动量BP神经网络在高压电力计量系统故障诊断中的应用

利用BP神经网络自适应性强的优势,将动量BP神经网络应用于高压电力计量系统故障诊断中.对计量系统的7个运行参数提取故障信息作为网络的输入值,以4位二进制数表示正常情况和7种主要故障类型,用采集得到的样本对网络进行训练及测试,结果表明,动量BP神经网络模型对高压电力计量系统故障有很好的辨识和诊断效果.     

一种用于非线性函数逼近的小波神经网络算法仿真

提出一种用于非线性函数逼近的小波神经网络算法,分析了网络的拓扑结构,给出了网络的参数估计方法.采用遗忘因子法训练网络的权值,利用具有优良渐近性质的递推预报误差算法训练尺度因子和平移因子,分析并给出两种小波元的个数选择方法.该算法用于非线性函数逼近时优于同等规模的BP神经网络.仿真研究表明,该方法具有收敛速度快,逼近精度高等优点,在为非线性系统建模提供一种新方法的同时,也为复杂非线性系统的辨识提供有益的参考.     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

基于神经网络的发电机参数辨识

介绍了人工神经网络(ANN)在发电机传递函数参数辨识中的应用,提出了一种隐层有七个神经元的BP神经网络,使用该网络对发电机参数进行辨识,并利用MATLAB/SIMULINK软件对所设计的BP神经网络进行了仿真,结果表明,所设计的神经网络能够有效地辨识发电机参数,并且具有训练时间少,没有局部极小化现象等优点.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于聚类和文化算法的补偿模糊神经网络建模方法

根据补偿模糊神经网络的建模特点,提出了基于聚类和文化算法的补偿模糊神经网络建模方法。该网络的学习分为两步:结构辨识和参数辨识。在结构辨识中,采用改进的聚类算法确定模糊规则数及初始参数,构造一个初始模糊模型;在参数辨识中,采用基于多层信念空间的文化算法对具有5层结构的补偿模糊神经网络参数进一步优化,使其具有更高的精度。通过对TE过程的故障诊断建模,结果表明该网络在建模精度和收敛速度上均优于常规补偿模糊神经网络和常规模糊神经网络。     

桥梁振动控制系统的GA-BP神经网络非参数辨识方法研究

文章提出了一种基于GA-BP神经网络的地震激励下桥梁振动控制系统的非参数辨识方法,该方法避免了BP算法易陷入局部极小值、训练速度慢、误差函数必须可导及受网络结构限制等缺陷,克服了传统系统辨识要对结构进行预先假定、容错能力差、无法辨识系统非线性特性等问题,考虑到结构-控制装置的相互作用,可以真实反映桥梁结构动力特性.     

基于小波神经网络的非线性动态系统辨识

采用一种新型小波神经网络对非线性动态系统进行辨识,并给出了网络的参数训练方法。从信息熵的概念出发,改进了网络参数训练的目标函数,并利用引入动量项的最速下降法训练网络权值、尺度因子和平移因子。仿真实验表明,该小波神经网络用于非线性动态函数逼近时优于同等规模的BP网络。     

基于BP神经网络的三相逆变器故障诊断研究

针对三相桥式逆变电路为研究对象,建立了仿真模型,并对逆变器主电路开关器件的开路故障进行仿真,提出了基于BP神经网络的故障诊断方法,确定了网络的结构和参数,并以此训练网络.仿真试验结果表明,该神经网络具有很好的故障识别能力,所选择的基于BP神经网络的三相逆变器故障诊断系统是可行的.     

基于多层前向神经网络的电加热炉系统辨识

介绍了一种基于多层前向神经网络的电加热炉系统辨识。本系统选择神经网络辨识器模型,运用改进后的BP算法训练辨识神经网络,大大地提高学习速度,缩短训练时间,且辨识效果很理想。