共查询到19条相似文献，搜索用时 546 毫秒
1.
基于粒子群优化RBF神经网络的水轮发电机组振动故障诊断 总被引：1，自引：0，他引：1
【目的】针对单一径向基(RBF)神经网络在水轮发电机组振动故障诊断中泛化能力不足的缺点,提出基于粒子群(PSO)算法优化的RBF神经网络。【方法】利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对水轮发电机组振动故障进行仿真诊断。【结果】仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快。【结论】PSO算法优化的RBF神经网络,适用于水轮发电机组振动故障诊断,其诊断精度较高,具有推广应用价值。 相似文献
2.
[目的]为了提高液压机械无级变速器(HMCVT)换段液压系统的平稳性和安全性,设计了一种应对换段液压故障的诊断方法。[方法]利用自主研发的液压机械无级变速器试验平台,获得5种油路故障状态模式数据集;通过数据预处理及随机抽取的方法得到120组单一故障样本集和21组组合故障样本集,基于天牛须搜索算法(beetle antennae search, BAS)和BP(back propagation)神经网络,对处理后的120组单一故障样本建立了故障诊断模型;对标准BP神经网络模型和优化型BP神经网络模型进行试验测试和比对研究。[结果]所使用的BAS-BP方法对试验样本实现了5种油路状态模式分类;与标准BP神经网络相比,BAS-BP方法可以更好防止网络受限于局部极小值,且故障诊断正确率提升10%。[结论]与常规优化算法相比较,BAS-BP方法所需训练时间短、收敛速度快,算法运行速率提升85.76%,拥有更好的稳定性和判别精度。特别需要指出的是,该方法对于组合故障的判别仍然有效。 相似文献
3.
为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R2为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R2为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。 相似文献
4.
水电机组振动故障的粗糙集-神经网络诊断方法 总被引：1，自引：0，他引：1
针对当前水电机组故障原因复杂,实际监测数据量大,采用神经网络方法进行机组故障诊断存在网络结构复杂、训练时间长、诊断困难的问题,文章将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。在保持分类能力不变的前提下,用粗糙集理论对故障信息进行约简处理,然后用RBF神经网络对预处理后的故障信息进行诊断,使神经网络的输入神经元数目明显减少,其结构得以简化。通过对某电站实测机组数据进行离线故障诊断,证明该诊断方法有效提高了机组故障诊断的效率和准确性。 相似文献
5.
本文应用人工神经网络中的BP网络与RBF网络，讨论脂肪醇催化剂配方的建模问题，并与传统的多元线性回归方法进行对比。结果表明，神经网络具有明显的优点，而RBF网络又比BF网络更加精确，且收敛速度要快1000倍以上。 相似文献
6.
针对传统基于K-均值聚类的RBF神经网络训练方法中,隐层参数训练结果易受初始值影响而陷入局部极小解,最终导致整个网络收敛速度慢、性能下降等问题,提出了基于粒子群算法(PSO)和K-均值相结合的径向基神经网络(RBF)训练算法.该算法利用PSO的全局搜索能力形成最优解邻域,K-均值算法在该邻域进行局部搜索,这样既利用了PSO算法的全局最优解搜索能力,同时也利用了K-均值算法收敛速度快的优点.试验结果表明该算法有效地解决了基于K-均值训练算法易陷入局部极小解的不足.文中将基于上述训练方法的RBF神经网应用到入侵检测系统中,试验结果同基于传统K-均值、遗传算法和RPCL算法训练的RBF方法进行比较,结果表明本文建议的方法在检测性能和训练时间上都有明显提高. 相似文献
7.
预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较 总被引：4，自引：0，他引：4
文章采用径向基函数人工神经网络的方法,利用MATLAB工具箱并结合气象资料中的平均气温、最低气温、日照时间和降雨量．建立了预测虫害发生程度的RBF神经网络预测系统。系统通过实例证实了预测的准确性,并且与常用的BP网络进行了比较。RBF网络和BP网络通过对训练样本的仿真,可明显看出RBF网络比BP网络更为精确。通过程序记时显示RBF网络用时1．2030s．比BP网络训练所需的时间要短的多．因此RBF神经网络具有很好的实用价值。 相似文献
8.
