基于粒子群优化聚类的汽轮机组振动故障诊断

针对模糊C-均值聚类算法(FCM)容易陷入局部极值和对初始值敏感的不足,提出了一种新的模糊聚类算法(PFCM),新算法利用粒子群优化算法(PSO)全局寻优、快速收敛的特点,代替了FCM算法的基于梯度下降的迭代过程,使算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度。将该算法应用于汽轮机组振动故障诊断中,与电厂运行实际故障状态对照,仿真结果表明该算法提高了故障诊断的正确率。为汽轮机振动故障诊断方法的研究提供了一种新的思路。     

Stability analysis and controller design of T-S fuzzy systems with time-delay under imperfect premise matching

The issue of the stability and controller design of Takagi-Sugeno(T-S) fuzzy control systems with time-delay is investigated under imperfect premise matching when the T-S fuzzy time-delay model and fuzzy controller do not share the same membership functions.A new stability criterion which contains the information of membership functions is derived.The new stability criterion is less conservative,and enhances the design flexibility.Two numerical examples are presented to illustrate the conservativeness and effectiveness of the proposed method.     

基于CS的Hopfield神经网络数字识别应用

介绍了布谷鸟搜索(cuckoo search, CS)和Hopfield神经网络的基本原理,研究了基于Hopfield神经网络的数字识别应用。针对Hopfield网络权值在数字识别时易陷入局部最优,提出将CS引入Hopfield神经网络的解决方法。利用CS对复杂、多峰、非线性极不可微函数的全局搜索能力,使Hopfield网络在较高噪信比的情况下仍保持较高的联想成功率,并进行了仿真。仿真结果表明,该方法识别数字的效果更佳。     

基于改进负选择算法的异常检测

为解决基于负选择的异常检测算法中检测器数目和检测器对非我空间的覆盖二者之间的矛盾问题,采用粒子群优化算法(PSO)来优化负选择算法中随机产生的检测器的位置,从而实现用较少的检测器实现对非我空间更大的覆盖.在保证检测器尽可能小的覆盖自我空间的前提下,扩大检测器集合对非我空间的覆盖,并且在这个过程中检测器的数目是一定的.对正弦时间序列信号(artificial datasets)和轴承滚珠故障的振动信号(real-word datasets)进行了仿真实验.实验结果表明,该算法相对于原始的负选择算法在对非我空间的覆盖和检测率的提高方面有显著的效果.     

免疫调节增益的单神经元PID控制器

针对单神经元PID控制中学习速度较慢,动态响应时间长等问题,提出了免疫调节增益的单神经元PID控制器.将T细胞免疫调节机理与单神经元PID控制算法相结合,以提高单神经元PID控制器的学习速度,缩短动态响应时间,改善单神经元PID控制器的性能.仿真研究了免疫调节增益的单神经元PID控制器的定值跟踪性能和抗干扰性能以及直流电机伺服控制性能.仿真实验结果表明,这种新的控制算法学习速度快,动态响应时间短,具有较强的自适应性和鲁棒性,其控制性能优于单神经元PID控制.     

A New Combined Neural Network Model

This paper discusses the principle structures,learning algorithms and approximating abili-ties of two typical classes of neural networks models:BP and CMAC,presents the architectureand foundation of a new kind of Combined Neural Network(CNN)which uses the output of aCMAC neural network as a BP’s additional input node.And the corresponding learning algorithmis obtained by backpropagating the approximating error in the output layer through eachhidden layer to the input nodes as well.Comparisons in terms of converge speed andapproximating ability are made among BP,CMAC and CNN.Simulations suggest that the CNNhas the advantages of fast learning speed and good generalizability ability.     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

基于粒子群和免疫克隆的模糊C-均值聚类

目的基于梯度下降的模糊聚类算法（FCM）选择最优解做改进,降低原FCM对初始值的敏感度,改进模糊C-均值算法,加快收敛速度,改善聚类的效果.方法该算法通过克隆选择改变粒子群优化算法（PSO）中群体的多样性,用PSO代替了FCM算法的基于梯度下降的迭代过程.结果算法具有很强的全局搜索能力,很大程度上避免了FCM算法易陷入局部极值的缺陷,同时也降低了FCM算法对初始值的敏感度.通过机器学习中的W ine和Iris数据对所提出的算法进行验证,取W ine样本数据为178个,条件属性为13,聚类类别数为3;Iris数据150个,条件属性个数为4,对这两类数据分别进行聚类分析,将试验结果与单纯的FCM和基于PSO的FCM比较,聚类的正确性有所提高.结论基于粒子群和免疫克隆的模糊C-均值聚类算法具有很强的全局搜索能力,提高了聚类的效果和效率.     

基于AIS的垃圾邮件双层过滤方法的研究

提出了一种新型的双层垃圾邮件过滤方法.该方法基于免疫学习,免疫记忆和免疫识别等机制,具有一定的自适应能力和多样性,充分利用了垃圾邮件与非垃圾邮件的特征,从而降低了非垃圾邮件被错判的风险.实验结果表明,双层过滤方法可有效的降低垃圾邮件的虚报率(非垃圾邮件被错判为垃圾邮件的比例).