一种基于小波网络的切削刀具故障监测

提出了一种基于小波神经网络的切削刀具故障监测方法，即提取反映刀具磨损状态的多源特征参数，利用小波神经网络的非线性模型和学习机制，实现在线状态监测；同时针对故障诊断的多输入输出问题带来的网络规模增大、收敛速度慢等问题，提出一种网络优化算法，即采用尺度参数的自适应调整法及平移参数的寻优搜索法，寻找最优小波基元，从而简化小波网络并加快收敛，仿真实例证明了该方法的有效性。     

基于小波神经网络的切削刀具状态监测

提出了一种基于小波神经网络的切削刀具状态监测方法，即提取反映刀具磨损状态的特征参数，利用小波神经网络的非线性模型，实现在线状态监测；同时针对多输入输出问题带来的网络规模大、收敛速度慢等问题，提出了一种网络优化算法，即采用改进的遗传算法寻找最优小波基元，从而简化小波网络并加快收敛。仿真实例证明该方法是有效的。     

基于改进的BRNN网络的二级结构预测

针对双向反馈神经网络(BRNN)的结构复杂、收敛速度慢的特点,本文提出了一种改进的BRNN网络.将BRNN左、右子网络的隐层删除,直接将输入连接到状态层,并且采用BP改进算法中的弹性算法进行训练.以90条序列共15377个氨基酸进行交叉验证.仿真结果表明,改进网络以及采用的弹性算法可以有效地缩短网络收敛时间.     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于改进神经网络的多重化可控整流电路的故障诊断

提出了一种改进神经网络的多重化可控整流电路故障诊断方法。针对BP算法收敛速度慢、容易陷入局部极小的缺点,采用了改进的BP算法,利用附加动量学习速率可变梯度法改进神经网络学习速率,从而达到了加快网络的收敛速度与提高网络的诊断精度。文中给出了基于改进BP网络的模型训练和测试数据的诊断。测试结果表明所提出的方法正确可行,该诊断方法对多重化可控整流电路故障的识别可达到较高的精度。     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

用神经网络综合诊断起重机筒形支柱的损伤

应用有限元仿真技术和人工神经网络模型，以反映结构损伤程度的固有频率和损伤的频率下降率作为神经网络输入的特征参数，对门座起重机筒形支柱上出现的裂纹损伤长度和位置进行了综合诊断和预测分析。结果表明：该技术的应用是切实可行的。     

基于改进小波神经网络的动车组牵引电机故障趋势预测

针对小波神经网络在多维输入情况下易于陷入局部极小值、收敛速度慢的弱点,引入Levenberg Marquardt(LM)算法优化小波神经网络,解决传统小波神经网络收敛速度慢的问题。基于传统小波神经网络和LM算法改进的小波神经网络分别建立预测模型,用于动车组牵引电机的故障趋势预测,通过MATLAB软件对两种预测模型的训练过程进行了数值仿真,仿真实验结果表明改进小波神经网络建立的故障预测模型提高了小波神经网络的预测精度,同时加快了神经网络的收敛速度,是一种有效的预测模型。     

一种新的动态神经网络及其在机器人监督控制中的应用

针对提高机器人控制性能这一类问题，在复合输入动态递归网络的基础上，提出一种新的动态递归神经网络结构，称为状态延迟输入动态递归神经网络（State Delay Input Dynamical Recurrent Neural Networks)。该动态网络具有新的拓扑结构及学习规则，各权值矩阵的含义更为明确，权值的训练过程更为简洁。网络增加了输入输出层前一步的状态信息，收敛速度及稳态精度与其它常用网络结构相比均有明显提高。将该网络用于机器人的监督控制系统，利用神经网络建立起被控对象的逆模型，与传统PD控制器结合，进一步确保了控制系统的稳定性，有效地提高系统的精度和自适应能力。仿真结果表明了这种改进的有效性和优越性。     

基于模态应变能比与神经网络的复合材料结构损伤辨识

从结构动力学特性入手，以模态应变能比作为表征结构损伤的标识量，对含损伤的复合材料机翼结构进行损伤辨识仿真，通过神经网络建立起损伤标识量和损伤状态之间的映射模型。仿真结果表明，模态应变能比对结构损伤位置和损伤程度都比较敏感，是一种有效的损伤标识量。神经网络可准确地识别出结构的损伤位置和损伤程度，应用于损伤识别是有效的。     

遗传小波网络在齿轮箱故障诊断中的应用

针对小波神经网络常用的反向传播算法普遍存在收敛速度慢,容易陷入局部极小点,网络参数的选取只能凭实验和经验来确定等缺点,提出了一种基于遗传算法优化的小波神经网络并应用于齿轮的故障诊断。仿真结果表明,该方法充分的发挥了遗传算法的全局寻优能力,小波分析的非线性逼近能力和神经网络的自学习特性,优化了系统的收敛速度和故障诊断的精度。     

基于遗传算法和神经网络的塔机结构动态优化设计

利用遗传算法和BP神经网络建立复杂结构系统动态优化的计算模型,该模型可代替系统原来的有限元模型,用于振动系统的快速重分析。首先对塔式起重机结构系统进行模态分析及谐响应动力学分析,找出对结构动态特性影响最大的模态频率,再利用灵敏度分析,确定对动态特性较敏感的设计变量作为神经网络的输入变量,并利用正交试验法确定神经网络训练样本,用有限元模型计算出样本点数据,建立反映结构振动特性的人工神经网络模型,最后利用遗传算法对所建立的神经网络模型寻优,得到使结构动态性能最优的设计参数。     

