基于GA优化BP神经网络的WSN数据融合技术研究

为减少无线传感器网络中节点的数据通讯量,降低能量消耗,达到数据融合的目的,设计了一种基于遗传算法优化BP神经网络的数据融合算法(BPGA),阐述了数据融合原理、BP神经网络和遗传算法,介绍了遗传算法优化BP神经网络的数据融合方法,利用遗传算法优化神经网络的权值、阀值及隐含层结构,然后通过优化后的神经网络提取无线传感器网络中原始数据的特征信息,并将特征信息发送给汇聚节点,从而提高网络数据采集效率,延长网络生命周期。最后通过与LEACH、BPNDA算法进行仿真实验比较,证明了其有效性。     

一种气体传感器阵列检测模式识别新方法

针对气体传感器阵列检测模式识别方法中BP神经网络收敛速度慢且易陷入局部极小值的问题,构建了一种免疫神经网络:采用免疫算法对BP神经网络的权值进行全局搜索优化,再用BP算法进行局部搜索,并将其用于传感器阵列信号模式识别中。采用正交试验法设计神经网络的学习样本,在保证神经网络学习精度的同时减少了样本的数量。结果表明,该模式识别方法能有效解决气体传感器的交叉敏感问题,克服了传统BP神经网络存在的不足,提高了网络的训练速度和气体的检测精度。     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

集成神经网络诊断技术及其应用

为最大限度地提高神经网络实现的设备故障确诊率,分析了单子神经网络诊断故障的特点及所存在的问题;从信息融合的角度提出了基于信号类型及不同特征向量组合的集成神经网络。通过建立信息分配网络、子神经网络及决策信息融合网络,构成了1种3级网络串联而成的集成神经网络。将输入信号进行有效组合,从不同侧面诊断故障,取得了良好的诊断效果。     

基于高维空间划分的神经网络分类学习模型

基于高维空间划分的原理，提出了一种非线性神经元CC模型和基于CC模型的神经网络的构造算法。从理论上证明基于CC模型的神经网络的容错性比MP网络要好，而且网络的隐层节点个数远远少于FP网络的隐层神经元个数，对于分类问题其计算复杂性仅为多项式（上界≤O(p^2),p为样本个数。该网络有明确的几何和物理意义，具有持续学习和噪声数据处理能力，适合大规模数据挖掘领域。     

基于遗传自适应RBFN的歼击机故障分类方法

在模式识别领域中,如何实现更高精度地分类一直是个核心问题.提出了将自适应RBF神经网络与遗传算法相结合的方法,其中自适应RBF神经网络通过对样本判断,自动实现对RBF网络添加新的隐层节点,或者将样本归于已存在的隐层节点所属的类.遗传算法用于寻找最优的网络宽度值.两者相结合最后确定一个隐层节点数与类别数相同的简省的网络.用歼击机故障数据进行仿真,比较结果表明此方法能实现更高精度的分类.     

多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·     

利用BP神经网络对大直径SHPB杆弥散效应的修正研究

通过找出其隐式函数关系,误差反向传播神经网络可以实现输入和输出间的任意映射.采用BP神经网络和瞬态有限元计算,确定了大直径SHPB杆弥散效应的隐式传递函数,对弥散效应进行了修正,讨论了网络隐层的神经元个数对网络映射的影响.     

一种RBF神经网络高精度算法研究及应用

剖析了RBF神经网络基本算法的原理以及激励函数参量与隐层单元数量按经验选取所带来的问题.基于RBF神经网络结构,以网络的权阈值为设计变量,网络误差为目标函数,通过合理的动态变量排序,构建了一种RBF神经网络的新的高精度算法,并编制计算程序.与RBF网络基本算法相比,这种算法是以权阈值为未知变量的真实优化过程,实现了RBF神经网络的高精度计算.从方程论理论出发,给出了网络隐层结构的合理确定方法.通过实例的程序分析,表明了该优化算法具有较高的样本拟合与插值精度,为进一步理论研究与工程应用提供基础.     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

一种新的基于目标反传的前馈式神经网络训练算法

提出了一种基于目标反传的前馈式神经网络训练算法,该算法将网络的目标输出信息反传到网络的每一个隐层上,于是将神经网络的训练问题转化为求解一系列线性方程组和线性不等式组的问题,数值实验结果表明本文提出的方法与传统的BP算法相比提高了网络的训练速度.     

