基于BP神经网络的非线性分类器研究

BP神经网络作为非线性问题的良好解决方案,广泛应用于自动控制、模式识别、数据压缩等领域。本文基于多层BP神经网络分析了其在模式分类方面的特性,重点介绍了使用BP算法为核心的非线性分类器的性能和应用,并通过一个两类问题的实例具体评估了这种非线性分类器的实际性能。结果表明,采用BP神经网络的非线性分类器能够较好地处理简单非线性分类问题,但在识别精度、运算速度等方面仍然有待改善。     

基于多神经网络多参数综合的旋转机械故障诊断系统研究

本文提出并建立了基于多神经网络多参数综合的旋转机械故障诊断系统。在多层多输出前向神经网络的算法基础上,对多个征兆域分别建立相应的诊断网络,然后利用加权方法进行综合评判,并且该诊断系统具有自学习、自适应能力,以便能够适应大型旋转机械,特别是汽轮发电机组等实际产生故障的振动原因的复杂性及诱发的振动征兆的多元性等特点,从而提高了故障诊断的可靠性和诊断精度。本系统对工程应用具有较高的实用价值。     

基于BP神经网络分类器的运动物体识别方法的研究

本文针对运动目标进行特征提取,在神经网络分类器中输入数据,对分类器采用不同的算法进行训练,以提高运动物体识别的准确率。据有关试验结果显示,与其它类型的分类器相比,基于BP神经网络分类器的运动物体识别方法的识别率相对较为准确。     

基于局部质心均值最小距离鉴别投影的旋转机械故障数据降维分析研究

针对旋转机械故障特征集非线性强、维数过高导致分类困难的问题,提出一种基于局部质心均值最小距离鉴别投影（Local Centroid Mean Minimum?distance Discriminant Projection,LCMMDP）的故障数据集降维算法。该算法在考虑样本的内聚性和分离性的同时,能够保持样本局部几何结构信息,反映样本与局部质心均值之间的近邻关系。从多个角度提取机械振动信号的混合特征,构建原始高维特征集,通过 LCMMDP 提取出低维敏感特征子集,利用改进的基于局部均值与类均值的 k?近质心近邻分类算法（k?nearest Centroid Neighbor Classification Based on Local Mean and Class Mean,KNCNCM）进行故障模式识别。所提方法集成了 LCMMDP 在维数约简和 KNCNCM在模式识别的优势,可得到较高的故障识别准确率。分别使用一个双转子系统数据集和仿真数据集验证了该方法的有效性。     

旋转机械故障诊断中的神经网络改进算法研究

就ＢＰ神经网络学习收敛速度慢和易出现局部最小点的不足，采用了自适应学习率和绝对误差等距离逼近方法，引入了控制因子常数，就控制因子常数，惯性因子常数以及隐层单元数对网络收敛迭代次数的影响进行了研究。并将改进算法应用于旋转机械故障诊断中。     

基于切片谱和神经网络的旋转机械故障诊断方法

RBF神经网络是仿生物神经建立的人工模式识别模型,它具有良好的泛化能力和分类能力;切片谱是对双相干谱算法的简化,同样可以用来定量描述振动信号的非线性相位耦合特征.本文结合双谱和RBF神经网络,以信号的切片谱作为故障特征量,以RBF神经网络作为分类器实现旋转机械故障诊断;最后对轴承故障进行仿真实验,结果表明,本方法能有效对轴承故障模式进行分类.     

自适应时频分析在回转机械诊断中的应用研究

针对各类时频分析方法的缺陷，提出了基于高斯线性调频基的自适应时频分解算法，经仿真试验验证，该方法拥有极高的时频分辨力，且无交叉干扰项，将其运用于转子冲临界瞬态振动分析，取得了良好的效果。     

在线式设备振动状态自动识别系统的研究

本文应用自组织特征映照模型，以知识处理中的地势搜索原理为出发点，研究并提出了在线式设备状态自动识别系统的工作原理。该系统采用状态映照平面初始化方法，未知模式标定技术和在线识别技术，并结合知识库和规则推理的运用，有效地实现设备状态的分类。     

