基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

用PNN人工神经网对水泥28天抗压强度分类

研究了用ＰＮＮ人工种经网对水泥２８ｄ抗压强度分类的问题，以及提高分类精度的方法。最后，给出实验结果。说明了方法是可行的。     

基于改进概率神经网络的交通标志图像识别方法

神经网络具有较强的容错性和自适应学习能力，在交通标志图像识别中获得广泛的应用，但目前采用的多层感知器、BP神经网络以及径向基神经网络等几种神经网络存在一些不足，故本文提出采用改进概率神经网络进行交通标志图像识别的新方法，整个算法分两步实现：首先对交通标志图像提取它的Tchebichef不变距并作为图像的特征；然后采用改进的概率神经网络进行识别。仿真实验表明，提出的方法比以前的方法有更好的识别效果。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于遗传算法和概率神经网络提高脑机接口中脑电信号识别率

针对脑机接口（BCI）研究中存在脑电信号（EEG）识别率低的问题，提出一种基于遗传算法（GA）和概率神经网络（PNN）的GA—PNN识别方法．用该方法对EEG提取时频特征，构成模式识别的初始特征．以训练样本识别正确率为适应度函数，采用GA对初始特征进行组合优化．基于优选后的特征，用PNN对测试样本进行分类．该方法使EEG识别正确率达到92．499／5，与2003年BCI国际竞赛最好的处理结果（88．7％）相比，提高近4％，为BCI中EEG的识别提供了有效的手段．     

基于改进AHP-FCE法的绿色房地产项目评估

为提高往复泵诊断的速度和精度,提出一种通过小波阈值分析处理往复泵振动信号的故障诊断方法。通过小波阈值分析,可以有效去除往复泵振动信号与故障无关的振动信息,然后进一步提取振动信号的归一化能量,将其作为特征值。将特征值与小波包能量分解图综合分析,结合概率神经网络(PNN)对采集后的信号进行往复泵泵阀故障模式进行识别。实验结果表明:小波阈值分析与PNN结合,可以将往复泵泵阀故障类型准确识别,提高了诊断的效率,可以为工业上往复泵的使用和维修大大节约成本,也为往复机械的故障诊断提出了新的解决思路。     

基于PNN神经网络的地震属性反演技术

在薄互层地震储层预测中,属性分析和地震反演是当前应用地震资料进行储层预测的主要技术,两者实质上都属于反问题范畴,两者各有优缺点。本文提出了一种基于PNN神经网络的多属性地震反演技术,可以比较好地发挥两者的优势。概率神经网络PPN）是一种数学内插方案,只不过在实现时利用了神经网络的架构,可以通过数学公式理解它的行为,克服了BP网络的的“黑匣子”问题。该技术在GTZ扶杨油层的砂岩预测中应用效果较好,厚度大于3m的砂岩识别符合率超过90%以上。     

概率神经网络在煤与瓦斯突出中的应用

为准确预测矿井煤与瓦斯突出的危险性,针对小样本情况下BP神经网络泛化能力低的缺点,采用概率神经网络对煤与瓦斯突出的危险性进行预测.该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

基于过程神经元网络模型的间歇反应优化计算

针对间歇过程中最优操作轨线经常从生产经验中人工获取的问题,提出了一种基于过程神经网络(processneural network,PNN)模型的自动计算方法。利用PNN独特的时间聚合算子特点,建立反应操作变量与产品质量之间的关系。基于此时间函数模型,通过产品质量性能指标优化计算,获得最佳的控制轨线,作为实际生产的设定曲线。最后,MPCE仿真平台的间歇反应实验说明了该方法的有效性。     

EEG classification based on probabilistic neural network with supervised learning in brain computer interface

Aiming at the topic of electroencephalogram (EEG) pattern recognition in brain computer interface (BCI), a classification method based on probabilistic neural network (PNN) with supervised learning is presented in this paper. It applies the recognition rate of training samples to the learning progress of network parameters. The learning vector quantization is employed to group training samples and the Genetic algorithm (GA) is used for training the network’s smoothing parameters and hidden central vector for determining hidden neurons. Utilizing the standard dataset I(a) of BCI Competition 2003 and comparing with other classification methods, the experiment results show that the best performance of pattern recognition is got in this way, and the classification accuracy can reach to 93.8%, which improves over 5% compared with the best result (88.7%) of the competition. This technology provides an effective way to EEG classification in practical system of BCI.