9.
混凝土强度预测的混沌优化神经网络模型 总被引：3，自引：0，他引：3
BP神经网络方法由于综合考虑了高强度、高性能混凝土强度的各种影响因素，能够实现非线性关系，可以用于混凝土强度预测上。为克服传统BP网络收敛速度慢、易出现麻痹现象等不足，本文采用自适应变步长(ABPM)算法来改进的BP神经网络，提出了基于混沌优化的自适应变步长(ABPM)神经网络模型，并将其预测结果和训练效率进行了分析。该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明，混沌优化的ABPM神经网络用于混凝土强度的预测，方法简单可行，搜索速度快，预测结果可靠、精度高。 相似文献
10.
11.
对于大规模电路或者非线性电路的诊断，存在故障定位困难和诊断速度比较低的问题，对此本文提出了一种基于神经网络和广义互测试的大规模集成电路故障诊断方法，给出了这种方法的诊断步骤，并进行了仿真实践，结果证明对于子网络级的故障定位是有效的。 相似文献
12.
人工神经网络在恶性肿瘤诊断中的应用 总被引：4，自引：0，他引：4
本研究将人工神经网络方法用于人血清荧光光谱法诊断癌症，采用反向传播神经网络方法，建立识别人血清荧光光谱的网络模型，参数经过训练，平均识别率高达94％。 相似文献
13.
利用建立多元回归模型的方法对大坝的垂直位移进行预测,往往因为数学模型的局限性和对影响因子分析的不全面导致预测结果不准确。利用BP神经网络良好的非线性问题处理能力和自学习功能,通过训练神经网络,对水电站坝体的垂直位移进行了有效的预测,得到与实测值相对误差小于1%的预测结果,从而实现对大坝更为可靠的安全监测。 相似文献
14.
基于人工神经网络的英文字符识别技术的研究与实现 总被引：1，自引：0，他引：1
人工神经网络就是采用物理可实现的系统来模仿人脑神经细胞的结构和功能的系统,是近年来迅速发展起来的先进研究方向之一,使用Java语言和人工神经网络可开发出英文字符识别软件。 相似文献
15.
工程项目风险指标体系及综合评价研究 总被引：6，自引：0，他引：6
目前工程项目风险的各种分类方式可操作性不强，现从风险产生的根源出发，将工程项目风险进行新的分类，并依此建立工程项目风险指标体系，针对工程项目的很多问题需要靠经验和判断解决的特点，采用人工神经网络的方法，对建立的工程项目风险指标体系进行整体风险水平评价。 相似文献
16.
基于BP神经网络的农机总动力预测模型研究 总被引：3，自引：0，他引：3
利用黑龙江省1980～2007年农机总动力数据,对BP神经网络模型和现有农机总动力预测模型进行分析,建立了基于BP神经网络的农机总动力预测模型,并将该模型应用到2007年以后黑龙江省农机总动力的预测中,取得了良好的预期效果,为黑龙江省的农业机械化发展趋势和农机产品市场分析提供了一定的理论指导。 相似文献
17.
脐橙的可食率可通过脐橙的重量和体积估测得到,在此基础上提出了一种脐橙可食率的估测方法。首先通过机器视觉技术获取脐橙2个方向的截面积,再以这2个截面积和脐橙重量为输入变量的神经网络估计脐橙的可食率。试验结果表明,该方法在估计脐橙的可食率方面取得了较好的效果。 相似文献
18.
介绍了人工神经网络(ANN)的主要特点及误差反向传播网络(BP)的工作原理。综述了人工神经网络在植物病虫害的诊断、虫害和病害流行预测等方面的应用研究进展,并讨论了提高人工神经网络预测精度应注意的问题。 相似文献
19.
基于分层卷积深度学习系统的植物叶片识别研究 总被引：5，自引：3，他引：2
深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。 相似文献