基于DSP的锅炉火焰温度场测量及燃烧诊断系统

针对电站锅炉火焰监视、温度场测量和燃烧诊断中存在的问题，提出了一种以DSP为核心的嵌入式图像火焰监测系统，在对彩色图像法测量温度场的原理论述的基础上，对图像采集和处理各部分的电路和系统软件进行了分析和说明。通过优化设计，使系统的数据处理能力和实时性得到大幅的提升。经过200MW机组的试验表明，系统能在1帧时间内完成一幅图像的处理与特征量的提取，在1s内完成锅炉燃烧状况的诊断，火焰监测和燃烧诊断实时性得到了保证。温度场测量最大偏差不会超过50℃，相对误差小于5%，能满足系统对测量精度的要求。     

基于自组织神经网络的燃烧诊断研究

自组织神经网络原理被尝试应用到燃烧诊断系统中，网络的输入是从稳定和非稳定燃烧工况下获取的火焰辐射信号的频谱估计值。经过自组织训练后，网络对不同燃烧工况下的输入具有明显不同的输出，通过验证证实了这种方法能检测到的燃烧火焰信号进行有效的处理，从而获取燃烧状态稳定与否的信息。     

基于自组织特征映射神经网络的土壤分类

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

基于单燃烧器火焰图像处理的炉膛燃烧监测系统

介绍了基于单燃烧器火焰数字图像处理的炉膛燃烧监控系统的总体设计。包括单燃烧器火嘴监控系统的结构设计、图像采集与处理、实时监视、压缩/解压缩、图像存储与回放等。该系统在国产125MW机组锅炉上已运行二年多，实践表明，系统地直观显示炉内工况，提取火焰特征参数，在燃烧恶化时自动报井并存储图像信息作为事故分析的依据。     

基于B/S模式的火焰监测和燃烧诊断系统

利用Java语言的跨平台特性、强大的网络通信功能和数据库互联能力，提出了一种采用Java技术、基于Web应用的浏览器，服务器(B/S)三层结构模型，深入探讨了B/S三层结构的优点及其各层的工作原理，并将此结构应用于电站锅炉火焰监测和燃烧诊断系统。该系统通过光学镜头组、CCD摄像机、图像采集卡将火焰的视频信号转换成数字信号，进行后续计算和处理，生成各种分析曲线图表，从而为运行人员提供在线指导。文中详细介绍了该系统的框架结构和软件模块功能。     

基于Matlab的自组织神经网络在油气层识别中的应用研究

介绍了自组织竞争网络和自组织影射网络的原理，对自组织竞争网络和自组织影射网络的优缺点进行了比较。采用大庆的油气层数据建立网络模型，对网络结构的参数进行了优化并对输入样本进行了聚类分析。数据分析表明自组织竞争网络和自组织影射网络都有较好的聚类结果，自组织竞争网络较自组织影射网络方法识别出的结果更客观可靠，是油气层识别的一种有效方法。     

基于自组织特征映射神经网络的土壤分览

人工神经网络中的自组织特征映射网络具有较强的聚类功能,将自组织特征映射神经网络模型应用于土壤分类,提取影响土壤分类的七个理化因子,根据19个土壤样本建立神经网络,最后验证10个土壤样本的分类结果是否正确。分析结果表明,这种方法是十分有效和方便的。同时,本文对分类结果进行分析和讨论,指出利用该模型强大的学习功能及很好的自适应性、自组织性和鲁棒性可以为土壤分类提供一种快速、准确的信息处理手段。     

基于BP网络的锅炉炉膛火焰燃烧状态自动识别

提出了一种基于神经网络的锅炉炉膛火焰燃烧状态的识别和灭火预警、报警系统.燃烧火焰图像由CCD摄像机、传像光纤和图像卡采入计算机,经预处理后由神经网络识别其燃烧状态,并根据识别结果进行灭火的预警和报警.神经网络由BP算法进行训练.实验结果表明:新系统对火焰燃烧状态有很高的识别准确性,可以有效地实现灭火报警.     

改进的ART网络在火焰燃烧状态识别中的应用

基于采集的电站锅炉燃烧器火焰图像,利用数字图像处理技术,讨论了特征值的意义和提取方法,提取了火焰图像特征区内灰度的平均值和标准差2个特征向量,运用现代人工神经网络智能理论,设计并改进了ART2网络算法,经过训练和实际应用后,ART2网络对一定工况的旋流燃烧器和直流燃烧器火焰燃烧状态都具有很好的识别能力,判别准确,网络稳定,实现燃烧状态实时判断,在现场取得了良好的实际应用效果。     

基于Matlab的自组织神经网络在油气层识别中的应用研究

介绍了自组织竞争网络和自组织影射网络的原理,对自组织竞争网络和自组织影射网络的优缺点进行了比较。采用大庆的油气层数据建立网络模型,对网络结构的参数进行了优化并对输入样本进行了聚类分析。数据分析表明自组织竞争网络和自组织影射网络都有较好的聚类结果,自组织竞争网络较自组织影射网络方法识别出的结果更客观可靠,是油气层识别的一种有效方法。     

