Combinatorial Optimization Based Analog Circuit Fault Diagnosis with Back Propagation Neural Network

Electronic components＇ reliability has become the key of the complex system mission execution. Analog circuit is an important part of electronic components. Its fault diagnosis is far more challenging than that of digital circuit. Simulations and applications have shown that the methods based on BP neural network are effective in analog circuit fault diagnosis. Aiming at the tolerance of analog circuit,a combinatorial optimization diagnosis scheme was proposed with back propagation（ BP） neural network（ BPNN）.The main contributions of this scheme included two parts：（ 1） the random tolerance samples were added into the nominal training samples to establish new training samples,which were used to train the BP neural network based diagnosis model;（ 2） the initial weights of the BP neural network were optimized by genetic algorithm（ GA） to avoid local minima,and the BP neural network was tuned with Levenberg-Marquardt algorithm（ LMA） in the local solution space to look for the optimum solution or approximate optimal solutions. The experimental results show preliminarily that the scheme substantially improves the whole learning process approximation and generalization ability,and effectively promotes analog circuit fault diagnosis performance based on BPNN.     

基于Bayesian多分支岩石可钻性值估计

针对智能优化控制过程中岩石可钻性参数估计存在非实时性和模型泛化能力差的问题,采用两层结构建立基于Bayesian多分支岩石可钻性估计模型。通过Bayesian分类器实现岩性分类以提高可钻性模型样本数据的相关性,细化可钻性估计模型;采用改进双链量子遗传算法优化的BPNN结构,根据不同的岩石类型建立相应的岩石可钻性IDCQGA_BPNN估计模型。结果表明,该方法通过算法优化网络模型增强了模型的泛化能力,加快了参数的估计速度和估计精度,能够满足智能优化控制过程中岩石可钻性参数估计的实时性需求。     

非线性同伦LM算法及在软测量建模中的应用

综合同伦方法与Levenberg-Marquardt(LM)优化方法,提出了一种新型非线性同伦LM神经网络学习算法以改善现有神经网络学习算法的学习效率,分析了不同类型的过渡函数对神经网络泛化性能的影响.该算法具有稳定性强、收敛性能好的特点.结合工业过程实际要求,将提出的改进算法用于丙烯腈收率神经网络软测量建模并与几种常见建模方法比较,结果表明:基于改进算法的软测量模型具有更高的测量精度和更好的泛化性能,满足现场测量要求.     

结合遗传算法和阻尼牛顿算法的小波神经网络入侵检测

小波神经网络结合了小波变换和神经网络的优点,具有很强的非线性映射能力和自适应、自学习能力,特别适合于入侵检测系统.但小波神经网络的也有易于陷入局部极小值、收敛速度慢的弱点.对此,本文引入遗传算法来优化产生小波神经网络的初始权值与阈值等,确定一个较好的搜索空间,从而克服小波神经网络易于陷入局部极小值的缺点;同时引入了阻尼牛顿算法,在遗传算法所确定了的搜索空间中对网络进行快速训练,解决传统小波神经网络收敛速度慢的问题,两者构成阻尼牛顿-遗传-小波神经网络.仿真结果表明该方法可行,使神经网络的逼近能力和泛化能力得到了显著提高.     

改进BP神经网络在发动机性能趋势分析和故障诊断中的应用

针对常规BP神经网络参数的经验式取值方法以及收敛速度慢,容易陷入局部最小点等缺陷,设计了一种改进的神经网络系统,利用蚁群算法优化神经网络连接权初值,并采用LM算法对人工神经网络进行训练,提高了网络的收敛速度,降低了训练误差。将其应用于某型利用ACARS报文实时获取飞机性能参数的发动机趋势分析和故障诊断中,可以快速准确地实现对发动机的性能趋势分析和复杂故障的诊断。最后通过仿真,对算法进行检验,结果表明改进算法的诊断置信度比改进前高。     

基于Harris-LM全局运动估计的电子稳像算法研究

全局运动估计用途非常广泛,但是由于全局运动估计计算量大、噪声多等因素使得它很难在实时应用中使用.为了减少全局运动估计的计算量,提高全局运动估计的速度,选取Harris角点进行计算.基于LM(Lev-enberg-Marquardt)全局运动估计的思想,提出一种去除图像画面抖动的算法.通过LM算法估计全局运动参数,从而获得参考帧和当前帧之间的全局运动矢量.然后采用Kalman滤波的方法,一方面较好地平滑运动矢量以降低视频抖动,另一方面有效跟随摄像系统的有意扫描运动.最终进行运动补偿,以达到输出稳定图像的目的.实验结果表明,该算法能较好地实现图像序列的稳定.     

人工神经网络及其在电力短期负荷预测中的应用研究

电力系统负荷预测的精度将直接影响电力系统的经济效益和用电的安全和稳定.通过讨论短期负荷预测,来阐述Levenberg-Marquardt算法优于传统BP算法.并分别用BP算法和Levenberg-Marquardt算法对绥龙110 kV变电局所属供电网络远动采集来的负荷数据进行预测,来说明Levenberg-Marquardt算法优于传统BP算法.     

基于不完备模态测试信息的结构损伤识别方法研究

测试信息不完备、测量噪声等因素是制约结构损伤识别方法应用的主要难点.为此首先采用部分测点的实测模态振型数据和未测点的有限元模型模态振型数据构造出完整的模态振型.其次,建立了一种适合梁系和杆系结构的基于不完备测试信息的损伤识别方程,并采用Levenberg-Marquardt非线性最小二乘算法进行了方程的求解.由于采用的是标量损伤模型,该方法可以同时进行结构的损伤定位和定量研究.最后,用一个平面桁架模型进行了数值模拟,重点考查了实测自由度数、模态数、测试噪声对损伤识别结果的影响.研究表明,在测试数据不完备及一定噪声水平条件下,该方法仍有较好的损伤识别能力.     

废弃纤维再生混凝土非线性蠕变模型

为研究废弃纤维再生骨料混凝土的蠕变过程,引入一个非线性黏性元件,与经典Burgers模型串联组成五元件六参数非线性蠕变模型。通过对废弃纤维再生骨料混凝土的拉伸蠕变试验,得到了不同体积率纤维掺量以及不同再生骨料取代率混凝土的拉伸蠕变柔度随加载时间的变化规律。参照蠕变模型中蠕变柔量与时间的关系式,通过基于Levenberg-Marquardt优化算法的混凝土蠕变参数识别,得到混凝土非线性蠕变模型的六个力学参数。模型拟合结果与试验结果一致,表明该模型能够较好地反映废弃纤维再生骨料混凝土的蠕变特性,也表明掺入0.12%体积率废弃聚丙烯纤维与50%再生骨料取代率的混凝土具有较好的经济实用价值。     

求解非线性方程组的一类非单调修正Levenberg-Marquardt算法

通过将非单调搜索准则与修正Levenberg-Marquardt(L-M)算法结合,提出了求解非线性方程组的一个新的非单调修正L-M方法.新算法在每次迭代步都引入校正步,使新的试探步更靠近Moore-Penrose步.利用信赖域技巧修正L-M参数,在一定的条件下,证明了该算法的全局收敛性.数值试验表明了算法的有效性.