基于动态对角递归网络的变压器故障诊断

本文介绍了动态对角递归网络,并针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练。同时,将动态对角递归网络引入到电力变压器的故障诊断中,通过改良三比值方法来实现故障诊断,提高了神经网络故障诊断收敛性及增量学习能力。最后,仿真诊断实例表明了应用这种方法实现的变压器故障诊断系统的有效性。     

基于进化策略的动态递归神经网络建模与辨识

提出一种采用进化策略实现动态递归神经网络结构、权重和自反馈增益同时进化的学习算法,以及自适应进化机制,与改进ＢＰ６算法相结合,各取所长,形成集成化动态递归神经网络建模辨识算法,实际应用结果表明,所提出算法不仅明显提高了动态递是 网络模型辨识自救的收敛速度格精度,而且实现了动态递归网络的全自动优化设计。     

基于改进动态递归神经网络的发酵过程pH值辩识

酒精发酵的pH值具有非线性、时变性和动态性。利用常规辩识方法对pH值进行辩识,一方面,无法准确描述其动态特性;另一方面,由于常规神经网络的权值学习是梯度下降法,在训练过程易陷入局部极小,并且训练速度慢。针对这些问题,将改进的动态递归神经网络应用于pH值的辩识研究。通过实验验证了该算法不但能体现出发酵过程的动态特性,而且通过在动态递归神经网络的权值学习中引入滤波项,能有效地克服常规网络在权值学习过程中的问题。表明该算法对pH值辩识的有效性。     

一种新型的动态递归神经网络及其全自动设计算法

本文基于非线形自回归滑动平均模型NARMA模 型和前馈神经网络建模的思想,提出一种输入层与输出层神经元递归的动态递归神经网络; 基于进化计算中遗传算法和进化策略与自寻优BP算法的不同结合方式,提出两种动态递归神 经网络全自动高效设计算法,实现了网络结构、权重和自反馈增益同时优化学习,实例应用 表明所提网络结构及其设计算法的有效性．     

一种基于RBF神经网络的转台分系统故障诊断方法

针对三轴精密测试转台各分系统故障诊断的需要,提出了一种基于径向基函数(RBF)神经网络的局部故障诊断方法。首先,给出了相应的RBF神经网络的结构,以及一种基于递归最小二乘法的改进学习算法;然后,将其应用到转台控制分系统的局部故障诊断中。根据控制分系统的常见故障及其特征信息,建立起基于RBF神经网络的故障诊断模型;最后,仿真实验结果验证了该方法的有效性。     

基于目标数据修正的差异性神经网络集成方法

通过对目标数据修正的原理进行分析,提出了一种新颖的基于目标数据修正的差异性神经网络集成方法.该方法利用对个体网络期望输出的动态修正,将其作为新的训练集,引导个体网络实现差异性学习.将其应用于变压器故障诊断,实验结果表明,该方法的故障诊断准确率优于个体网络独立训练的神经网络集成方法;与ADL(active diverse learning)方法相比,大大减少了集成网络的通信成本,是一种更为高效的神经网络集成方法.     

免疫粒子群优化RBF神经网络的变压器故障诊断

电力变压器运行的可靠性直接关系到电力系统的安全性及供电的可靠性。为提高变压器内部绝缘故障诊断的准确率,通过分析变压器油中溶解气体组分含量和变压器内部绝缘故障,提出了一种免疫粒子群优化RBF神经网络的变压器故障诊断算法。介绍了基于人工免疫网络算法确定RBF网络隐层中心数目和初始位置的方法,以及基于粒子群算法优化RBF网络权重的方法。仿真结果表明,该算法能有效诊断变压器故障类型,提高故障诊断的准确率。     

电力变压器的动态隧道BP网络故障诊断算法

变压器油中溶解气体分析是电力变压器绝缘故障诊断的重要方法。将人工神经网络中的BP算法应用于电力变压器故障诊断。由于BP算法训练神经网络具有训练易陷入局部极小,收敛速度缓慢的缺点,动态隧道技术运用到训练BP网络上,可以有效地改进BP网络易陷入局部极小的缺陷。经大量实例分析,并将其结果与传统的BP算法的结果进行比较,表明该算法能有效地对电力变压器单故障样本进行分类,具有较高的诊断准确率。     

基于Elman神经网络的齿轮故障诊断研究

在齿轮故障诊断过程中,针对传统的BP神经网络具有学习、记忆不稳定等缺点,提出了将Elman神经网络应用于齿轮故障诊断中,建立了Elman神经网络的应用结构模型,介绍了该网络的训练算法,阐明了齿轮故障诊断的实现过程;结果表明该神经网络学习记忆稳定,具有很好的学习功能,诊断方法具有高可靠性,达到了预期效果。     

一类动态递归神经网络的智能控制器

提出一种改进型动态递归神经网络的自适应控制方法，研究了动态递归网络的学习算法，分析了学习算法的收敛性，并推导了保证算法收敛的有效学习率范围，在此基础上提出了模糊推理自适应学习率方法。计算机仿真实验表明，本文控制方法对于未知、非线性被控对象的控制是有效的。     

