用于火灾探测的神经网络数据融合算法

提出了一种多传感器火灾探测系统的数据融合算法,并针对火情信号测试的固有特点,采用神经网络进行数据融合决策,探讨了算法模型的建立,并由仿真结果验证了方法的可行性。     

子波神经网络在火灾探测中的应用

论述了用于信号识别的子波神经网络的结构和算法,并根据火灾传感器信号处理的特点,提出了将其用于火灾探测的方法,在子波神经网络中采用了子波函数和共轭梯度优化方法．实验表明,子波神经网络对火灾信号具有很好的学习和探测能力,与ＢＰ神经网络火灾探测方法相比,所提出的方法能够更快和更准确地探测各种标准实验火．     

基于神经网络和模糊逻辑的智能火灾探测

探讨了一种基于模糊逻辑和前馈神经网络的火灾探测和自动报警的方法．该方法以半导体感温，离子感烟和湿度模拟传感量为基本特征，并附加其相应的趋势特征对神经网络进行训练．神经网络所对应的明火概率和阴燃火概率输出，经过模糊判决器后检测火灾现象是否发生．实验表明利用传感量的趋势特征和模糊逻辑判决的自动探测系统，能够及时准确地检测出火灾，为火灾报警提供了一种新的有效的方法     

基于多传感器融合技术的高大空间火灾探测

提出了一种新型的、应用多传感器数据融合技术于当前高大空间建筑的火灾探测报警系统的方法。该种方法采用多传感器探测火灾多种参量,先使用神经-模糊网络进行局部判定,局部判定结果与融合中心进行历史数据的融合,得到误差后确定下一步全局决策。通过试验与仿真证明此方法大大提高了火灾探测的及时性,同时又提高系统可靠性,减少了误报警。     

用小波变换和神经网络检测心室晚电位

提出了一种基于小波变换和神经网络的晚电位时域检测改进方法 .对矢量幅值波进行连续小波变换 ,然后从矢量幅值波的时频能量分布中提取心室晚电位的 8个特征值 ,送入人工神经网络进行晚电位的自动检测 .实验结果表明 :这种检测方法可有效降低噪声影响 ,提高心室晚电位的检测准确率 .     

神经网络故障检测算法研究

该文采用输出带输入线性项的RBF神经网络来辨识非线性随机系统模型,基于扩展卡尔曼滤波器的设计思想,设计了一个可估计状态滤波协方差阵及状态预测协方差阵上界的次优状态滤波器,以产生残差序列,并可用来进行故障检测。该方法适用于一大类非线性随机系统,具有较大的适用范围。     

一种基于前馈神经网络的火灾探测方法

讨论了基于模拟量探测器和前馈神经网络的火灾探测方法．以光学感烟、半导体感温、离子感烟和湿度模拟传感量为输入，以火灾概率和阴燃火灾概率为输出量对前馈神经网络进行训练，不仅可提取火灾环境的有效特征，而且可提高检测算法的可靠性     

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。     

LVQ神经网络的红外光谱火灾早期预警算法

对前期大量试验采集的火灾气体数据进行特征提取,找出能够代表火灾整体特征的过程特征信息.通过体积分数曲线拟合分析,提取出体积分数、速度和加速度估值等火灾特征信息参量,建立适合于火灾早期探测的学习向量量化(LVQ)神经网络算法.通过对比分析证明,该算法比传统火灾探测器报警时间提前3～21 min,且对于真假火灾可进行准确识...     

基于神经网络的管道泄漏检测方法及仪器

研究了管道泄漏后形成多相湍射流所引发的应力波在管壁中的传播机理,分析了泄漏引发的管道横振、纵振和圆环振动,提出一系列应力波特征提取指标及其离散数据算法。首次提出了以泄漏信号特征指标构造神经网络输入矩阵,建立对管道运行状况进行分类的神经网络模型以检测管道泄漏故障的发生。实验研究了这一新理论的有效性并设计了适用于工业应用的管道检测仪器。     

一种基于神经网络的结构参数识别方法

提出了一种基于神经网络的结构参数识别方法,该方法以残余力向量作为结构参数识别的网络输入。针对训练样本在数据空间分布不均匀的问题,采用ＧＳＬ变换对训练样本数据进行预处理。从而提高了网络收敛速度及参数识别精度。本文算例说明了方法的有效性。     

