基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

基于RBF神经网络的铁路沿线短时风速预测方法

对实测风速数据进行Kalman滤波,去除实测风速数据的偏差;通过归一化处理,消除数据中的冗余成分;针对RBF神经网络的预测误差会随着时间的推移而增大的问题,采用滚动式训练方法在线训练RBF神经网络;用训练好的RBF神经网络进行风速预测,再对预测结果进行反归一化处理,得到最终的预测风速.仿真结果表明,运用基于RBF神经网络的铁路短时风速预测方法对短时风速进行预测,最大相对误差仅为5.92％,可满足铁路防灾安全监控系统中风速预测子系统的要求.     

基于遗传单纯形算法与RBF网络的地应力场反演方法

为提升RBF神经网络性能,采用遗传单纯形算法优化RBF神经网络隐含层节点中心值,利用FLAC3D软件建立区域的数值计算模型来进行正分析计算,以若干测点的正应力值作为训练样本,用优化的RBF网络反演模型区域的岩体力学参数及初始地应力场。依据沙溪铜矿区的地质资料进行算例分析,该方法的反演计算值、实测值及其他RBF网络反演计算值对比表明:所采用的遗传单纯形算法优化RBF网络的反演方法是可行的,改善了计算精度,对类似工程有一定的参考价值。     

一种基于支持向量机的增量学习算法

具有增量学习功能的数据分类技术与普通的数据处理技术相比较,增量学习分类技术具有明显的优越性?在新的训练过程中充分利用了历史的训练结果,从而显著减少了后继训练的时间。介绍了支持向量机的基本理论和一般的支持向量机增量学习算法,针对有些渐变问题(如机械设备的早期故障期和损耗期),新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面仿真实验表明,采用加权的增量算法更能反映新样本点的特征?     

神经网络在机车测速传感器故障诊断中的应用

提出了采用径向基(RBF)神经网络设计一种新型的机车测速传感器故障诊断方法.以光电式测速传感器的常见故障为模型建立RBF神经网络预测器,通过对预测器进行在线训练和实时检测来判断测速传感器是否发生故障,并对故障传感器提出决策方法和进行数据重构.仿真结果表明,该方法能够高精度地模拟传感器的输出特性,快速有效地进行测速传感器的故障诊断.     

基于等级式多层感知器网络的特定人汉语词组织别系统

本文主要讨论多层知器网络在特定人的汉语词组织别系统中的应用，提出简单的语言特征参数规整方法，针对多层感知器网络在分类模型增式时，网络结构增大，学习时间冗长，识别率上降；增加新的模式需要重新训练网络的缺点，提出了等级式多层感知器网络及其新的分类算法，基于语音知识建立了一个中等词汇量的特定人汉的汉语词组织别系统，提出了语音知识的矩阵表达方式，基于前向概率和后向概率的最佳匹配推理算法，该系统的音了识别率     

基于改进RBF神经网络的产业损害预警指数预报

为了有效的保护产业安全,产业损害预警指数的预报成为重要的研究方向.针对这种非线性的时间序列和产业损害预警系统的应用特点,本文对RBF网络的学习算法进行了一定的改进,提高了预测结果的稳定性.根据实验仿真结果显示,该模型优于传统使用的分析方法,为各生产行业的生产计划提供决策支持.     

蝙蝠算法优化模糊神经网络的25Hz相敏轨道电路故障诊断研究

针对传统25Hz相敏轨道电路故障诊断网络求解时收敛速度慢、诊断精度不高的问题,提出智能蝙蝠算法(BA)与模糊逻辑理论(FS)、神经网络(NN)相融合的BA-FNN模型,优化网络参数,对25Hz相敏轨道电路进行故障诊断。考虑到轨道电路特征参数的不确定性、模糊性,运用模糊逻辑理论对轨道电路特征参数进行模糊化预处理;为了克服传统的BP算法存在易陷入局部极小点和速度收敛慢等问题,引入蝙蝠算法,模拟蝙蝠的飞行过程对模糊BP网络的相关参数进行优化;建立最优BA-FNN模型用于网络诊断。仿真结果表明,相对于GA-FNN、PSO-FNN比较算法模型,BA-FNN模型不仅学习训练次数明显减少,训练时间缩短,且寻优精度较高,可有效提高25Hz相敏轨道电路故障诊断的精度。     

基于径向基神经网络的铁路货运量预测

货运量预测是铁路运输部门一项重要工作,因此,关于铁路货运量预测理论和方法的研究一直是一个热点。但是,铁路货运量受多种因素影响,且各因素的作用机制通常不能或无法用精确的数学语言来准确描述。本文采用径向基函数(RBF)神经网络对货运量进行分析及预测。通过对1989~2002年全国铁路货运量的历史数据分析处理后,得到铁路货运量增长量的时间序列,将时间序列视为一个从输入到输出的非线性映射,引入RBF神经网络来进行非线性映射的逼近。对网络进行学习与训练仿真实验后,用2003~2004年的增长量进行模型检验,并与BP神经网络、灰色预测模型预测结果进行对比,结果表明,应用RBF神经网络对铁路货运量进行短期预测预测精度更高、效果更好。     

