人工神经网络在故障诊断系统中的应用

人工神经网络以其独到的联想、记忆、储存和学习功能，在故障诊断领域受到了广泛关注。其中，BP网络是最成熟、应用最广泛的一种网络。但BP网络在实际应用中也存在诸多不足，如学习率的取值需要凭借经验或试算选取，网络学习收敛速度慢以及易陷入局部最小点等。针对BP网络的这些不足，采用了Rumelhan附加惯性冲量和动态调整学习率相结合的改进的BP网络方法，并尝试用该改进算法来对凝汽器进行故障诊断。事实证明，在平均情况下，本系统收敛速度远远快于基本的BP算法。     

Wasserman自适应学习率算法的改进

在Wasserman自适应学习率算法的基础上提出一种新的BP网络改进算法--分层自适应学习率附加动量项算法,并应用该算法建立了凝汽器故障BP网络诊断模型.仿真结果表明该算法较之Wasserman自适应学习率算法能进一步提高网络的学习速度.     

改进的BP网络及其在电路故障诊断中的应用

BP神经网络在模拟电路故障诊断中的应用是一个十分热门的研究课题，但BP网络自身的学习收敛速度慢、容易陷于局部极小等缺陷则限制了其应用。提出了一种改进型的BP网络诊断模拟电路故障的方法，详细介绍了自适应学习率动量法，对模拟电路故障进行诊断和分析研究。最后，给出了仿真实例，验证了自适应学习率动量法加快了样本学习收敛速度，具有更好的实时性和诊断效率。     

船用计程仪信号传输系统的神经网络故障诊断算法

计程仪信号传输系统是由步进电机通过齿轮带动多个旋转变压器。为实现对其故障的智能诊断,提出一种基于BP神经网络算法的故障诊断方法,并采用LM(Levenberg-Marquardt)最优化算法对BP网络进行训练。通过Matlab神经网络工具箱仿真计算,结果表明LM算法提高了BP神经网络的学习效率及稳定性,明显加快了网络的收敛速度。使用BP神经网络对步进电机带动多旋变系统故障诊断的方法行之有效,在减少故障诊断人员工作量同时提高了系统故障诊断的效率。     

基于神经元网络的钻杆热处理温度信号校正

神经网络是非线性系统建模的重要方法。反向传播（BP）算法常常用于神经网络的权值训练中，但是BP算法收敛慢。为此，将非线性最小二乘法用于前馈神经网络的权值学习。采用这一建模方法对石油钻杆在热处理中的温度测量偏差进行校正。研究结果表明，该方法具有很快的收敛速度和很好的拟合精度，适用于工业过程中测量信号的在线校正。     

波浪补偿平台垂向位移的短时预报

针对BP算法存在收敛速度慢和局部极值的问题,采用此方法对BP学习算法进行改进,结合实验采集的数据进行仿真计算,结果表明采用此方法可以有效地提高Elman网络的训练速度和稳定性,使El-man网络能够更有效地对波浪补偿平台垂向位移进行短时预报。     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。     

一种基于BP神经网络的机动目标跟踪算法

交互式多模型（IMM）算法是一种可以有效跟踪机动目标的滤波算法,针对其跟踪精度和计算量在很大程度上受制于模型选择和转移概率确定的问题,提出了一种利用BP神经网络修正子模型滤波结果的改进IMM算法。仿真实验表明,该方法可以使IMM算法的收敛速度加快,收敛精度提高,改善了跟踪性能,具有一定理论指导意义。     

基于混合学习算法的水下机器人神经网络辨识

借鉴Elman和Jordan神经网络的特点,构造了一种新的动态神经网络.该网络能对隐含层的历史进行状态记忆,实时调整过去的信号对现在值的影响,并且增加了输出层节点的反馈以增强神经网络的信号处理能力.将基于遗传算法(GA)和误差反传算法(BP)的混合学习算法用于神经网络权值的修改,既可提高收敛速度又能避免陷于局部极小值.最后,将改进的神经网络应用于水下机器人动力学模型辨识,仿真结果表明,基于混合学习算法的神经网络提高了学习的收敛速度和辨识精度.     

粒子滤波在机动目标自适应参数辨识算法中的应用

针对目前机动目标跟踪算法无法有效跟踪反舰导弹末段机动的问题,提出一种引入粒子滤波算法的参数辨识模型.通过仿真分析目标作匀速圆周运动情况下该算法的跟踪性能.结果表明,该算法可有效提高跟踪收敛速度和精度,具有一定工程实际意义.     