基本样条循环神经网络及其非线性建模

提出一种新的基于基本样条逼近的循环神经网络,该网络易于训练且收敛速度快。此外为克服定长学习步长训练速度慢的问题,提出一种用于该网络训练的自适应权值更新算法,给出了学习步长的最优估计。该最优学习步长的选择可用于基本样条循环神经网络的训练以及对非线性系统的建模。     

基于多注意力多尺度特征融合的图像描述生成算法

针对图像描述生成中对图像细节表述质量不高、图像特征利用不充分、循环神经网络层次单一等问题，提出基于多注意力、多尺度特征融合的图像描述生成算法。该算法使用经过预训练的目标检测网络来提取图像在卷积神经网络不同层上的特征，将图像特征分层输入多注意力结构中，依次将多注意力结构与多层循环神经网络相连，构造出多层次的图像描述生成网络模型。在多层循环神经网络中加入残差连接来提高网络性能，并且可以有效避免因为网络加深导致的网络退化问题。在MSCOCO测试集中，所提算法的BLEU-1和CIDEr得分分别可以达到0.804及1.167，明显优于基于单一注意力结构的自上而下图像描述生成算法；通过人工观察对比可知，所提算法生成的图像描述可以表现出更好的图像细节。     

A new recurrent neural-network architecture for visual patternrecognition

We propose a new type of recurrent neural-network architecture, in which each output unit is connected to itself and is also fully connected to other output units and all hidden units. The proposed recurrent neural network differs from Jordan's and Elman's recurrent neural networks with respect to function and architecture, because it has been originally extended from being a mere multilayer feedforward neural network, to improve discrimination and generalization powers. We also prove the convergence properties of the learning algorithm in the proposed recurrent neural network, and analyze the performance of the proposed recurrent neural network by performing recognition experiments with the totally unconstrained handwritten numeric database of Concordia University, Montreal, Canada. Experimental results have confirmed that the proposed recurrent neural network improves discrimination and generalization powers in the recognition of visual patterns     

Nonlinear dynamic system identification using pipelined functional link artificial recurrent neural network

A computationally efficient pipelined functional link artificial recurrent neural network (PFLARNN) is proposed for nonlinear dynamic system identification using a modification real-time recurrent learning (RTRL) algorithm in this paper. In contrast to a feedforward artificial neural network (such as a functional link artificial neural network (FLANN)), the proposed PFLARNN consists of a number of simple small-scale functional link artificial recurrent neural network (FLARNN) modules. Since those modules of PFLARNN can be performed simultaneously in a pipelined parallelism fashion, this would result in a significant improvement in its total computational efficiency. Moreover, nonlinearity of each module is introduced by enhancing the input pattern with nonlinear functional expansion. Therefore, the performance of the proposed filter can be further improved. Computer simulations demonstrate that with proper choice of functional expansion in the PFLARNN, this filter performs better than the FLANN and multilayer perceptron (MLP) for nonlinear dynamic system identification.     

利用退火回归神经网络极值搜索算法求纳什均衡解

针对如何解算n人非合作的动态博弈对策中的纳什均衡解问题,提出一种利用退火回归神经网络极值搜索算法解算纳什均衡解的方法．在动态博弈对策问题中,将每个竞争者视为一个代价函数,利用此算法可以使每个代价函数均收敛于其最小值,从而获得此对策的纳什均衡解．此算法不限制代价函数的具体形式,同时由于摒弃了正弦激励信号,解决了一般极值搜索算法中存在的输出量“颤动”现象和控制量来回切换问题,改善了系统的动态性能．     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学 习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成 功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果 表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

基于深度学习的八类蛋白质二级结构预测算法

蛋白质二级结构预测是结构生物学中的一个重要问题。针对八类蛋白质二级结构预测,提出了一种基于递归神经网络和前馈神经网络的深度学习预测算法。该算法通过双向递归神经网络建模氨基酸间的局部和长程相互作用,递归神经网络的隐层输出进一步送入到三层的前馈神经网络以便进行八类蛋白质二级结构预测。实验结果表明,提出的算法在CB513数据集上达到了67.9%的Q₈预测精度,显著地优于SSpro8和SC-GSN。     

基于输入输出回归神经网络的超声马达辨识和速度控制

建立了一个新的输入-输出反馈神经网络结构用于超声马达速度辨识.给出了以驱动电 压的幅值和驱动频率为控制量的双模式速度控制器,推导了辨识器和控制器的动态递归反传算 法.数值模拟结果表明,辨识器能比较精确地描述马达的输入-输出关系,双模式神经网络控制器 对多种形式的参考速度,都有很好的控制效果.     

Synthesis of the sliding-mode neural network controller for unknown nonlinear discrete-time systems

This paper develops a sliding-mode neural network controller for a class of unknown nonlinear discrete-time systems using a recurrent neural network (RNN). The control scheme is based on a linearized expression of the nonlinear system using a linear neural network (LNN). The control law is proposed according to the discrete L yapunov theory. With a modified real-time recurrent learning algorithm, the RNN as an estimator is used to estimate the unknown part in the control law in on-line fashion. The stability of the control system is guaranteed owing to the on-line learning ability of the RNN algorithm. The proposed control scheme is applied to numerical problems and simulation results that it is very effective.