基于邻域分布局部线性嵌入的粗集支持向量机

针对粗集支持向量机面对高维特征值的训练样本分类效率低的问题,采用邻域点间的分布矩阵用于改进局部线性嵌入的权值矩阵重建,在粗集支持向量机上引入该邻域分布局部线性嵌入算法,对输入训练集进行数据降维操作。对三个数据集分别采用传统支持向量机、粗集支持向量机和基于邻域分布局部线性嵌入的粗集支持向量机进行数据分类测试,结果表明改进的支持向量机对于高维特征值的训练样本,可有效提高分类准确率及计算效率。     

多姿态人耳识别的局部线性嵌入及其改进算法

为了提高多姿态人耳识别的准确性,提出了一种改进局部线性嵌入算法的多姿态人耳识别方法。通过曲波变换提取人耳特征,采用改进局部线性嵌入算法对特征进行降维,选择最有利于人耳识别的特征向量;采用RBF神经网络建立人耳分类器实现人耳识别,并采用USTB人耳图像库进行仿真实验。相对于其他方法,该方法获得了更高的人耳识别率,从而验证了算法的有效性。     

基于改进LLE的Elman神经网络电路故障诊断

如今的电路越来越复杂,随之而来的就是电路系统的高故障性,所以如何定位故障发生成为一大难题。文中基于提高故障诊断性能的目的,先采用一种改进的局部线性分析算法作为初始数据处理器对输出响应序列进行降维,提取故障特征向量,然后再通过OIF-Elman神经网络搭建故障分类器,对电路进行故障检测。仿真结果表明,将改进过的局部线性分析算法和OIF-Elman神经网络应用到故障诊断中,不仅具有比传统BP神经网络更精确的故障诊断正确率,且整个网络的收敛速度也会有明显提升。     

基于局部线性嵌入的免疫检测器优化生成算法

网络安全已上升到国家安全战略层面,入侵检测技术是其重要的组成部分,已得到广泛关注.在基于免疫的入侵检测研究中,针对传统实值否定选择算法不利于高效分析数据而造成的检测器生成速度慢、检测效率低等问题,引入局部线性嵌入算法,借鉴其能对高维数据进行映射降维的特点,提出一种基于局部线性嵌入的免疫检测器优化生成算法,利用局部线性嵌入对高维数据预处理优化降维,并结合实值否定选择算法生成检测器.将该算法用于检测模型,从而提升检测器的生成速率,并可保证生成的检测器高效地处理高维数据.该算法在降维前后可保证样本的局部线性结构不变,具有可变参数少、计算时间短的特点.实验结果表明,所提出算法在显著提高检测器生成速率和对数据检测效率的基础上,检测性能也表现出很好的水平.     

粒子群优化神经网络在动态手势识别中的应用

为了提高动态手势学习训练速度和识别准确率,本文提出一种基于粒子群优化BP神经网络的动态手势识别方法。首先基于自然人机交互需要,定义一套基于机器视觉的动态手势模型;在获取指尖运动轨迹的基础上,提取动态手势的特征向量作为神经网络的输入;利用改进的PSO算法训练BP神经网络,得到神经网络的权值和阈值;最后利用训练过的神经网络识别基于机器视觉的动态手势。测试结果表明:改进的PSO算法能够提高神经网络训练速度和精度,进而提高动态手势识别准确率。     

基于局部线性嵌入算法的汉语数字语音识别

语音信号转换到频域后维数较高,流行学习方法可以自主发现高维数据中潜在低维结构的规律性,提出采用流形学习的方法对高维数据降维来进行汉语数字语音识别。采用流形学习中的局部线性嵌入算法提取语音频域上高维数据的低维流形结构特征,再将低维数据输入动态时间规整识别器进行识别。仿真实验结果表明,采用局部线性嵌入算法的汉语数字语音识别相较于常用声学特征MFCC维数要少,识别率提高了1.2%,有效提高了识别速度。     

