基于小波-神经网络的故障劣化趋势检测

本文以小波-神经网络为研究对象,主要介绍小波-神经网络的基本原理,及基于小波-神经网络的故障劣化趋势检测系统的构造方法,并以用于温度标定的电机的轴承为例进行诊断试验,试验诊断结果与实际情况基本一致,说明该方法适用于故障劣化趋势检测.     

基于GM(1,1)-MLP神经网络组合模型的物流总额预测

由于传统的基于GM(1,1)的物流总额预测方法需假设其他因素变化对物流总额无影响,给预测结果带来较大误差,本文采用GM(1,1)-MLP神经网络组合模型对我国未来物流总额进行预测。将组合模型与GM(1,1)的2012—2016年物流总额拟合结果进行比较,发现组合模型的预测平均误差仅为2. 3%,远低于GM(1,1)的预测平均误差(25. 2%),精准度大大提高,可以被有效应用于我国未来的物流总额预测。     

基于模糊神经网络的导弹故障智能诊断方法

采用模糊神经网络技术并辅以其他的诊断方法模块,利用协同计算机技术,能够对导弹武器系统进行实时在线和离线的故障进行智能诊断.研究表明,这是一种提高导弹武器故障诊断智能化的可行方法.     

基于小波能量差和BP神经网络的网络性能分析?

文章将小波变换与人工神经网络结合,建立一种网络性能分析模型.首先对流量时间序列进行小波分解,得到多个尺度的小波系数序列,计算能量差,作为BP神经网络模型的输入,得出网络性能评价.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的可行性.     

基于模糊神经网络的车辆发动机建模和控制

本章针对车辆发动机是一个高度非线性、不确定的复杂系统,其模型难以建立的特点研究了基于模糊神经网络的发动机辨识技术.同时基于辨识模型和神经网络设计了发动机单变量鲁棒自适应控制系统.     

基于神经网络的车联网频谱感知组合算法

针对车联网环境下无线频谱资源短缺的问题,提出一种基于神经网络的多条件频谱感知组合算法.该算法利用神经网络较强的多分类能力,将信号能量、协方差矩阵的最大特征值、最小特征值、迹和平均特征值融合作为神经网络特征参数实现合作频谱感知,并从理论上分析参数选择方案,算法还充分考虑信道多径衰落和阴影效应导致的信噪比很低的情况以及车辆...     

基于神经网络和奇偶向量的卫星故障诊断

提供一种卫星故障诊断方法以提高GPS导航定位的完整性。该方法在奇偶向量的基础上利用广义似然比法检测卫星故障 ,再利用神经网络进行故障诊断以提高卫星故障诊断的准确性。     

基于小波DGM(2,1)模型的我国进出口贸易额预测

我国进出口贸易数据序列呈波浪上升趋势,传统预测方法难以获得理想预测效果.小波变换可去除原始信号中的噪声,灰色DGM(2,1)模型适合波动时间序列的预测.运用小波变换和灰色DGM(2,1)模型相结合的方法预测我国进出口贸易总额,取得了理想效果,2017年的预测误差仅为3.4041％,比灰色GM(1,1)模型的10.8493％减小22.4853％,比普通灰色DGM(2,1)模型的15.8011％减小46.7771％.由模型预测得到2018年我国进出口贸易总额为4.378288万亿美元.     

分布式遗传的船舶航向神经网络优化控制

针对海上风浪环境对船舶航行的干扰,利用遗传神经网络优化算法设计船舶航向控制器。利用分布式遗传算法（distributed genetic algorithm,DGA）并结合模拟退火算法对常规遗传算法(genetic algorithm,GA)进行改进。利用改进的GA对径向基函数(radical basis function,RBF)神经网络进行优化。利用优化的RBF神经网络对系统不确定项进行逼近,并对控制输入进行补偿实现抗饱和控制。利用三阶干扰观测器对外部扰动实时跟踪并反馈到滑模控制器(sliding mode controller,SMC)设计中。借助SMC设计并结合李雅普诺夫稳定性理论推算出船舶运动控制律,实现船舶运动优化控制。通过实验验证了本文设计的控制器性能较现有的模糊PID控制器和神经网络SMC优越,系统达到稳定的时间短,平均超调量小。     

基于水印能量与人类视觉系统的自适应公开水印算法

提出一种基于人类视觉系统(HVS)与水印能量的数字水印算法,该算法首先考虑在图像小波域的重要系数中嵌入水印,结合用户所选择的PNSR值和视觉掩盖特征值来确定最佳嵌入强度,然后通过改进Deepa Kundur的量化分段嵌入思想嵌入水印。试验证明该算法具有很好的不可见性,对一些常见的图像处理具有较高的鲁棒性,因此具有较好的实用性。     

基于LSTM循环神经网络的电池SOC预测方法

针对锂离子电池荷电状态(state of charge, SOC)预测问题,利用长短期记忆（long short term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证。结果表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%,均方根误差为0.986%,可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。     

基于AIS数据和LSTM网络的船舶航行动态预测

为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。     

漂浮基空间机器人的基于模糊神经网络的自适应补偿控制

针对自由漂浮状态的空间机器人模型不确定性及其动力传动机构的摩擦死区非线性,将一种自适应模糊小脑模型关联控制(FCMAC)补偿策略用于轨迹跟踪及补偿问题.利用模糊神经网络并引入GL矩阵及其乘法算子"."分别对执行机构中的摩擦死区及系统模型不确定部分进行自适应补偿,其补偿误差及外界扰动通过滑模控制器来消除.基于Lyapunov理论证明了闭环系统跟踪误差的有界性.仿真表明控制器可以达到较高精度,且能满足实时性要求.     

基于机器学习的点集匹配算法

点集匹配是计算机视觉和模式识别中的重要问题,在目标识别、医学图像配准、姿态估计等方面都得到广泛应用。提出基于机器学习的端对端模型——multi-pointer network（MPN）来解决点集匹配问题。该网络模型利用多标签分类的思想,改进pointer network。以前的模型只输出输入序列的一个元素,而MPN模型选择输入序列中的一组元素作为输出。首先,把点集匹配问题转换为序列问题。这样,网络的输入为顶点的坐标序列,输出为点对之间的对应关系。利用这种方式,可以解决相对于整个空间的平移变换和其他大幅度的刚性变换。实验结果表明,模型也可以被推广解决其他带结构的组合优化问题,如三角剖分等。     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题,提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进,利用改进后的粒子群算法优化BP神经网络权值和阈值,引入WSN数据融合中,簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取,将融合后的数据发送至汇聚节点。仿真实验表明,BSO-BP算法能有效地提高融合精度和收敛速度,减少冗余数据传输,延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法,BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例

总有机碳含量（TOC）是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络（convolutional neural network,CNN）预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。     

基于SVR的船舶航行安全评估模型

为对船舶航行安全状况进行有效预测,利用支持向量回归(support vector regression, SVR)算法构建船舶航行安全评估模型。在分析影响船舶航行安全的因素的基础上,对船舶历史数据进行预处理后将其作为模型训练和测试的样本数据。实验结果表明:该模型评估准确度可达99.6%以上;在同一样本数据条件下,模型的评估准确度和稳定性均优于基于极限学习机(extreme learning machine,ELM)构建的模型。模型的评估结果为水上交通管理部门的监管提供参考。