粗糙集-BP神经网络组合方法及其应用

将神经网络与数据挖掘的知识相结合,提出粗糙集-BP神经网络组合方法,并将其应用于围岩稳定性判别。首先,基于山东兖州矿区煤巷信息数据库,建立回采巷道围岩稳定性知识表达系统,对数据进行离散化处理;其次,针对传统BP神经网络收敛速度慢、容错性差、结果不唯一的缺点,采用MATLAB软件开发的粗糙集数据分析程序,对生成的决策表进行挖掘分析,通过挖掘的决策知识引导训练样本的选取和神经网络的建立;最后,在煤巷围岩稳定性判别中予以应用。研究结果表明:BP神经网络克服了传统BP神经网络的缺点,具有容错性好、训练速度快、全局逼近性好、精度高等优点,此方法能较好地用于解决巷道围岩稳定性判别问题。     

基于BP神经网络的水质预测技术

针对城市污水处理厂在生化处理污水过程中测量重要过程变量困难、无法及时检测的问题,提出了基于BP神经网络的预测技术.利用某化工污水处理厂的实际运行数据对提出的BP神经网络结构进行了训练和仿真.结果表明:通过合理选择辅助输入变量,可以实现对过程变量的在线预测.     

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

基于粗糙集的改进BP神经网络算法研究

提出了一种基于粗糙集和遗传算法的改进BP神经网络算法.该算法首先对原始数据集进行属性约简,优化BP神经网络的输入变量;然后利用遗传算法全局搜索的特点,优化BP神经网络初始权重和阈值.将改进BP神经网络算法应用于客户分类,训练误差为5.92×10-12,测试总误差为0.00023;而改进前的一个比较理想的训练结果的训练误差为0.0016,测试总误差为0.073.Matlab仿真表明改进的BP神经网络算法有更好的训练精度和泛化能力.     

基于模糊加权有色网和BP神经网络的飞机发动机故障诊断

针对传统知识推理故障诊断方法中参数往往依赖于专家经验,存在着不准确和无法学习的问题,提出了一种基于模糊加权有色网和BP神经网络的故障诊断方法。首先,定义了模糊加权有色网并给出了两种产生式规则对应的模糊加权有色网模型。然后,设计了采用BP神经网络对模糊加权有色网各参数进行学习的算法。最后,给出了使用训练后的各参数进行初始化的模糊加权有色网进行故障推理的具体步骤。通过飞机发动机故障诊断实例仿真实验证明了方法能正确地建立模糊加权有色网推理模型,在采用BP神经网络进行参数训练后,能有效地实现飞机发动机的故障诊断。     

基于BP神经网络的信誉欺骗检测模型

在分析信誉系统评价的目标系统的行为特征的基础上,提出了一种集成的BP神经网络模型.该模型使用训练集对构造好的BP神经网络进行训练,将测试集输入到训练好的BP神经网络中,进行欺骗检测,并在行为维度上进行欺骗检测效果验证.实验结果验证了基于BP神经网络的信誉欺骗检测模型的可行性.基于BP神经网络的欺骗检测模型能够快速、准确地实现欺骗行为的检测.     

一种基于惩罚系数的BP神经网络预测能力

为提高BP神经网络训练的预测能力,采用有助于提高BP神经网络逼近精度的Metropolis准则来克服BP神经网络训练学习过程中容易陷入局部极小值的问题;考虑到两类误分的代价不同,利用两个惩罚系数C1和C2,对两类误分给予不同程度的惩罚;采用轮换法的策略来避免因样本不均衡分布带来的负面影响.研究结果表明:所构建的神经网络模型效果令人满意,是行之有效的做法.     

一种可提高试井模式识别准确度的改进HT-BP方法

在用BP神经网络进行试井问题模式识别的过程中 ,若将现场试井数据简单地以点对的方式送入BP神经网络进行识别 ,则与训练模式无法对应 ;若在用BP神经网络学习和识别曲线之前进行归一化处理 ,则会引起曲线的尺度变化和空间位移。结合试井问题对Hough变换进行了改进 ,提出了与改进Hough变换相应的比例变换和空间压缩方法。用比例变换和空间压缩方法及改进Hough变换法对试井曲线进行预处理后再送入BP神经网络 ,可以大大改善识别能力。实例说明 ,改进Hough变换与BP神经网络相结合的方法 (MHT BP)对试井模式识别的准确性较高。     

基于遗传神经网络的环境质量评价系统

基于遗传神经网络的环境质量评价方法是用遗传算法和BP算法相结合的混合算法来训练环境质量评价神经网络预测模型的权值,即先通过遗传学习算法进行全局训练,再用权重调整BP算法进行精确训练,这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷,环境质量评价实例证明提高了预测精度.又将三种评价方法的评价结果进行对比,得到该方法的评价结果比传统的专家评价法的评价结果更加准确.因此该方法也为环境质量评价提供了一种新的研究思路和分析方法.     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于SOA-BP神经网络的SLS成型件精度预测模型

