优化算法的提升机制动系统故障诊断

矿井提升机制动系统运行的可靠性直接关系到井下工作人员的安全,为了提高其故障诊断的准确度,提出了一种改进粒子群算法优化RBF神经网络的诊断方法,建立了以提升机制动系统的故障特征参数为输入,并以制动系统的几种主要故障类型为输出的故障诊断模型.鉴于遗传算法具有较强全局收敛性,将遗传算法中的交叉、变异的思想引入到粒子群算法中,并用其优化RBF神经网络的隐含层参数.仿真结果表明,改进后的粒子群诊断算法改善了提升机制动系统故障诊断的速度和精度.     

两种优化训练的FNN在船舶柴油机故障诊断中的性能研究

本文针对船舶柴油机故障诊断系统,基于遗传算法（genetic algorithm,GA）和蚁群优化算法（ant colony optimization algorithm,ACOA）构造了2种优化训练的模糊神经网络（fuzzy neural network,FNN）智能故障诊断模式,给出了该模糊神经网络智能故障诊断系统的结构及其参数选取方法,通过对船舶柴油机燃烧子系统的FNN模型结构权值和阈值优化训练的故障诊断仿真研究,对两种方式的性能进行对比研究,仿真测试结果表明,基于ACOA的诊断模型具有更好的故障诊断知识表达准确性和较快的收敛速度等特点,具有较好的应用前景。     

基于狼群算法的RBF神经网络模拟电路故障诊断

提出了一种新的方法来进行模拟电路故障诊断。该方法包括Haar的小波分解,对数据的归一化处理,以及用狼群算法优化RBF神经网络。用Haar小波对所得的电路原始故障数据集进行变换,然后对变换后的数据进行归一化处理,最终得出RBF神经网络训练所需的输入数据。针对RBF神经网络中隐层节点中心、基函数宽度及权值选取困难问题,使用狼群算法来优化训练RBF神经网络,以提高网络训练稳定性与诊断成功率。通过两个电路的诊断实例,来论述这些方法的具体实现过程,验证用该方法进行模拟电路故障诊断的可行性。     

基于遗传优化的RBF-BP网络的实时故障检测

针对单一神经网络对复杂模型难以实时做出准确预测和BP神经网络自身的缺陷,结合RBF神经网络可以逼近任意函数的特性,提出了基于遗传优化的混合神经网络模型(RBF-BP)。由RBF网络和BP网络并联作为一个神经网络(简称为RBF-BP)的隐层,利用该网络对被控对象进行逼近训练、实时故障检测,该算法同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测。     

自适应GA优化WNN的模拟电路软故障诊断方法*

在小波神经网络(WNN)的模拟电路故障诊断系统中,普遍采用的梯度下降算法在训练时易使网络陷入局部最优,而网络结构的冗余也会造成训练收敛方向偏离全局最优点,降低推广能力和增加误诊率。用自适应遗传算法优化WNN,以克服上述缺陷。采用该方法可简化小波神经网络的结构和优化参数,在滤波器电路的软故障识别中获得满意的效果。与常规的WNN故障诊断方法相比,有效地提高了故障诊断的效率和正确率。     

基于神经网络改进算法的飞控系统故障诊断

应用神经网络技术对复杂的飞行控制系统进行故障诊断对提高飞机的可靠性和容错能力具有重要意义。为了提高网络的学习效率和稳定性,该文提出一种改进的径向基神经网络学习算法,使用混合共轭梯度优化算法对网络参数进行调整。利用神经网络对某型飞机的飞行控制系统进行故障诊断,仿真结果表明该神经网络具有较强的故障识别能力。     

Reformulated radial basis neural networks trained by gradientdescent

This paper presents an axiomatic approach for constructing radial basis function (RBF) neural networks. This approach results in a broad variety of admissible RBF models, including those employing Gaussian RBFs. The form of the RBFs is determined by a generator function. New RBF models can be developed according to the proposed approach by selecting generator functions other than exponential ones, which lead to Gaussian RBFs. This paper also proposes a supervised learning algorithm based on gradient descent for training reformulated RBF neural networks constructed using the proposed approach. A sensitivity analysis of the proposed algorithm relates the properties of RBFs with the convergence of gradient descent learning. Experiments involving a variety of reformulated RBF networks generated by linear and exponential generator functions indicate that gradient descent learning is simple, easily implementable, and produces RBF networks that perform considerably better than conventional RBF models trained by existing algorithms