基于混沌思想的粒子群优化算法

为克服粒子群优化算法容易陷入局部最优的缺点,根据混沌运动的随机性、遍历性特点,提出一种基于混沌思想的粒子群优化算法(CPSO).该算法利用种群适应度方差进行早熟收敛判断,实现对进化过程的监视,当发现种群陷入局部最优时,对种群进行混沌初始化,帮助种群摆脱局部最优点.对4种典型测试函数的仿真结果表明,改进算法明显减少了种群陷入局部最优的可能性,其全局寻优能力明显强于标准粒子群优化算法.     

一类神经元电路线性耦合同步研究

为了研究混沌神经元的同步问题,利用Pspice软件设计了一类模拟神经电活动的神经元电路,对其封装后进一步研究该电路的线性耦合同步问题。通过调制耦合强度增益,发现当电路中耦合增益大于一定临界值就可以实现两个混沌神经元电路的同步。利用数值计算研究线性耦合同步来实现神经元同步,计算结果和电路模拟结果一致。     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

应用自组织模糊神经网络估计卫星姿态系统执行机构故障

自组织模糊神经网络可以根据系统状态在线更新权值和调整节点,优化网络结构. 文中针对某卫星姿态控制系统提出了基于两个自组织模糊神经网络的执行机构故障诊断方法. 网络SOFNN1用于健康系统的离线训练,估计出系统的不确定项和扰动项,网络输出结果作为故障检测的阈值参考. 网络SOFNN2在网络SOFNN1的基础上估计执行器故障. 仿真表明,在噪声干扰和系统参数不确定的情况下,在线自组织模糊神经网络结构的方法能很好地估计系统执行机构故障,比固定结构的模糊神经网络估计速度快,因此更具优越性.     

基于BP网络改进算法的模拟电路故障诊断

将BP神经网络的改进算法应用到模拟电路故障诊断中,并在MATLAB7．0中运用神经网络工具箱中的函数加以实现,对实验结果进行比较研究．     

耦合负反馈超混沌系统及在编码通信中的应用

证明了耦合负反馈蔡氏电路超混沌系统,其动力学行为产生4对双涡旋吸引子超混沌现象.在编码通信混沌隐藏和混沌键控技术应用方法中提出并数值模拟研究该超混沌现象.     

基于曲波分析和ELM模拟电路故障诊断方法

为提高模拟电路故障诊断特征信息提取的高效性和实现故障模式分类的准确性,提出一种基于曲线波理论的多尺度几何分析方法和超限学习机相结合的模拟电路故障诊断新方法.通过曲波变换使用空域带通滤波算子来分解不同的尺度,对模拟电路故障特征提取后重构系统,提高稳定性、高效性并达到最优逼近,结合超限学习机训练过程不需要迭代的突出性能,大大提高了故障诊断速度.通过与其他故障诊断方法比较,结果表明了该方法的有效性.     

自底向上粗集神经网络建模方法

提出了一种基于自底向上方式构造模糊粗糙数据模型并实现粗集神经网络建模的方法,该方法通过自适应G-K聚类算法,实现输入论域空间的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的模糊粗糙数据模型,在此基础上融合神经网络实现粗集神经网络建模.对Brodatz纹理图像的实验表明,该方法性能优于传统的贝叶斯和LVQ方法,和传统的粗逻辑神经网络RLNN相比,该方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力.     

基于方差和峭度的模拟电路故障诊断

针对非线性容差电路故障诊断过程中存在的故障特征提取难的问题,结合小波包分析理论,提出了利用二阶统计量和高阶统计量来描述故障信息的故障特征提取方法,即方差和峭度法,并运用支持向量机作为分类器,形成了一种模拟电路故障诊断的新方法.仿真结果表明,该法能有效的提取故障特征,故障诊断率较高.     

基于蚁群神经网络的电控发动机故障诊断研究

针对电控发动机故障的复杂性,以及传统的专家系统在知识获取等方面的缺点,采用BP神经网络作为故障诊断模型的核心,并将蚁群算法融入到BP网络的训练过程中进行优化,得到了满意结果.通过对该故障诊断模型的验证,表明采用蚁群算法改进后的BP神经网络能够对汽车电控发动机的故障进行有效和准确的诊断.     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

线性模拟集成电路故障测试与诊断：短路导纳参数法

提出一种线性模拟集成电路故障测试与诊断方法：短路导纳参数法,方法只要对电路外部端口进行两次电压测试即可判断该电路是正常的还是有故障的;用此方法可以设计出电路自动测试装置,应用于线性模拟集成电路生产线的自动测试或供维修人员判定电子设备 性模拟集成电路是否有故障,其突出优点是对元件参数容差和测试、计算误差有抑制能力。     

基于神经网络自适应观测器的鲁棒故障检测

提出一种基于动态神经网络的不确定非线性系统鲁棒故障检测方法,该方法通过构造神经网络自适应观测器来获取反映系统故障的残差信息以进行快速的故障检测,并采用Lyapunov稳定理论证明了闭环误差系统的一致最终有界稳定性.针对某型飞机舵面故障的仿真验证了本文方法的有效性.     

具有区间数的粗糙神经网络故障认定方法

针对具有区间数的信息系统．提出用粗糙神经网络求解其问题的方法．给出了粗糙神经网络的拓朴结构和学习算法以及粗糙神经网络的逼近定理．最后以歼击机的操纵面故障认定为例，构造了歼击机故障认定的粗糙神经网络．并通过仿真说明了方法的可行性和有效性．     

一类状态不可测非线性时滞系统的神经网络故障诊断

针对一类状态不可测的非线性时滞系统,提出了基于神经网络故障诊断的新方法.采用系统的状态和时滞状态的估计值作为神经网络的输入对故障进行估计.首先构造一种状态观测器结构,利用输出信息和神经网络的非线性逼近能力对系统不可测状态进行估计,然后对系统发生的故障用另一个RBF神经网络进行估计,故障估计器的输入为系统的当前估计状态以及时滞状态,所估计出的故障是随时间变化的非线性函数.基于Lyapunov理论,分析并证明了系统的稳定性和参数收敛性,同时作了仿真研究.仿真结果表明,该方法能够很好地解决一类状态不可测的非线性时滞系统的故障诊断问题.     

基于神经网络专家系统的高压断路器故障诊断研究

将神经网络与专家系统的融合技术应用于高压断路器故障诊断的研究,该系统利用神经网络鲁棒性好、学习功能强等优点,可以充分发挥专家系统逻辑推理能力,克服专家系统容错能力差和学习能力弱的缺点。仿真结果验证了该方法的有效性和可行性,为高压断路器的快速故障诊断提供了一条新的途径。     

煤矿带式输送机故障诊断中模糊神经网络的应用

以模糊数学分析及神经网络综合运用为基础,研究了煤矿带式输送机的故障诊断技术.通过对输入参数的模糊数据处理并利用神经网络的学习能力来实现对数据的训练,得到高精确度的故障参数,从而建立起相应的模糊神经网络,对带式输送机进行及时有效的故障判断.最后基于Matlab软件对训练数据的仿真表明,基于模糊神经网络的故障诊断相较于传统故障诊断技术具有极高的准确度,且数据反馈及时,运行稳定.