基于灰色神经网络组合模型的故障预测

针对装备故障预测存在有效样本少、模型预测精度低等问题,集成灰色理论和神经网络方法,提出基于灰色神经网络的故障预测组合模型。基于新信息优先原理和重构背景值方法优化灰色GM（1,1）模型的初始值与背景值,利用Levenberg-Marquardt算法改进反向传播神经网络模型;采用组合预测思想,将多方法融合改进灰色模型和神经网络模型,分别构建基于权重分配、基于误差修正和基于结构优化的3种灰色神经网络组合模型。以某雷达发射机的故障预测为例,验证上述方法在故障预测中的有效性。结果表明,灰色神经网络组合模型的预测精度优于单一预测模型,可用于装备的故障预测和预测性维修。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,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RS-ANN的煤矿安全控制

针对目前煤矿安全管理的现状,提出利用粗集-神经网络对煤矿安全进行控制.模型在基于人-机-环境理论基础上,全面分析了影响煤矿安全的因素,利用基于蚁群算法的粗糙集属性约简对安全因素进行分析.将粗糙集方法融入神经网络实现优势融合可以去掉冗余输入信息、减小神经网络构成系统的复杂性. 提高容错及抗干扰的能力.在此基础上,利用人工神经网络的预测功能,预测影响煤矿安全的关键因素,并根据预测结果提出有针对性的安全技术措施加以防范.用同一组数据比较该方法与典型BP网络的预测效果,结果表明该方法明显优于BP网络.     

钢球磨中储式制粉系统智能解耦控制仿真系统

钢球磨中储式制粉系统具有多变量强耦合，非线性以及生产工况变化大的特性，其自动控制问题一直是控制界关注的热点问题。本文建立了钢球磨中储式制粉系统智能解耦控制仿真系统。该软件集成了钢球磨中储式制粉系统的仿真模型以及针对钢球储式制粉系统而设计的变量智能解耦控制技术，为钢球磨中储式制粉系统自动控制问题的深入研究提供了有力的实验工具。     

灌浆压力的非线性建模预测

实际灌浆压力控制过程中,由于灌浆液的密度、粘度和地层等因素的影响,使得灌浆压力的变化具有不确定性、时变性和非线性特征。为了辨识、预测灌浆系统压力,提出了一种基于神经网络的多传感器数据融合技术。通过对灌浆工艺与机理分析得到该BP神经网络输入变量。该方法首先利用灌浆过程中采集的数据离线训练BP神经网络,获得一收敛的神经网络模型,然后用此神经网络模型实时预测所灌地层的灌浆压力。最后实验仿真结果表明,BP神经网络预测模型能够运用到灌浆系统中,模型的最大预测误差不超过15%,平均均方根误差仅为0.186。     

基于知识发现的火箭武器研制费用预测

小样本的火箭武器研制费用预测通常难于应用线性回归方法,而灰色理论方法在实际中仍不能较好地解决费用与武器特征参数间存在的非线性问题。提出了融合粗集理论和神经网络预测火箭武器研制费用的新方法,利用粗集知识约简后的特征要素作为神经网络的输入,实现火箭武器研制费用的预测,并用实例证明了基于粗集-神经网络的费用预测精度高于灰色模型预测精度。     

基于循环神经网络的船舶航迹预测

在海事搜救、海关缉私等应用中,对目标船舶进行航迹预测是一个关键问题。为提高预测的精度和效率,提出了一种基于循环神经网络的船舶航迹预测方法,该方法包含数据预处理和神经网络预测两个部分。在数据预处理中,设计了一种基于对称分段路径距离的数据预处理方法,消除了大量冗余数据及噪声的影响;在神经网络预测中,构建了基于门控循环单元的循环神经网络模型,实现船舶位置信息精准且高效的预测。通过大量船舶自动识别系统数据进行了对比实验,实验结果证明了方法的实用性和有效性。     

基于先验知识和神经网络的非线性建模与预测控制

神经网络模型是模拟非线性系统的有力工具，它的缺陷是难以利用已有的先验知识。利用通用学习网络的建模方法，提出了一种利用先验知识和神经网络建立非线性系统模型的方法，具有简化神经网络结构、减小计算量的优点。基于这种模型利用改进的遗传算法进行优化计算，从而实现了基于先验知识和神经网络的非线性建模和预测控制。对一个悬吊系统的仿真实验说明了该算法的有效性。     

基于神经网络的交通信息融合预测方法

为了更加准确地预测动态变化的交通信息，通过分析城市道路交通流量变化的特点，提出一种基于神经网络的融合预测方法。这种方法根据预测数据各属性的特点，将数据构造为多个相关的时间序列。在此基础上，对各序列采取不同的处理方法，然后利用神经网络进行融合，得到最终的预测结果。这种方法可用于数据动态预测的各种领域。实验结果表明，采用这种方法可以有效地改善数据预测的误差。     

神经网络模型用于多变量综合预测

本文研究神经网络用于多变量时间序列预测的原理与方法，提出组合多种信息的综合预测方法。以股票交易为例，用神经网络组合各类信息，运用信心股价理论对中国股市的发展进行跟踪预测。在此基础上进一步从信息利用的角度说明了神经网络预测方法的特点。结果表明，神经网络模型用于多变王时间序列预测，其精度和趋势均较统计方法有所提高；神经网络综合预测，对中短期股票价格的预测，有实用价值。     

基于粗糙集与神经网络的电力负荷新型预测模型

针对电力系统多因素负荷预测问题的复杂性,融合粗糙集方法与神经网络方法各自的优势,提出一种新型的负荷预测模型——粗糙集径向基函数神经网络模型(RSRBFN).运用粗糙集方法和信息熵概念,在不改变样本分类质量的条件下约简负荷影响因素,简化了网络输入变量.通过消去冗余信息,提炼学习样本,获得典型样本.用典型样本约简隐含层神经元和训练网络,并将网络连接权值学习的非线性极值问题转化为线性规划问题,使网络结构得到优化,提高径向基神经网络的计算效率和预测精度,增强实用性.数值实验结果说明RSRBFN模型是可行、有效、实用的.     