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘（Hyperdisk,HD）对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器（Deep Hyperdisk Large Margin Classifier,DHD）,该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。     

基于拉普拉斯特征映射的旋转机械故障识别

针对旋转机械故障特征信号复杂且难以提取有效特征量的问题,提出一种基于拉普拉斯特征映射算法(Laplacian Eigenmap,LE)的旋转机械故障识别方法。对旋转机械三类典型故障的监测信号进行提取和转换得到26个时域和频域特征量,在由此构建的高维特征空间中,利用LE算法进行特征融合,提取隐藏在高维特征空间中的故障本质和规律进行故障样本分类识别。利用二维或三维图像表示提取出的低维结果,以样本识别率及聚类分析中的类间距Sb和类内距Sw作为衡量指标,从模式识别的角度进行分析。结果表明:较之主元分析法(principal component analysis,PCA)和核主元分析法(kernel principal component analysis,KPCA),LE方法能够更好地从高维特征空间中提取出有效特征量表征设备运行状态,实现旋转机械典型故障的分类识别。     

一种基于后验概率的分类器融合方法

基于二进小波边缘提取算法,提出一种基于后验概率模型的分类器图像融合方法。首先通过二进小波进行图像边缘检测,分别求得水平与垂直方向的边缘点,再使用最优决策函数方法对输入样本进行分析并在所有分类器中寻找一个最优的分类器,从而得到最终分类结果。该方法在图像的边缘点具有很好的分类效果等优点。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

主轴回转误差的信息特性分析

本文论述主轴回转误差的信息特性,指明了主轴回转误差的信源—信道—信宿,并推算出其信息熵的计算公式。通过对主轴回转误差的测量获得了信息,使原始不确定度得以减小,但仍有残留熵。文中推算了残留熵的计算公式、表示测量误差淹没信息作用的测量误差熵值和熵系数。最后对测量所得信号的处理及分析方法。作了讨论。     

基于模糊K-均值算法的模糊分类器设计

基于模糊K-均值算法的模糊分类器,就是把目前比较常用的模糊K-均值算法的聚类方法,再一次与模糊分类规则提取相结合而得到的一种分类器。它是一种很有效的模糊分类器,训练样本能正确的分类。在这种方法中,首先用模糊K-均值算法按剖分和覆盖的原则把训练样本分成群,并且每一群的中心和半径都被计算出来。然后,设计一个用模糊规则来表示分类的模糊系统。这样就有效地构建了一个能对训练样本比较准确分类的模糊分类器。用这种方法设计的分类器不需要预定义参数、训练时间较短、方法简单     

大型回转支承振动诊断技术应用研究

本文通过对大型回转支承进行振动时域和频域的诊断研究，总结了测试技术、分析和诊断方法。     

基于神经网络的某装备电路单元故障诊断研究

某装备是一种较为先进的防空武器系统.该系统结构和电路复杂,元器件种类与品种多,技术保障中其性能检测与故障诊断的难度大.为此,针对系统电路单元功能模块的组成情况,进行了单元电路模块化诊断方法研究.以该装备某单元电路板为例,介绍了利用神经网络和模式识别相结合,实现功能模块的故障判断并对故障元器件定位的方法.结果表明:这种方法能够大大降低测前仿真的工作量,提高故障诊断的精度和速度,增强该武器装备的维修保障能力.     

斗轮式堆取料机回转支承故障诊断研究

斗轮式堆取料机回转支承因故障引起的振动是超低频信号，采用一般的分析方法难于确定其故障特征频率。利用共振解调技术，可精确分析出超低频故障特征频率，再结合时域分析方法，准确诊断出该回转支承的故障。     

基于RPROP神经网络算法的旋转机械故障诊断模型

故障诊断模型是开展旋转机械设备状态检修的核心环节之一.采用弹性反馈(RPROP)神经网络算法建立旋转机械的神经网络故障诊断模型,通过与标准BP、带动量因子的反向传播(BP)算法相比较,表明了RPROP算法在故障模式识别中具有良好的学习效率与泛化能力,可以更好的描述频率特征和诊断结果之间的关系.