小波神经网络在电力谐波检测中的应用

电网谐波检测技术是影响有源电力滤波(APF)发展的关键技术之一。由于电网谐波具有固有的非线性、随机性、分布性、非平稳性和影响因素的复杂性等特征,对谐波进行实时准确检测较难,因此研究对电力系统中的谐波进行检测的方法非常重要。提出将小波和神经网络结合构成小波神经网络的谐波检测法,对小波神经网络进行了设计,仿真结果表明该方法能实时、精确地对电网谐波进行检测。     

基于模糊 ART-2 的神经网络火灾探测系统

提出将ＡＲＴ－２神经网络与模糊系统串联而成的模糊ＡＲＴ－２神经网络系统并用于火灾探测，使其对火灾信号具有很好的聚类特性．实验结果表明，该系统比ＢＰ神经网络火灾探测系统具有更强的适应环境的能力，能够更快、更准确地探测各种标准试验火并具有很强的抗干扰能力．     

基于神经网络的模糊推理预测方法

将模糊推理技术与神经网络结合．利用模糊集理论来处理输入、输出信息，借助神经网络系统来完成推理、判断与知识的记忆存储及学习．从而给出了基于神经网络的模糊推理预测模型。     

神经网络中的正交设计法研究

提出用正交设计法选择前馈型神经网络训练样本的方法,并且对其基本原理进行了探讨。文中以三层BP网络为例,根据特定位级的正交表获取相应的训练样本集,利用该训练样本集对网络训练,然后用经过训练的网络对各取值域作离散预测。详细的对比计算表明：1）将正交设计法应用于神经网络学习训练样本的选取上是成功有效的;（2）选用四位级或五位级的正交表来对网络样本做选择精度已经足够。另外,将网络隐层神经元个数对网络的影响与选用正交表不同位级对网络的影响的效果也作了比较。     

基于模型嵌入循环神经网络的损伤识别方法

目前,绝大多数基于深度学习的结构损伤识别方法依靠深度神经网络自动提取结构的损伤敏感特征,并通过损伤状态之间特征的差异实现模式分类识别.然而,这些方法面临着损伤量化难度大的挑战,并且需要大量的模型训练数据.本文提出基于模型嵌入循环神经网络（Model-Embedding Recurrent Neural Network,MERNN）的损伤识别方法.首先,通过数据驱动的卷积神经网络（Convolutional Neural Network,CNN）建立荷载-响应之间的映射关系,然后,利用龙格库塔法改进传统的循环神经网络,建立基于循环神经网络架构的数值计算单元.最后,基于结构响应计算值与实测响应残差构成的损失函数与神经网络的自动微分机制来实现结构刚度参数的更新,进而实现结构损伤识别.数值模拟框架与实验室的3层剪切型框架的损伤识别结果表明,本文提出的方法能基于少量响应数据准确量化结构损伤.     

一种基于进化神经网络的入侵检测实验系统

参照MIT Lincoln实验室的入侵检测实验方案,建立了一个基于Linux主机的入侵检测实验环境,提出了相应的入侵特征选择方案,并应用进化神经网络检测入侵,实现了对多种攻击的实时特征抽取及检测。实验表明：系统设计合理,特征抽取及检测方法有效,能较好地检测已知和未知入侵。     

基于组合神经网络的网络入侵检测

提出了一种构造组合神经网络的方法.该方法包括两个步骤,先在粗糙集约简的基础上确定单个神经网络的结构,以及在组合时要包含神经网络的个数;然后将这些分类器根据属性重要性组合起来.用该组合神经网络进行网络入侵检测,实验结果表明该组合方法是一种有效的入侵检测方法.     

基于小波神经网络的输电线路故障检测

在分析了小波函数时频特性和人工神经网络学习能力和算法鲁棒性的基础上，提出了一个利用小波神经网络检测电力系统输电线路故障的方法。理论分析和基于EMTP仿真测试结果表明，该小波神经网络故障检测模型和算法是有效的，与传统的人工神经网络相比，具有收敛速度快，鲁棒性强的特点。     

一种基于神经元网络优化的辨识方法

基于神经元网经络结构的优化，提出了一种新的辨识方法，并针对三层反向传播神经元网络，提出了该辨识方法的详细算法，通过实例仿真证实了该方法的有效性。