针对选择性激光烧结(selective laser sintering,SLS)成型件精度难以控制以及工艺参数优化实验成本高等问题,提出了一种利用人群搜索算法(seeker optimization algorithm,SOA)优化BP(back propagation)神经网络对SLS成型件精度预测的方法。首先选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度五个工艺参数设计正交试验获取样本数据。然后根据SOA算法特有的利己、利他、预动和不确定推理四大行为确定搜索策略,获取BP神经网络最优权值和阈值。最后采用MATLAB建立优化后的BP神经网络预测模型对样本数据进行预测分析,并与传统BP神经网络和粒子群算法(particle swarm optimization,PSO)优化的BP神经网络预测结果进行对比。结果表明:基于SOA-BP神经网络的预测模型具有较高的预测精度,最大绝对误差仅为0.028,对SLS成型件精度的提高和工艺参数的选取具有指导作用。     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

神经网络专家系统的状态识别,知识表示和求解策略

将神经网络与人工智能技术相结合，提出了１种新型的知识表示的形式化描述和知识单元，知识通过模式分类导入，并用ＩＭＳＢＰ和（Ｂ－Ｂ）ＢＰ调节２种不同类型的权，在此基础上提出了神经网络的双向求解策略，以加炉控制验证了其可行性。     

故障诊断知识获取的一种神经网络理论方法

基于神经网络的竞争学习机制,提出了一种新的基于神经网络专家系统的自动化生产过程监控的知识获取理论方法.这种理论方法在故障诊断的知识获取上是通过竞争学习机制来实现的,与以往人们一般较常采用的BP学习算法相比,具有算法简单、易于实现及无需教师进行监督等特点.利用此方法,经在一个铣削加工过程监控系统上进行仿真研究表明:这种理论方法是非常有效的.     

应用反向传播神经网络算法的发动机动态总压畸变预测

为提高动态总压畸变预测的准确性,通过引入反向传播神经网络算法,研究其在紊流相关中的可行性和准确性.结果 表明:反向传播神经网络可应用于紊流相关以预测动态总压畸变;采用单个工况进行自我预测时,神经网络显示了良好的预测能力,预测结果与试验值吻合很好;采用反向传播神经网络法,5个工况作为样本预测各工况紊流度时,样本工况的平均...     

基于深度残差反向传播神经网络的钢筋腐蚀检测

针对小样本数据下浅层神经网络模型拟合能力不足,而加深网络层数出现网络性能退化问题,提出一种双跳跃深度残差BP神经网络模型,每个残差块堆叠三个同维度网络层,在网络的一、二层和一、三层之间加入双跳跃连接,增强浅层低非线性度特征信息向深层网络的直接传递和重复利用,且在反向传播过程中避免了梯度消失,提升模型分类准确率。同时引入一阶矩估计梯度指数加权平均因子对Adam算法中影响学习率的二阶矩估计梯度进行调整,优化网络的收敛能力。将改进后的算法模型用于钢筋腐蚀样本数据训练及测试,仿真结果表明,改进后的算法模型具有更好的分类性能。     

Surface Quality Evaluation of Fluff Fabric Based on Particle Swarm Optimization Back Propagation Neural Network

Aiming at the problem that back propagation(BP) neural network predicts the low accuracy rate of fluff fabric after fluffing process,a BP neural network model optimized by particle swarm optimization(PSO) algorithm is proposed.The sliced image is obtained by the principle of light-cutting imaging.The fluffy region of the adaptive image segmentation is extracted by the Freeman chain code principle.The upper edge coordinate information of the fabric is subjected to one-dimensional discrete wavelet decomposition to obtain high frequency information and low frequency information.After comparison and analysis,the BP neural network was trained by high frequency information,and the PSO algorithm was used to optimize the BP neural network.The optimized BP neural network has better weights and thresholds.The experimental results show that the accuracy of the optimized BP neural network after applying high-frequency information training is 97.96%,which is 3.79% higher than that of the unoptimized BP neural network,and has higher detection accuracy.     

基于改进灰色关联分析的BA-BP短期负荷预测

针对短期电力负荷随机性强、预测精度低等问题,提出了基于模糊灰色聚类与蝙蝠优化神经网络的短期负荷预测模型。采用模糊聚类方法选择相似日粗集,然后用改进的灰色关联分析法选取相似日;为了克服传统BP算法易陷入局部极值和收敛速度慢等问题,利用相似日集中的样本训练蝙蝠优化的BP神经网络预测模型。以某地区的历史数据为实际算例,将文中所提算法与普通的BP神经网络、传统灰色关联与蝙蝠优化的BP神经网络预测结果相比,结果表明所提方法有很高预测精度和稳定性,在实际中有一定应用价值。     

一种元卷积网络和持续学习融合的洞库类目标识别方法

洞库类目标是高价值识别目标,针对洞库类目标样本数据难以获得、样本内部数据相似度较高、人工设计识别特征方法局限性较大、普通深度网络需要海量数据等问题,提出了结合元学习和深度卷积网络的元-卷积网络（MCNN）,并融合持续学习理论的洞库类目标识别方法（MCNN-LLS）.首先结合深度卷积网络、元学习的理论建立元-卷积网络,该网络可利用旧知识指导新知识的训练,利用小样本数据即可训练得到识别能力较高的深度洞库模型;然后融合持续学习理论,建立持续学习系统（LLS）,设计专家审核模型判别深度洞库模型的识别结果,并引入潜在任务、模型异步更新等方法,达到模型持续学习、持续更新的效果.实验表明,本文方法所需样本数量少,对洞库类目标识别准确率高,且识别能力可随识别过程中新数据的积累逐步提高.