基于BP神经网络的油浸式变压器故障诊断

本文研究了一种基于BP神经网络的变压器故障诊断方法,利用油中气体含量分析的方法,收集整理变压器故障信息作为训练和诊断样本,建立了基于BP神经网络的变压器故障诊断模型,准确率最高达到95%,具有较高的实际应用价值。     

基于BP人工神经网络的变压器故障诊断

电力变压器是电网中最重要的电力设备,对变压器故障及时和准确的预测是确保电网安全稳定运行的必要前提。本文针对变压器故障的特点和类型,利用油中气体含量分析的方法,通过对其故障数据的采集,使用BP人工神经网络方法对变压器进行故障诊断。最后,通过实例仿真,验证了BP神经网络可以有效地运用到变压器故障诊断中。     

基于AdaBoost.M2-NN的变压器故障诊断

组合分类器的经典算法AdaBoost即自适应Boosting算法是提高预测学习系统预测能力的有效工具.针对传统BP（Back Propagation,BP）神经网络在变压器故障诊断时存在不稳定和网络易陷于极小值等缺点,将AdaBoost扩展算法AdaBoost.M2与BP神经网络结合,形成基于Ada-Boost.M2-NN（AdaBoost.M2Neural Network）的变压器故障诊断模型.利用AdaBoost的集成提升作用,在一定程度上弥补了BP算法的不足.仿真结果表明：该模型不仅能将单个BP神经网络无法识别的样本类别识别出来,而且还能整体上相比BP神经网络和传统三比值法将识别率提高11.5%,说明其具有可行性.     

一种实用的神经网络方法在液压泵故障诊断中的应用

针对传统BP神经网络训练中收敛速度较慢的缺点,将一种基于L-M算法的神经网络应用于液压泵故障诊断,并建立了基于该算法的故障诊断模型;论述了液压泵的故障特征频率,研究基于LabVIEW的频率提取与后期神经网络的处理方法.仿真结果表明:该方法和模型显著缩短了训练时间,运用神经网络方法进行液压泵故障诊断是有效的.     

基于蚁群神经网络的电控发动机故障诊断研究

针对电控发动机故障的复杂性,以及传统的专家系统在知识获取等方面的缺点,采用BP神经网络作为故障诊断模型的核心,并将蚁群算法融入到BP网络的训练过程中进行优化,得到了满意结果.通过对该故障诊断模型的验证,表明采用蚁群算法改进后的BP神经网络能够对汽车电控发动机的故障进行有效和准确的诊断.     

基于BP神经网络的集中监测系统故障诊断

铁路信号集中监测系统通过采集信号设备开关量、模拟量并记录分析,实现了设备工作状态监测、故障报警等功能。为了进一步实现集中监测系统对设备故障原因的分析,讨论基于BP神经网络的集中监测故障诊断流程,对信号设备故障机理的分析确定特征参量,再利用集中监测系统功能获取故障数据,将故障数据作为训练样本对神经网络进行训练,从而获取其中的映射关系。集中监测系统实时监测特征参量的异常变化,将测试的信号设备特征参量作为待诊断样本输入神经网络。结果表明,网络将会输出最匹配的诊断结果,实现集中监测系统的故障诊断功能。     

一种基于BP网络的多模型预测主动容错控制方法

针对非线性受控对象,给出了一种基于BP神经网络的多模型预测主动容错控制方案,设计了故障诊断与决策机制的算法步骤,在基于BP网络建立系统正常或故障状态动态模型库的基础上,利用预测控制算法得到控制律,达到对非线性系统主动容错控制的目的．仿真结果表明所述方法的可行性和有效性．     

基于粒子群优化的BP神经网络预测方法及其应用研究

本文提出了一种基于粒子群优化的BP神经网络预测方法.该方法利用粒子群优化算法全局搜索BP神经网络的权值和阈值,并利用优化后的BP网络建立预测模型对经济指标进行预测.仿真实验结果表明,该方法克服了传统BP神经网络本身所存在的局部最小值和训练速度慢等不足,能够较好应用于定量经济指标预测,有效提高了预测的精度.     