Neural networks for tracking of unknown SISO discrete-time nonlinear dynamic systems

This article presents a Lyapunov function based neural network tracking (LNT) strategy for single-input, single-output (SISO) discrete-time nonlinear dynamic systems. The proposed LNT architecture is composed of two feedforward neural networks operating as controller and estimator. A Lyapunov function based back propagation learning algorithm is used for online adjustment of the controller and estimator parameters. The controller and estimator error convergence and closed-loop system stability analysis is performed by Lyapunov stability theory. Moreover, two simulation examples and one real-time experiment are investigated as case studies. The achieved results successfully validate the controller performance.     

BP神经网络在说话者识别中的应用

研究了BP神经网络在说话者识别中的应用,提取了Mel频率倒谱系数及其一阶差分参数,运用BP神经网络对特征参数进行了训练和识别,MATLAB的实验结果表明,BP神经网络在说话者识别中,具有良好的发展前景。     

基于OT-Burg和改进Adaline神经网络的电力系统间谐波分析

在电力系统间谐波分析中,当间谐波频率与基波整数倍频率非常接近时,传统分析方法由于谱峰偏移和谱线泄漏往往分离不出此类间谐波。提出了将最佳收敛伯格窗（OT-Burg）与改进Adaline神经网络结合的间谐波分析方法,以提高此类间谐波的分析精度。Matlab仿真结果表明,OT-Burg算法频率分辨率高、检测准确、收敛快,与改进Adaline神经网络结合具有更精确的电力系统间谐波分析能力。     

神经网络自组织模糊控制算法及其应用

针对负荷频率控制的非线性、参数的不确定和纯迟延特性等问题,结合模糊控制技术和神经网络控制技术的优点,提出一种神经网络自组织模糊控制算法.该算法应用于电力系统频率控制中的仿真研究表明,该控制方案表现出良好的控制品质并能适应被控对象参数的变化,提高了系统稳态精度和动态性能.     

动态流量软测量中BP算法平坦区问题

传统的流量测量是采用物理流量计进行测量,物理流量计具有价格昂贵,不易维修的缺点。采用神经网络技术对流量进行动态测量不仅可以降低价格,更有易于维修的优点,在液压技术中有十分重要的意义。目前使用比较广泛的神经网络BP算法存在易陷入局部极小点、收敛速度慢的难题,而收敛速度慢有一部分原因是由于存在平坦区而产生的。针对BP算法收敛速度慢以及陷入平坦区难以逃离的难题,提出了附加奇数的动量BP算法。算法首先用公式求出权值修正的初始值,而后使用增加幂指数的梯度下降函数将权值修正函数值根据误差反馈值作动态改正,使之在遇到平坦区时增大梯度下降步伐,及时跳出平坦区。同时,通过降低计算量来提高计算速度、节省计算时间,加快收敛速度。通过理论证明了算法的正确性。试验结果表明,附加奇数的动量BP算法在保证网络较高的收敛率、达到训练精度的情况下,比传统的动量BP算法节省了9.65%的时间,训练步数也减少了31.13%,更加适合动态流量软测量中网络训练的实时性要求。     

基于声发射Ib值分析的渗铝321钢损伤特性研究

太阳能热发电换热管主要材料渗铝321钢的损伤会导致换热管的寿命缩短甚至断裂,因此必须进行损伤检测。采用声发射方法对渗铝321钢的损伤特性进行分析,实现对换热管性能的在线动态监测。通过采用声发射Ib值特征来表征渗铝321钢的损伤程度,并运用自组织映射(SOM)神经网络算法进行声发射特征参数聚类,以分析材料的损伤模式。结果表明,力学塑性阶段的声发射事件数量剧增,能量和振铃计数的峰值标志着试件的断裂。此外,在试件失效前,Ib值显著降低且密度变密集,表明Ib值的变化特征可以作为材料临界失效的预警信号。通过SOM算法对特征参数进行聚类分析得到4个簇及其对应的特征频率,并使用扫描电子显微镜(SEM)观察试件的断口形貌,得出4个簇分别对应于孔洞生长与汇合、微裂纹成核、宏观裂纹扩展和纤维状断裂4类损伤模式。这项研究旨在探索金属管材的损伤演化行为,并为管材的损伤分析和健康监测提供依据。     

基于径向基神经网络的直线超声电机位置控制

针对直线超声电机的精密位置控制,提出了一种基于径向基神经网络的自适应控制机制。鉴于直线超声电机工作原理,其运行状态必然受到摩擦、强非线性和时变等不确定性因素的干扰,为了对这些不确定性因素进行有效的逼近,采用了径向基神经网络。为了提高控制机制的自适应能力,首先利用来自试验数据的训练样本按正交最小二乘算法确定径向基神经网络的隐层单元的个数和相关参数,再按递推最小二乘法在线调整隐层与输出层之间的权重。试验结果表明,基于径向基神经网络的自适应控制器的性能不仅优于传统的PID控制和误差反向传播神经网络控制,而且具有很好的抗干扰能力。