基于扩展联想神经网络的语音识别系统

将扩展联想记忆神经网络用于噪音语音识别，它是在一多层感知器（ＭＬＰ）后接一反馈构成，对于反馈联想网络，我们提出基于误差反传的快速梯度学习算法，从而提高网络的联想记忆能力的训练速度，通过改变误差能量函数，使权值修正根据的大小而改变，并导出相应的快速算法，使扩展联想网络的速度提高３－５倍，整个系统具有很高的自适应性、鲁棒性容错性、和联想记忆能力。最后根据语音识别结果提取概念，进行拓扑义影射，在平面上反     

基于径向基神经网络的铁路客货运量预测研究

根据径向基神经网络具有分析非线性动态系统的混沌特性的特点,对铁路客货运发送量相关时间序列进行分析和研究,在Takens相空间重构的基础上,利用互信息方法求嵌入时延、伪邻域方法求嵌入维数;应用G-P方法和最大Lyapunov指数方法对铁路客货运量时间序列进行混沌识别;根据RBF神经网络的学习算法和辨识原理,对铁路客货运量预测流程进行分析。应用径向基神经网络对铁路客货运量自1999-01-01-2012-08-27共4 988 d的发送量为基础进行径向基神经网络预测;并对预测误差进行检验及对预测结果进行分析。研究结果表明：基于径向基神经网络预测值能很好地与实际值相吻合,因而在铁路客货运量相关时间序列中预测有广泛的实用价值。     

支持向量回归在轮轨Hertz弹性接触计算中的应用

空间轮轨接触是铁道车辆系统动力学仿真对象模型中的重要柔性环节，基于材料线弹性假设的Hertz理论，可以给出两弹性体一般接触的复杂的隐式非线性关系.支持向量回归是统计学习理论中提出的新一代学习算法．轮轨接触计算可以使用它离线学习到一个显式的非线性关系．其逼近精度和表示复杂度可得到很好的折中．有利于铁道车辆系统动力学仿真的在线计算，     

气敏传感器在牵引变压器绝缘在线监测中的应用

气敏传感器及其检测电路的设计是基于DGA(DissolvedGasesAnalysis)牵引变压器绝缘在线监测技术的关键环节。为检测传感器性能,设计了气敏传感器测试实验;在实际检测中,采用多个传感器组成传感器阵列,并利用径向基(RBF)原理解决了传感器阵列相互干扰性问题,通过比较试验数据与标准测试仪测量结果,验证了传感器阵列的有效性和稳定性。     

基于代价敏感RBF神经网络的道岔故障诊断系统

针对铁路道岔故障中几种常见类型故障,为尽量减少道岔故障误分类所造成的损失,特建立基于遗传算法的代价敏感RBF神经网络模型以及基于该模型的道岔故障诊断系统。模型通过建立代价敏感适应度函数,实现基于遗传算法的RBF神经网络向代价最优的方向进行随机搜索。利用某车站道岔动作电流监测数据进行验证,证明系统能够提高故障数据的识别精度,降低故障数据的误分类代价。该系统可帮助维护人员快速、准确地对道岔故障进行诊断,缩短故障处理时间,提高铁路行车的安全性。     

大跨度PC斜拉桥结构快速分析神经网络模型

为进行大跨度PC斜拉桥、悬索桥等复杂结构的优化设计、可靠性分析或模型修正,提出基于神经网络的结构快速分析方法。通过对比分析不同样本集构造方法对结构分析精度与效率的影响,认为均匀试验设计法是构造网络训练样本的最优方法。基于Matlab工具箱函数newrb建立招宝山大桥平面分析的径向基函数网络模型,该模型含45个输入层节点和2个输出层节点。根据均匀试验设计法生成180个训练样本,利用有限元分析软件ANSYS进行参数化批量分析,得到样本的模拟试验结果,采用OLS法对径向基函数网络进行训练,用训练好的网络预测结构响应。结果表明:该神经网络模型满足结构快速分析的精度要求,与有限元分析结果吻合良好。     

基于SBB算法的复杂背景手势输入系统

弱假设学习在近年来的机器学习领域得到越来越广泛的应用。本文提出一种多分类的基于应力的SBB(Stress Based Boosting)算法。在实时情况下,对输入的英文手语字母进行分类和识别,并转换成相应的汉字,实现了汉字的手势输入。首先对视频流进行预处理,利用双检测方法,消除噪声和背景得到手部区域,使用固定尺度的兴趣点检测器,利用特征提取器归纳出手部特征点,再利用SBB算法的学习规则对含有特征点的新样本进行分析和归类,采用应力反馈对于错判的手势进行纠正。在每个周期,都加入特征学习过程。算法能集中原手势训练集,通过已有分类器的分类结果确定分类策略。本系统具有自主学习、分类快速准确的特点。实验结果证明,本系统在实际条件下具有较高的识别率和鲁棒性,具备很好的应用前景。     

一种新的DAGSVMs多类分类方法

分析DAGSVMs多类分类方法存在的问题,针对其存在的问题,提出一种新的DAGSVMs多类分类方法.该方法采用聚类分析中类距离的思想作为层次分类依据.实验结果表明,该方法具有较高的分类精度.     

基于长短期记忆网络的动车组轴箱轴承故障诊断预测模型研究

动车组轴箱轴承是动车组转向架的关键部件,其运行品质直接影响动车组的运营安全.以深度学习算法为基础,利用轴承振动信号时间序列的特点和LSTM(长短期记忆网络)擅长处理时间序列的优势,通过构建LSTM模型对轴承的故障状态进行识别,开发了基于深度学习的轴承故障诊断预测软件,实现了轴承故障早期的分类与诊断.模型的仿真和试验表明...