一种基于附加动量法的改进BP算法

本文研究了基本BP算法的工作原理,分析了导致基本BP算法学习效率低的原因,提出了基于附加动量法的改进BP算法。经过理论分析和实验验证,在基本BP算法中加入附加动量的方法,可以加快BP神经网络的学习速度,提高BP神经网络的学习效率。     

基于粒子群算法优化BP神经网络的CO_2通量预测

针对现有准确地预测CO_2通量方法的不足,提出了一种以粒子群算法和反向传播(BP)神经网络相结合的预测模型。为了防止粒子种群的快速趋同效应,引入了自适应变异算子。通过对陷入局部最优的粒子进行变异操作,提高了算法的寻优性能。利用粒子群算法得到BP神经网络的初始权值和阈值,对优化后的BP神经网络和普通的BP神经网络分别创建CO_2通量预测模型。实验结果表明,基于粒子群改进BP神经网络模型能较好表达CO_2通量与主要因素之间的非线性关系,相对于一般BP神经网络具有更好的非线性拟合能力和更高的预测准确性。     

基于改进型BP神经网络的四旋翼控制系统

为了实现对四旋翼无人机的自稳定控制,首先对四旋翼无人机进行了动力学建模,提出了一种改变学习率的BP神经网络算法与PID控制相结合的姿态控制方法,并在相同环境下与常规PID控制器进行了仿真试验对比。仿真试验结果表明:基于改进型BP神经网络的PID控制器能够有效地实现无人机的自稳定控制,相比于常规PID控制器,基于改进型BP神经网络的PID控制器具有响应速度快\,超调量低\,鲁棒性强等优点。     

脉冲电镀电源的一种神经网络控制方法

提出了一种用于脉冲电镀电源的神经网络控制器,并对脉冲变压器建立了数学模型.通过对整个电源系统进行仿真、实验,表明这种给予动态BP神经网络的控制器可以提高控制精度,并且对非线性.时变电镀负载有较强的适应能力.     

基于BP神经网络的干热风灾害预测

干热风是我国新疆,西北等地农业气象灾害之一,其形成因素呈现复杂的非线性关系.利用传统方法很难建立起一个精确完善的预测模型.人工神经网络具有强大的非线性映射能力,尤其是BP神经网络在预测领域中被广泛应用.本文利用BP神经网络对干热风灾害进行了预测.结果表明,基于BP神经网络的干热风预测模型误差小,能达到满意的效果.     

石油管道检测中缺陷类型的判别方法

本文主要介绍了漏磁检测以及基于BP神经网络的漏磁检测在判别石油管道缺陷类型中的应用。首先分析漏磁检测以及二维漏磁检测的原理,再根据缺陷信号的特点以及不同类型缺陷信号的特点,分析缺陷信号的提取方法以及不同类型缺陷信号的判断方法,最后简要介绍基于BP神经网络的漏磁检测方法。     

基于优化BP神经网络的高准确度软件缺陷预测应用研究

针对软件缺陷测试任务中的准确度问题,提出一种基于优化BP神经网路的软件缺陷预测方法 .该方法首先采用4层BP神经网络构建多层感知模型,并结合模糊控制原理实现任意复杂非线性关系逼近.然后通过灰狼优化算法克服BP神经网络的局部搜索陷入,从而解决其参数设置依赖性问题.实验结果表明,相比于PSO-BP算法和SA-BP算法,该算法的仿真拟合效果最优,表现出了更高的软件缺陷预测准确度.     

基于遗传RBF神经网络的无线传感器网络流量预测方法

提出了基于遗传RBF神经网络的无线传感器网络流量预测方法.在这里,RBF神经网络有6个输入节点,8个隐藏节点和1个输出节点.RBF神经网络的训练参数对RBF神经网络的预测能力有一定的影响,应该选择一个优化的方法来选择合适的参数.实验结果表明,无线传感器网络流量的预测结果优于RBF神经网络和BP神经网络.     

基于神经网络自适应观测器的鲁棒故障检测

提出一种基于动态神经网络的不确定非线性系统鲁棒故障检测方法,该方法通过构造神经网络自适应观测器来获取反映系统故障的残差信息以进行快速的故障检测,并采用Lyapunov稳定理论证明了闭环误差系统的一致最终有界稳定性.针对某型飞机舵面故障的仿真验证了本文方法的有效性.     

汽车半主动悬架的神经网络控制

针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的 阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。为了证明其实效性,设计了汽车半主动悬架神经网络控制器。结果证明,该算法便捷、实用、有效。     

一种基于神经元的PID改进算法

将常规 PID控制与基于神经元的BP神经网络控制相结合,发挥各自的优势,形成一种新的基于神经元的PID控制算法.采用这种结合神经网络和PID方法设计的控制系统具有更快的速度(实时性),更强的适应性和更好的鲁棒性.     

基于主成分分析的BP神经网络和RBF神经网络月平均气温预测模型

应用基于主成分分析的BP神经网络和RBF神经网络建立了气温预测模型.通过比较模型的均方误差(MSE)和平均绝对误差(MAE)值可知,采用主成分分析的BP神经网络得到的预测模型的误差小于主成分分析的RBF神经网络预测模型.结果表明,模型采用主成分分析提取了影响因变量的重要因子,去掉了网络输入样本的自变量之间的重叠因子,同时也提高了预测能力.