自适配权重特征融合的持续身份认证

针对现有智能手机用户身份认证方法的不足，提出了一种自适配权重特征融合的持续身份认证方法。设计了一种卷积神经网络，对手机内置传感器(加速度计、陀螺仪、磁力计)获取的用户行为信息数据进行深度特征提取及融合。通过网络中3个子网络流分别提取3种传感器特征，在特征融合层加权融合，各特征的权值会在网络学习过程中根据不同特征的贡献度实现自适应分配。融合特征经过特征选择之后，使用单分类支持向量机进行用户分类认证。实验结果表明：该方法对不同用户身份认证获得的等错误率为1.20%,与现有其他认证方法相比具有更好的认证准确性。     

基于多类型传感器信息的结构损伤识别方法

计算2组基于径向基神经网络的结构损伤程度识别结果,一组神经网络输入是加速度传感器信息,另一组神经网络输入是应变传感器信息;以2组识别结果及其可靠性为基础,提出采用D-S证据理论数据融合方法的结构损伤程度综合识别方法.以网壳结构为研究对象,建立结构损伤模型和神经网络样本库及输入输出向量,并对不同噪声水平下结构损伤程度识别结果进行计算.计算结果显示,基于多类型传感器信息的结构损伤程度综合识别结果的误差明显小于基于单类型传感器的识别结果,并在神经网络输入有噪声的情况下,仍保持较好的效果.因此,基于多类型传感器信息的结构损伤程度识别方法在合理应用结构多类型响应信息的基础上,能够获得更优的结构损伤程度识别结果.     

一种改进的多层前馈神经网络结构研究

通过将传统多层前馈神经网络结构改造为具有跨层连接的网络,提出了相应的多层前馈神经网络改进算法.通过分析网络误差函数,从理论上证明了:相对于无跨层连接网络,有跨层连接网络能以更加简洁的结构逼近理想状态.最后,用一个隐层神经元解决了传统网络必须用两个隐元才能解决的异或问题.     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S(Dempster-Shafer)证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

神经网络融合法在铣刀磨损监测中的应用

传统用单一传感器监测小直径立铣刀磨损有一定局限性，通过分析铣刀渐进磨损过程特点，提出用神经网络多传感器信息融合方法监测铣刀后刀面磨损带中部带宽，并在立式加工中心上验证了该融合方法的有效性和工程实用性。     

神经网络在风冷热泵系统选型决策中的应用研究

该文针对风冷热泵的选型设计建立了BP(Back-Propagation Networks)反向传播神经网络模型，网络模拟采用3层前馈结构，输入层和输出层分别有6个神经单元组成，隐合层结点数采用15个。以南京地区的某设计实例作为学习样本，以较好的应用效果实现了暖通设计决策的现代化和智能化。     

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

基于滑动概率神经网络的早期故障诊断

针对机电设备早期故障难以识别的问题，提出了一种动态的概率密度估计方法——滑动概率神经网络，用以跟踪分析测量信号的概率密度变化过程，及时发现早期故障．该网络以固定不变的抽样集作为第一层，动态滑动的测量信号作为样本层，通过求和层得到抽样集的条件概率密度估计，将样本层内测量信号的概率密度动态地投影到统一的抽样集上．将网络分解成以测量值为中心的子网络，来实现网络的递归运算，并且利用高斯函数的快速衰减特性或使用分段线性函数近似高斯函数，从而提高了网络的计算实时性．通过压缩机喘振过程数据的应用实例，表明该方法能够有效识剐故障的早期征兆．     

新的组合激活函数BP网络模型研究

作者提出了一种新的BP神经网络模型，其隐层激活函数采用中心参数可调的Gaussian函数，输出层采用斜度可调的Sigmoid函数，从而神经元具有了更强的信息存储、处理能力。由于采用组合函数，将Gaussian函数良好的局部性和Sigmoid函数良好的全局性相结合，提高了神经网络的收敛速度。几个典型实验的结果表明，与传统BP网络模型相比，新网络模型在学习能力和泛化推广能力方面都有明显提高。