基于神经网络的可靠度时序预测方法研究

提出了利用人工网络进行可靠度时序预测的方法,分别利用径向基函数（ＲＢＦ）网络及自适应模糊神经（ＡＮＦＩＳ）网络对发动机涡轮增压器进行了可靠度的时序预结果表明,利用神经网络进行可靠度时序预测是可行的,并且ＡＮＦＩＳ的预测能力要优于ＲＢＦ。     

正规化模糊神经网络在自动车控制中的应用

：把模糊理论与神经网络理论相结合,构造了一个正规化模糊神经网络ＮＦＮＮ,并应用于无人小车自动轨迹跟踪的控制。仿真及试验结果表明,该网络具有良好的表达能力和极强的自适应学习能力,能正确识别较复杂的轨迹。     

节点自删除神经网络及其在磨粒识别中的应用

在前向多层神经网络的基础上,提出了一种新的节点自删除神经网络模型。该神经网络根据隐层节点输出的相似性能够自动地进行网络节点的删除。对网络中冗余节点的删除,使网络尺寸得到优化,这一定程度上也解决了前向多层神经网络的推广性和学习问题。在Ｐａｒｔｙ－４问题的实例中,通过对惯性ＢＰ算法网络和该节点自删除网络的比较,充分说明了该节点自删除神经网络在各方面的优越性。铁谱磨粒识别一直是一个困难的课题,应用自删除神经网络模型在该实例中,也取得了较好的识别效果。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

软测量技术及其在加氢裂化分馏塔中的应用

在总结现有各种软测量技术的基础上,指出统计分析方法中的部分最小二乘法和神经网络方法中的径向基函数网络,是经实际应用证明有效的方法。提出了一种将ＰＬＳ和ＲＢＦＮ结合的方法,并将ＰＬＳ,ＲＢＦＮ,ＰＬＳ－ＲＢＦＮ３种算法分别用于加氢裂化分馏塔航煤点软测量模型的建立,其泛化结果表明基于ＰＬ－ＳＲＢＦＮ算法建立的软测量模型具有更好的预测精度。     

人工神经网络在红霉素发酵过程状态预估中的应用

探索了动态ＢＰ网络和ＲＢＦ网络在红霉素发酵过程状态预估中的应用,比较了它们的收敛速度和学习能力。结果表明,ＢＰ网络和ＲＢＦ网络都具有相当好的学习能力,但ＲＢＦ网络的收敛速度更快,训练好的神经网络,在红霉素发酵过程中可在线预估出红霉素效价、葡萄糖浓度、ＮＨ２－Ｎ浓度、丙醇浓度和菌体浓度等参数值,并可在进上步的过程优化和控制中应用。     

6L60MCE柴油机燃烧系统故障的仿真计算

建立一种基于径向基函数（ＲＢＦ）神经网络算法模型,应用于船用柴油机气缸组件与燃烧系统的故障诊断,以沪东重机生产的ＨＵＤＯＮＧ ＭＡＮ－Ｂ＆Ｗ ６Ｌ６０ＭＣＥ机型为例,设计征兆／故障样本集,采用一个单隐层的ＲＢＦ网络对样本进行训练和仿真实验,以验证该诊断方法的可行性和有效性。     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

基于神经网络的FMS动态调度决策

提出用ＢＰ神经网络建立ＦＭＳ动态调度模块．以ＦＭＳ的生产状态和多优化目标作为神经网络的输入,多优化目标条件下的动态调度策略作为网络的输出．给出了系统的设计方法与实例,并通过仿真验证了神经网络所作出的动态调度策略是较优的．     

最小错误准则下多传感器信号检测与调制识别

针对多传感器分布式接收中的弱信号检测与调制识别稳健性不足的问题,提出了一种基于深度学习的联合处理算法。该方法采用分布式软信息融合处理策略,将信号检测与调制识别综合为一个多元假设检验问题,借助深度神经网络优异的函数逼近能力,在对网络结构、目标函数和网络输入输出进行分析基础上,给出了基于深度神经网络的联合后验概率求解及分类判决方法。通过仿真实验对所提方法性能进行了验证,结果表明,该方法能实现多个传感器信号有效融合,并且随着接收单元数目增加,分类准确率明显提升;与现有基于等权值合并的置信度融合方法相比,该方法性能更优,且在低信噪比、短数据和接收单元数目较多时优势体现更加明显。     

关于泛化神经网络与支持向量机的研究

人工神经网络(ANN)的泛化特性是神经网络最重要的特性,同时也是最不容易保证的特性。本文对改进泛化的神经网络算法以及新兴的机器学习算法——支持向量机算法进行研究,并分别用BP神经网络、改进泛化能力的神经网络、支持向量机对人体脂肪测试实例进行仿真预测分析,结果表明,支持向量机比神经网络、改进泛化神经网络具有更好的预测(泛化)能力,是人工神经网络的替代方法。     

前馈网络构造性设计中基于GP实现神经元激活函数类型优化

讨论了在前馈网络构造性设计中如何基于遗传编程(GP)实现神经元激活函数类型自动优化的问题.首先,提出了典型前馈网络的一种构造性设计方法框架,将整个网络的设计分解为单个神经元的逐个设计;然后,在此框架下提出了基于GP的单个神经元的设计方法,该方法可实现对激活函数类型的优化.仿真实验显示,本文的前馈网络构造性设计方案是可行的,与其他几种不优化激活函数类型的网络设计方法相比,本方法更有效,能用较小的网络规模获得更满意的泛化特性.     