混沌神经网络多传感器信息融合系统设计

基于基本BP算法，引入具有全局游动性的混沌机制设计了混沌神经网络。将其用于多传感器信息融合设计了混沌神经网络多传感器信息融合系统。该系统能完善地、精确地反映检测对象，提高信息融合的质量。压力传感器数据融合系统的仿真证明了此法的有效性和优越性，系统设计简单，适合工程应用。     

基于模糊神经网络的多传感器自适应融合

针对非线性、大时滞的复杂工业控制系统中单传感器信息检测的单一性和不全面性,提出了一种新的基于模糊神经网络的多传感器自适应融合的方法.根据采用的多传感器是检测同一信息还是多源信息,提出了相应的两种结构模型,这种采用多传感器自适应融合的控制方法具有较强的容错性,较高的检测与控制的精度,因而增强了系统的灵活性和智能性.仿真结果表明了所提模型和方法的有效性.     

基于PCA-RBF神经网络的工业裂解炉收率在线预测软测量方法

为了解决工业裂解炉收率在线预测的问题,研究了基于PCA(principal component analysis)-RBF(radial basis function)神经网络模型的多输入多输出(MIMO)软测量方法及其在线校正技术。该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉收率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点。本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的。     

基于LSTM神经网络的短期轨道预报

针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题,提出一种基于误差数据驱动的神经网络轨道预报方法.该方法在解析法动力学模型的基础上,使用长短期记忆神经网络对历史轨道预报的误差进行学习,预测未来短期动力学模型的预报误差,以此对预报结果进行修正.选用A...     

基于多尺度LSTM预测模型研究

航空发动机剩余寿命（remaining useful life,RUL）预测是设备故障预测与健康管理（prognostics and health management,PHM）的核心问题。针对发动机数据维度高、滞后性强和复杂度高等挑战,提出了一种基于自训练权重的多尺度注意力双向长短期记忆神经网络模型。通过不同尺度的双向长短期记忆神经网络（bidirectional long short-term memory neural network,BiLSTM）提取多尺度特征;提出一种基于自训练权重的融合算法,通过引入注意力机制进行不同尺度的特征筛选,以提高预测精度。将各模型在NASA的C-MAPSS数据集上进行实验对比,结果证明,所提出预测模型在准确率和均方根误差指标上均有所提升。     

球磨机制粉系统建模及广义预测控制的研究与应用

双进双出球磨机制粉系统作为火电厂里重要的发电设备,具有非线性、多变量、强耦合、大时滞的特点.从机理法出发,建立球磨机的机理数学模型,并在机理数学模型的输入变量加入一定量的扰动,给出阶跃扰动测试,建立出球磨机系统的传递函数模型.结合作为工业过程控制中应用最广泛的基本控制律—PID控制,在一般广义预测控制算法的基础上,将具有比例积分微分结构的广义预测控制算法俨ID-GPC)首次应用到球磨机上,通过对河北龙山某电厂300 MW大型单元机组负压运行球磨机制粉系统的仿真表明,该算法较一般前馈解耦PID控制具有更好的鲁棒性,更宜于工业应用.     

基于PCA-RBF神经网络的工业烈解炉收率在线预测软测量方法

为了解决工业烈解炉收率在线预测的问题,研究了基于PCA(principalcomponentanalysis)-RBF(radialbasisfunction)神经网络模型的多输出(MIMO)软测量方法及其在线校正技术.该方法由主元分析PCA、RBF神经网络和在线校正3部分组成,可以实现工业裂解炉止率的在线预测,具有实时性好、建模周期短、计算量小、校正方便等特点,本文给出的SRT-IV型工业裂解炉收率预测例子及其结果表明该软测量方法应用于工业裂解炉收率的在线预测是有效的.     

基于深度学习的轻量化目标检测算法

深度卷积神经网络在各个领域都表现出很好的效果, 与之伴随的是庞大的计算量和参数量。针对当前基于深度卷积神经网络的目标检测算法对计算资源需求太大和内存消耗严重的问题, 提出一种高性能轻量化的网络模型。首先将Stem模块和ShuffleNet V2进行融合, 提升网络特征提取能力, 并利用融合后的网络对原始YOLOv5的骨干网络进行重构, 显著降低了网络的计算量和内存占用, 同时, 引入可变形卷积以提升网络的检测性能。道路监控图像和VOC、COCO数据集测试结果表明, 所提出的模型在保持检测精度的前提下, 将参数量和模型尺寸降低了90%, 计算量仅为原始模型的18%, 实现了检测模型的轻量化, 更有助于在计算资源有限和对实时性要求高的场景中部署。     

基于信息融合和改进UGM(1,1)模型的故障预测

针对故障预测中存在数据采样时间间隔不均匀、采样难度大、数据量小等问题,借鉴信息融合技术和灰色预测理论,提出了一种基于信息融合和改进不等时距灰色模型(improved unequal interval grey model, IUGM)的预测方法。首先,运用一元二次非线性回归思想建立不等时距灰色预测模型,并通过初始值改进、残差修正和新陈代谢相结合的方式对模型进行改进;然后基于加权思想提出隶属度加权法,以确定特定个体和同类产品的隶属度权值;最后基于加权思想和IUGM(1,1)模型建立特定个体的故障预测模型。实例仿真验证了所提方法的有效性。