基于EMD和改进PSO-Elman神经网络的液压故障诊断

通过对工程机械液压系统各个元件的参数测量,提取包含故障信息的特征向量,并应用神经网络进行故障诊断。文中将经验模态分解（EMD）应用到故障特征向量提取中,结合压力、温度、流量等显性信号作为神经网络的输入,并对El-man神经网络的学习算法用PSO算法进行了改进,以提高网络的收敛率和计算能力。使用粒子群算法对Elman神经网络的权值和阈值进行优化,经过训练后即可应用到故障诊断系统中。仿真结果表明该方法提高了神经网络的收敛率,减小了诊断误差。     

基于 EMD 和改进 PSO-Elman 神经网络的液压故障诊断

通过对工程机械液压系统各个元件的参数测量,提取包含故障信息的特征向量,并应用神经网络进行故障诊断.文中将经验模态分解(EMD)应用到故障特征向量提取中,结合压力、温度、流量等显性信号作为神经网络的输入,并对 El-man 神经网络的学习算法用 PSO 算法进行了改进,以提高网络的收敛率和计算能力.使用粒子群算法对 Elman 神经网络的权值和阈值进行优化,经过训练后即可应用到故障诊断系统中.仿真结果表明该方法提高了神经网络的收敛率,减小了诊断误差     

小波包分解与神经网络风机齿轮箱故障诊断

齿轮箱作为风机传动系统重要的机械部件长期工作在恶劣环境中易于发生故障。针对风机齿轮箱产生的振动信号具有非平稳、瞬态、不确定性、以及外界干扰因素等特点，提出了小波包与改进的BP神经网络相结合方法。首先提取原始振动信号的时域波形，利用小波包对于时域特征值进行分解，将小波包分解后的子频带能量进行归一化计算，并作为BP网络的输入特征向量，其次创建BP故障模型，通过改进的优化算法对神经网络的权值和阈值进行全局寻优，最终使得对故障类型进行精确的判断，提高了故障诊断效率。仿真结果比较了两种优化算法的性能指标，得出改进的蚁群算法(MMA)优化算法识别精度更高，误差相对较小，收敛速度更快，验证了方法的有效性和可靠性。     

基于HGWO-MSVM的采煤机滚动轴承故障诊断方法

针对采煤机滚动轴承故障特征向量提取较困难、多分类效果不理想等问题,提出了基于HGWOMSVM的采煤机轴承故障诊断方法。对轴承故障信号进行小波降噪处理,利用经验模态分解算法对降噪后信号进行分解,并提取能量特征值,作为MSVM的训练集和测试集。采用MSVM进行故障状态识别,并用HGWO算法对MSVM的参数进行优化。试验结果表明,相比于GWO、GA和PSO优化MSVM模型,基于HGWO-MSVM的采煤机轴承故障诊断模型可明显提高故障识别精度和效率。     

基于AGA-RS的故障特征参数提取方法研究

在故障诊断中,将高维特征空间压缩到低维特征空间可以简化故障分类器设计,提高运算效率。研究了自适应遗传算法（AGA）和粗糙集（RS）理论在特征选择和特征约简中的应用,并针对柴油机燃油喷射系统故障提取了简化特征,建立了神经网络模型。试验结果表明,基于AGA-RS的故障特征参数提取方法可使故障分类器输入参数同时具有有效性和简约性,提高了神经网络的运算效率。     

粗糙集及PSO优化BP网络的故障诊断研究

针对PP神经网络故障诊断存在网络结构复杂、训练时间长、精度不高的问题,将粗糙集、微粒群算法、遗传算法引入到柴油机故障诊断中,提出了基于粗糙集理论与改进PP神经网络相结合的柴油机故障诊断算法。算法采用自组织映射方法对连续属性离散化,利用粗糙集理论对特征参数进行属性约简,使用微粒群算法优化PP网络结构,从而缩短训练时间,有效提高故障诊断的准确度。最后用柴油机的实际诊断结果验证了该算法的可行性、快速性和准确性。     

