切比雪夫不等式在经济评价风险分析中的应用

切比雪夫不等式在概率论和数理统计中有极重要的作用。切比雪夫不等式在经济学可靠度分析领域的应用非常广泛。下文将对此不等式的一个经济应用展开讨论。     

前向神经网络的故障性能

首先详细分析了固定型连接故障和错误输入信号对单个神经元的影响，然后研究了具有硬限幅作用函数的前向神经网络在存在固定型故障情况下的性能变化，并给出了性能与连接故障数之间的关系式及故障性能的分析方法。经用ＭｏｎｔｅＣａｒｌｏ方法仿真表明，文中提出的方法是正确的。最后还对分析的结果进行了讨论，说明这类网络的规模越小，对提高其容错性能越有利。     

多元Janous不等式的幂指推广

利用排序不等式和切比雪夫不等式,证明多元Janous型不等式的幂指推广形式．同时,推广了近年来关于Janous猜想及其猜测的推广、质疑等一些文章的主要结果．     

柯西不等式与切贝雪夫不等式的统一推广

利用微微对偶不等式推广了柯西不等式和切贝雪夫不等式。     

切比雪夫不等式的一个新证明

给出了切比雪夫不等式的一种新证,方法简捷,具有一般意义,使用该方法可以证明许多含有积分形式的不等式。     

切比雪夫不等式的应用

切比雪夫不等式是概率论中的一个重要内容,它不但用于理论证明,而且用于随机变量取值概率的估计,且其推广形式在许多领域有着广泛的应用。该文就切比雪夫不等式用于随机变量取值概率的估计时与中心极限定理估值的区分与适用范围给予讨论。     

微微对偶不等式的应用

借助于微微对偶不等式建立一些(含新的)不等式.应当指出,这些研究过程可以用排序和切比雪夫不等式来代替.     

建立不等式的降维方法(Ⅰ)

使用一种称为降维法的新方法建立一些著名不等式,包含算术平均-几何平均不等式、马克劳林不等式、切比雪夫不等式和琴生不等式.通过这些论证可以看出,这种新近发展的方法在建立不等式的研究中能够广泛地应用.也可以看出,此种方法有别于另外一些归纳技巧.     

柯尔莫戈洛夫不等式的推广

柯尔莫戈洛夫不等式是切比雪夫不等式的推广.本文把柯尔莫戈洛夫不等式(E)=0加以推广,得到一个新的概率不等式.     

有关两类切比雪夫多项式的几个关系式

利用母函数的方法研究了第一类和第二类切比雪夫多项式,得到了2类切比雪夫多项式的有趣的关系式;利用切比雪夫多项式和Fibonacci数、Lucas数的内在联系,得到了它们有趣的恒等式.     

前馈神经网络的容错性研究

以前馈神经网络为研究对象,提出了一种容错型神经网络学习算法．将系统运行过程中可能发生的各类故障随机地引入网络训练过程,使系统获得更加稳健的内部表示．仿真结果表明,该学习算法能够有效地提高神经网络的容错能力和泛化能力．     

一种新的高阶前馈神经网络及其在旋转机械故障诊断中的应用

剖析了基于 BP神经网络和径向基函数网络的故障诊断模型的诊断性能和应用中的局限性 ,针对这些诊断模型的局限性 ,提出了基于椭球单元 (Ellipsoid Unit)高阶网络的诊断模型 ,并对网络训练算法进行了研究 ,提出了基于模糊聚类算法的网络权重初始化方法和网络动态训练策略 ,有效地改善了网络的学习性能和诊断性能 ;最后对该网络在旋转机械故障诊断中的应用进行了研究。结果表明 :比之经典前馈网络 ,椭球单元网络在故障分类方面因其能形成封闭有界的决策区域而具有明显的聚类的优越性和分类的合理性 ,很适合故障诊断领域的分类问题     

基于节点电压增量方程的含容差轨道电路软故障诊断

为了解决轨道电路容差的存在使得相关的故障诊断理论方法难以用于实际工程,分析了轨道电路的容差特性,提出了基于灵敏度分析的消除容差对故障诊断影响的方法,并在此基础上提出了基于节点电压增量方程的含容差轨道电路软故障字典法.该方法是对含容差线性模拟电路故障诊断方法的拓展,也适用于一般线性模拟电路.仿真验证结果表明,所提出的方法可以有效地实现含容差轨道电路的软故障诊断.     

基于振动分析的柴油机故障程度的研究

利用神经网络诊断模型来识别故障发展的不同程度,并以柴油机连杆铜套磨损故障为例进行分析.首先在295柴油机上进行了设定及待定工况实验,获取各工况下的缸盖振动信号;然后利用基于神经网络和小波分析的故障诊断方法进行故障程度识别;最后利用训练后的模型对待定工况进行故障程度的判定.实验和仿真结果表明:对于各设定工况,诊断模型可以定量地识别出来,准确率达到100 %;对于待定工况,诊断模型也可以给出定量的故障程度描述.从而使操作者能及时了解故障的发展情况,并根据网络模型的定量输出结果对故障部件进行相应的维修或更换处理.     

基于神经网络的模拟电路故障诊断

探讨了基于故障字典法和基于神经网络的故障诊断方法,利用自组织特征映射神经网络进行模拟电路故障诊断,根据神经网络的输出结果可以判断发生故障的类型.自组织特征映射神经网络聚类能力强、速度快,因此很适合复杂系统的故障诊断.     

基于神经网络的故障诊断推理方法

针对传统诊断技术的局限性,研究了基于ＢＰ模型神经网络的故障诊断推理方法,它只需选择足够的具有代表性的故障样本训练神经网络,将代表故障的信息输入给训练好的神经网络,根据神经网络的输出结果,就可以判断发生故障的类型．神经网络一旦训练好,由于其具有容错性,不仅能诊断出已经出现过的故障,还能在一定范围内诊断出从未出现过的故障,使故障诊断智能化和简单化．仿真结果表明,基于神经网络的故障诊断方法是行之有效的     

一种基于RBF神经网络的传感器故障诊断方法

针对传感器故障，提出了一种基于RBF神经网络的集成故障诊断方法，用RBF神经网络建立传感器故障模型，对系统的状态和故障参数进行在线估计，然后将故障参数与修正的Bayes分类算法（MB算法）相结合，进行传感器故障在线检测、分离和估计。对连续搅拌釜式反应器（CSTR）的仿真结果表明，该集成故障诊断方法能够对多重传感器进行故障进行快速准确的分离和估计，并对传感器故障具有容错性。     

大型回转机械故障的组合网络识别方法

神经网络通过对故障样本的学习后，对未知的故障的样本具有较高的正确识别率，从神经网络对故障的识别检验结果中发现，神经网络对单一故障的分类与组合故障的分类相差较大，文中分析了产生这现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷。     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。