基于小波网络专家系统的船舶电站机组故障诊断研究

船舶电站机组的动力学模型比较复杂,其动态模型难以精确得到,依据小波网络的非线性逼近能力的自学习特性,提出了用小波网络专家系统对船舶电站机组故障进行诊断的方法,通过对柴油机冷却系统的故障机理分析,得到其故障征兆集、故障原因及它们之间的关系,通过对系统计算机仿真和分析,结果表明,采用小波网络的收敛速度远远高于BP网络的收敛速度,改进后的小波网络算法有效的避免了震荡的出现,平滑作用明显.     

基于集员估计理论的神经网络学习算法

针对前馈神经网络BP算法在处理非线性对象时,收敛速度慢,易陷入局部极值,需调节参数多等缺陷,提出了将最优定界椭球(OBE)算法引入到神经网络的学习中,该算法比BP算法在收敛速度,精度方面都有显著提高,仿真结果证明了此算法的有效性。     

灰色系统与神经网络算法相结合的分析与研究

采用BP神经网络对模型参数进行预测,算法的学习训练速度和建模时间比较长;采用灰色系统理论对模型参数进行预测,对数据信息的学习和训练能力比较有限,两种算法都存在各自的缺陷,为了提高模型中参数的收敛速度和估计精度,本文将灰色系统理论和BP神经网络算法相融合,通过仿真可以看出,模型参数的估值精度比较高,误差较小,证明了该算法的有效性和鲁棒性。     

改进的变步长LMS自适应滤波算法

针对解决LMS(Least Mean Square)自适应滤波算法收敛速度及未知系统时变跟踪速度与稳态误差的矛盾,改进步长因子μ(n)与误差信号e(n)的非线性映射关系,提出一种新的变步长LMS算法。执行该算法时系统初始阶段或未知系统时变阶段步长自动增大,而稳态时步长缓慢变小,提高了收敛速度和时变跟踪能力,克服了稳态误差偏大的缺点。理论分析及实验结果表明,新算法的收敛、跟踪速度及稳态误差性能均优于现有常见的几种LMS算法。     

神经网络用于船舶操纵动态特性学习的研究

本文针对BP网络存在的一些问题，提出一种单层神经网络结构，通过大量的仿真试验，对两种网络在学习、预报和适应参数变化等方面的特性进行了对比。结果表明单层神经网络用于学习船舶操纵动态特性，具有收敛速度极快、预测误差较小、能快速跟踪参数变化等优点，可用于船舶操纵特性的实时学习。     

神经网络在船舶主柴油机建模中的应用

该文研究用BP神经网络建立船舶主柴油机模型的方法,并对BP算法进行了改进,提出了一种动态优化学习率的方法,对6L80MC柴油机实际数据用BP网络进行计算的结果表明,该算法能有效地建立船舶主柴油机模型。该模型已成功用于船舶主机遥控仿真系统中。     

一种自适应LMS滤波的改进算法

在传统的ＬＭＳ（Ｌｅａｓｔ Ｍｅａｎ Ｓｑｕａｒｅ）算法中,固定步长选取影响收敛速度与稳态误差,而且两者不可兼得。为此,本文提出了一种改进的ＬＭＳ算法。在计算机仿真知适应信道均衡中,该算法的性能显示优于传统的ＬＭＳ算法,布景一增加甚少。理论分析与计算机模拟证实了该算法的优越性。     

水下传感器网络覆盖优化算法

针对水下传感器网络随机部署时节点分布不均匀、网络覆盖率不高问题,提出一种基于改进全局人工鱼群算法的网络覆盖优化算法。优化算法以覆盖率为目标函数自适应调整人工鱼移动步长,同时在向最优人工鱼靠拢过程中引入权重系数,提高算法寻优精度和收敛速度。实验结果表明,与遗传算法和鱼群算法相比较,该改进算法优化了网络覆盖率,加快了算法收敛速度,提升了网络性能。     

小波包与神经网络组合的判决反馈均衡算法

以电子战为背景，将小波包变换与RBF网络相结合，提出了一种新的判决反馈均衡算法，并将其应用于雷达信号的处理。仿真结果表明，该算法收敛速度较快，能满足电子战情况下，雷达探测信道均衡的复杂要求。     

混合智能控制技术在船舶电站励磁控制中的应用

将混合智能控制技术应用于船舶电站同步发电机励磁控制，通过一种结合自组织学习和BP学习的混合学习算法，学习并调整控制器参数和结构，该算法比通常的BP算法收敛性好，速度快。仿真结果表明，该算法能很好地稳定机端电压。