直接转矩控制的异步电动机转矩脉动最小化

针对异步电动机直接转矩控制低速转矩脉动大的问题,充分利用模糊控制吸收人的经验思维,以及神经网络对信息的处理具有自组织、自学习的特点,提出一种新的模糊神经网络控制方法.该方法实现了逆变器开关周期的占空比控制,使感应电动机的转矩脉动达到最小.其中,模糊神经网络的训练采用最小二乘法,解决了常规的BP算法容易陷入局部极小的问题.将传统的直接转矩控制方案和模糊神经网络占空比控制方案进行了比较研究,仿真结果校验了模糊神经网络占空比控制方案的有效性.     

基于单隐层前馈神经网络的优化算法

前馈神经网络是神经网络中最常用的函数近似技术。根据普适定理,单隐层前馈神经网络(a single-hidden layer feedforward neural network,SFNN)可以任意接近相应的期望输出。一些研究人员使用遗传算法(genetic algorithms,GAs)探索FNN结构的全局最优解。然而,使用GAs来训练SFNN是相当费时。提出了一种新的SFNN优化算法。该方法是基于凸组合算法(convex combination algorithm,CCA)在隐含层上分析信息数据。事实上,该技术是将分类遗传演算法结合交叉策略的GAs算法。改进方法比GAs算法性能更优,但在进行学习和遗传演算前需要大量预处理工作如将数据分解为二进制代码。同时设置一个新的误差函数量化SFNN性能、获得连接权值最优选项以直接解决非线性优化问题。采用几个计算实验验证改进算法,结果表明改进方法更适合寻找单隐含层SFNN的最优权重。     

基于复合神经网络的网络业务分类算法

针对目前计算机网络业务流管理问题,提出了一种基于复合神经网络的网络业务分类方案．将复合神经网络用于网络业务源特征提取与分类的研究中,打包法和BP算法结合用于复合神经网络的训练．并分析比较与单个神经网络和模糊神经网络算法用于网络业务分类效果．计算机仿真结果表明,复合神经网络分类收敛快、误差小,比单个神经网络算法和模糊神经网络算法更优越；同时,研究结果为解决网络业务源特征提取与分类提供了一种有效的途径．     

一种基于扩展Kalman滤波器的神经网络学习算法

为了解决前馈神经网络BP算法在处理非线性对象时 ,收敛速度慢 ,易陷入局部极值 ,需调节参数多等的缺陷 ,提出将扩展卡尔曼滤波 (EKF)算法引入神经网络的学习中 .把前馈网络的所有权值、阈值作为EKF算法的状态 ,网络输出作为EKF的观测 .同时为了防止滤波发散 ,对算法做了改进 .仿真结果表明 ,该算法比BP算法在收敛速度、抗噪能力方面都有明显提高 ,同时还保证了一定的泛化能力     

基于多ANN的复杂函数学习策略

针对多层前馈人工神经元网络，提出了一种多ＡＮＮ逼近策略，与单ＡＮＮ方法相比较，逼近能力，适应能力，泛化能力等都有了很大的提高，它可应用于复杂系统的建模和辨识。     

人工神经网络在镀锌钢板点焊性能估测中的应用

将人工神经网络引入镀锌钢板点焊的质量预测中,将实验得到的大量点焊规范参数与相应点焊接头质量的试验数据提供给神经网络学习,通过其非线性映射的泛化能力自动抽取所学习知识的特征,描述点焊规范参数空间与焊点接头质量空间的映射关系。结果表明,学习后的神经网络的预测曲线能够合理地预测焊接电流对镀锌钢板点焊的焊点熔核直径与拉剪强度的影响规律,恰当地反映点焊的基本原理,说明人工神经网络在镀锌板点焊性能估测中的应用是可行的。     

模糊神经网络在变压器故障诊断中的应用

提出并研究了模糊神经网络在变压器故障诊断中的应用问题。以油色谱分析数据作为输入，故障类型作为输出，建立了邦联诊断的模糊网络模型。故障实例的测试结果表明了这咎方法的有效性。     

用遗传神经网络模型预测公司财务困境

利用遗传算法的全局寻优能力。构造了一个预测财务困境的遗传神经网络模型(GANN)，该模型对预测财务困境的神经网络模型的输入变量进行了优化．通过对沪深A股市场部分上市公司财务困境的预测表明，该模型比ANN模型具有更好的预测财务困境的能力。