基于样本自组织聚类的BP神经网络预测模型

根据实际应用中神经网络训练样本通常具有内在特征和规律性,提出一种基于样本自组织聚类的BP神经网络预测模型。通过自组织竞争网络的聚类特征,改善样本训练对BP网络性能的影响。BP神经网络采用收敛速度较快和误差精度较高的动量—自适应学习速率调整算法。并通过基于这种模型的空气质量预测实验,表明基于样本自组织聚类的BP神经网络预测模型首先会提高收敛速度,其次会减少陷入局部最小的可能,提高预测精度。     

基于自组织神经网络的多传感器遥感图像融合技术

多传感器遥感图像融合是一种遥感信息综合分析与处理的技术,其研究正成为遥感学科领域的热门课题之一。利用自组织特征映射神经网络具有较好的聚类特性,对多源遥感图像进行高水平的分类与融合。通过对GMS 5卫星图像融合前后性质的比较和融合质量的评估,不难发现:融合后的图像不论在视觉效果上还是在噪声特性上都有了很大的改善。     

基于自组织模糊神经网络的出水总磷预测

针对污水处理过程出水总磷预测问题,本文提出一种基于改进Levenberg--Marquardt(improved Levenberg--Marquardt,ILM)学习算法和奇异值分解(singular value decomposition,SVD)的适于在线建模的自组织模糊神经网络(fuzzy neural network,FNN)预测方法.ILM-SVDFNN采用改进LM学习算法对隶属函数中心、宽度和输出权值进行训练.在参数自适应学习的同时,采用单边Jacobi变换实现规则层输出阵的奇异值分解,根据奇异值定义增长和修剪指标实现规则层神经元在线动态调整.此外,证明了所提方法在网络结构固定和调整阶段的收敛性.最后,利用典型非线性系统辨识、Mackey-Glass时间序列预测和实际污水处理过程出水总磷预测实验进行验证.仿真结果显示所设计的自组织模糊神经网络结构紧凑且预测精度较高,较好地满足了污水处理厂对出水总磷检测精度和实时性的要求.     

一种改进的动态二叉树的自组织神经网络算法

分析了自组织神经网络各种改进算法的优缺点,详细设计和实现了一种基于改进动态二叉树的自组织映射树（DBTSONN）。在改进动态二叉树中神经元节点可以自动生长和剪除,无需在训练前预先确定自组织神经网络结构。DBTSONN1算法采用单路径自组织树中搜索最匹配叶节点（获胜神经元）,DBTSONN2算法考虑了获胜神经元节点所在自组织二叉树的层次,采用双向搜索获胜叶节点,提高了搜索效率。实验结果表明,该算法在向量量化器设计方面具有很好的效果。     

基于EKF的模糊神经网络快速自组织学习算法*

为了快速地构造一个有效的模糊神经网络,提出一种基于扩展卡尔曼滤波(EKF)的模糊神经网络自组织学习算法。在本算法中,按照提出的无须经过修剪过程的生长准则增加规则,加速了网络在线学习过程;使用EKF算法更新网络的自由参数,增强了网络的鲁棒性。仿真结果表明,该算法具有快速的学习速度、良好的逼近精度和泛化能力。     

基于神经网络的采空区自燃预测

针对矿井采空区自燃情况难以监测的状况,提出将遗传算法与神经网络应用于采空区自燃预测的方法。该算法利用遗传算法的全局搜索能力强的特点去优化神经网络,由神经网络构成的推理系统去预测采空区的自燃报警。仿真结果表明:当瓦斯体积分数和温度处于危险等级时,可以准确地预测出危险报警,验证了该方法的有效性和可靠性。     

结构自适应的半监督自组织过程神经网络

针对时域空间中模式识别、聚类分析和未标记样本的有效利用问题,提出一种基于半监督学习的网络结构自适应的二维自组织过程神经网络模型和算法。通过构建可度量时变样本间相似性的广义Fréchet距离,利用部分已标记动态样本的类别信息和过程特征,采用奖励-惩罚更新规则,根据网络学习目标函数,对网络二维平面竞争层节点进行动态拆分或合并,实现网络结构的自适应调整和样本的有效聚类。仿真实验结果验证了模型和算法的有效性。     

Research on the clustering algorithm of ocean big data based on self-organizing neural network

In the construction of a smart marine, marine big data mining has a significant impact on the growing maritime industry in the Beibu Gulf. Clustering is the key technology of marine big data mining, but the conventional clustering algorithm cannot achieve the efficient clustering of marine data. According to the characteristics of marine big data, a marine big data clustering scheme based on self-organizing neural network (SOM) algorithm is proposed. First, the working principle of SOM algorithm is analyzed, and the algorithm's two-dimensional network model, similarity model and competitive learning model are focused. Secondly, combining with the working principle of algorithm, the marine big data clustering process and algorithm achievement based on SOM algorithm are developed; finally, experiments show that all vectors in marine big data clustering are stable, and the neurons in the output layer of clustering result have obvious consistency with the data itself, which shows the effectiveness of SOM algorithm in marine big data clustering.     

基于小波神经网络的齿轮箱故障诊断研究

论述了小波神经网络的系统结构及算法,并根据齿轮振动信号的频域变化特征,提取特征向量作为输入,利用小波神经网络建立特征向量与故障模式之间的映射关系,建立了基于该算法的齿轮故障诊断模型。仿真结果表明：与传统的BP神经网络相比,该模型显著缩短了训练时间。该小波神经网络进行机械故障诊断是有效的。