基于极限学习机的船舶柴油机故障诊断

针对传统深度核极限学习机网络仅利用端层特征进行分类导致特征不全面，以及故障诊断分类器中核函数选择不恰当等问题，提出基于多层特征表达和多核极限学习机的船舶柴油机故障诊断方法。利用深度极限学习机网络提取故障数据的多层特征；将提取出的各层特征级联为一个具有多属性特征的故障数据特征向量；使用多核极限学习机分类器准确地实现柴油机的故障诊断。在标准分类数据集和船舶柴油机仿真故障数据集上的实验结果表明，与其他极限学习机算法相比，该方法能够有效提高故障诊断的准确率和稳定性，且具有较好的泛化性能，是柴油机故障诊断一个更为优秀实用的工具。     

基于FOA优化GRNN的船用柴油机涡轮增压系统故障诊断

为了及时有效的发现并排除船用柴油机涡轮增压系统的故障,文中采用果蝇优化算法（FOA）对广义回归神经网络（GRNN）的分布密度SPREAD进行优化选取,提出了一种果蝇优化算法和广义回归神经网络相结合的故障诊断新方法。收集某型号船用柴油机的样本集,采用相同的训练样本分别对FOA优化GRNN和RBF神经网络进行训练,并用相同的测试样本对以上两种模型进行验证。结果表明,与RBF神经网络故障诊断方法相比,FOA优化GRNN对柴油机涡轮增压系统故障模式的识别准确率更高。     

基于粒子群神经网络的气阀机构故障诊断

提出应用粒子群神经网络和小波包能量特征的柴油机气阀机构故障诊断方法.为了克服BP算法的缺陷,将粒子群优化(PSO)算法应用于神经网络的学习算法中;为了避免PSO算法在全局最优值附近搜索变慢,采用了一种从PSO搜索到BP搜索的启发式算法;然后,通过模拟柴油机气阀机构的两种常见的主要故障:气阀漏气和气门间隙异常,采集气缸盖...     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.     

一种神经范畴标注模型

范畴标注是组合范畴语法解析中的子任务之一,可用于提高解析器的效率和性能.传统的最大熵模型需要手工定义特征模板,神经网络则通过隐含层学习到离散特征的分布式表示,从而自动提取分类需要的特征.引入该模型来解决该问题,在原有神经语言模型的基础上加入了向量化的词性表示层和范畴表示层,并通过反向传播自动更新词向量、词性向量和范畴向量,学习到它们的分布式表示.此外,在预测时采用束搜索的序列解码方式来引入标签之间的依赖信息.实验结果表明,这两种改进都能提升模型的性能,使其在范畴标注任务上比传统的最大熵模型效果要好（提升1%）.     

针对神经网络缺陷的柴油机在线故障诊断研究

神经网络各模型在柴油机故障诊断的应用过程中,都有各自的特点;针对单一网络模型在故障诊断过程中的缺陷,提出应用多种模型的子网络组成组合网络进行诊断,各子网络的诊断输出应用模糊变换处理,融合多种故障有效信息,提高故障诊断的准确性;首先将BP、Elman诊断子网络得出其各自的初步诊断结果;然后应用模糊变换得出决策级在线诊断结果;通过对某柴油机燃油供给系统的故障诊断过程表明,该诊断模型能融合有效故障信息,避免了单个子网络诊断的失效,有效降低了系统的不确定性。     

基于PCA-KFCM的船舶柴油机故障诊断

为提高船舶柴油机故障诊断的准确率和深刻反映船舶柴油机的运行状况,结合主元分析(PCA)的特征提取优势和模糊核聚类(KFCM)具有较好聚类效果的特点,提出了一种新的船舶柴油机故障诊断方法。该方法首先利用主元分析对船舶柴油机故障的训练和测试数据集进行特征提取,消除了故障征兆之间的相关性;然后对经特征提取后的训练样本进行模糊核聚类,并用网格法确定其中的参数,得到聚类中心。通过计算测试样本集中各样本与聚类中心在高维特征空间中的欧氏距离,得出最终的故障诊断结果。对MAN B&W 10L90MC型船用柴油机的故障诊断结果验证了该方法的有效性。因此,应用提出的方法对船舶柴油机进行故障诊断具有重要的实际意义。