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。     

改进的BP网络及其在电路故障诊断中的应用

针对标准BP算法收敛速度慢、容易陷入局部极小值的缺点，提出了改进的BP算法——Levenberg-Marquardt算法，并将其应用到电路故障诊断问题中。实例仿真验证了改进算法在训练次数和训练时间上具有明显的优势，同时也能保证故障诊断准确率，具有良好的效果。     

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.     

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BP网络的线性电路软故障诊断

线性电路的软故障诊断一直是个难点,BP神经网络可用于模式识别和分类。本文主要介绍了BP网络的基本算法、训练过程及其改进,分析了BP网络在模拟电路故障诊断中的实用性。     

U—D分解渐消记忆滤波神经网络控制器在船舶操纵中的应用

针对前馈网络BP算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于U－D分解的渐消记忆推广Kalman滤波学习新方法。与EKF相比，该方法不仅大大加快了学习收敛速度，数值稳定性好，而且比BP算法需较少学习次数和隐节点数，学习效果也更好，将这种学习算法应用在船舶操纵的神经网络控制器中，仿真结果表明该方法是提高网络学习速度改善学习效果的一种有效方法，可有效解决非线性系统的控制问题。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

基于BP神经网络自适应控制系统的改进与优化

本文针对BP(Back Propagation)神经网络在控制系统应用中存在的一些诸如收敛速度慢、局部极小点等不足,提出了附加动量法以及自适应的学习速率法等算法,并对该算法的原理模型以及工作流程进行了研究和设计,同时对该算法在PID自适应控制系统中应用进行了改进和优化.     

基于FNN的船舶舵伺服系统故障诊断研究

分析某型船舶舵伺服系统的故障信息,建立了模糊神经网络故障诊断模型.利用模糊逻辑处理数据以便于充分利用经验知识;利用神经网络诊断,避免了复杂故障树诊断系统的"匹配冲突"、"组合爆炸"和"无穷递归"等问题,并采用改进的BP算法训练神经网络,解决了收敛速度和收敛振荡的问题.诊断实例结果表明:该故障诊断系统具有较强的鲁棒性和泛化能力;该算法采用无模型化诊断,容易实现自学习,可不断完善系统性能,具有一定的理论和工程应用价值.     

优化的BP网络在船舶故障诊断中的应用

船舶各种设备故障的早期诊断和预测,对船舶的安全运行具有非常重要的意义。由于船舶上设备繁多,运行环境特殊,因此,各种设备的故障症状与故障原因之间关系十分复杂,使用传统诊断方法在实际应用中效果不理想。BP神经网络在故障诊断中有广泛的应用,但由于BP网络采用的是沿梯度下降的搜索求解算法,存在收敛速度慢,且容易陷入局部极小等问题。而遗传算法具有全局搜索速度快的优点。为此,采用自适应遗传算法来优化BP神经网络,并以船舶主机轴系的故障诊断为实例,证明遗传算法优化的BP网络方法非常适用于对船舶各种设备故障的早期诊断和预测。     

船舶操纵性神经计算

利用人工神经网络完成从船舶参数空间到船舶操纵性指标空间的映射。作为输入参量的船舶参数具有一定的自由度,比较符合船舶设计的循序渐进过程。本文采用３层９隐节点ＢＰ网络,９艘次实船资料的拟合结果的精度为０．６１３７（单项平均平方误差）。对船舶操纵性预报进行了初步研究。利用８艘散货船的训练结果,对另１艘同类船舶的回转试验的进距、横距和战术直径进行了预报。     

神经网络在通信干扰效果评估中的应用研究

人工神经网络具有学习、记忆等仿生特点，可以通过对已知问题及结论进行学习，并把结果为知识记忆下来，得到内在的因果映射关系，遇到类似问题时，直接用学习到的知识进行处理，得出结论。针对通信干扰效果评估中不易得到因果关系的显式解析表达式，研究了把以前测试通信干扰效果的数据作为知识，通过BP型神经网络进行学习，拟合出干扰效果与影响因素之间的映射关系，避开求解析表达式，从而建立干扰效果评估模型，对干效果进行评估。     

小波分析和神经网络在超声波检测中的应用

疲劳断裂是港口起重机最常见,也是最危险的故障。超声波检测是一种重要的日常检测裂纹故障的方法。小波分析和人工神经网络的引入,让检测得到了从定性到定量的提高。运用小波分析从超声波检测装置提取的信号,得到的特征值可作为神经网络的输入参数,用于训练和识别。实践表明,通过这种智能诊断系统可以得到令人满意的定量的诊断结果。     

对ANN技术表达船体曲线算法的改进

应用人工神经元网络（ANN）技术表达船体曲线。根据问题性质,选用小波基作为前向单层神经网络的神经元激励函数,结合逐层学习（OHLO）算法对一艘3．6万吨散货船的后半体进行了表达。编程运算结果表明,该方法速度较传统的BP算法有较大提高。     

基础沉降的组合预测法

通过对基础沉降的发生过程、特点及灰色Verhulst模型特点的分析,提出可以根据施工过程中的观测资料,运用基于BP神经网络的组合预测模型对不同时刻的基础沉降进行预测;首先分别利用灰色Verhulst模型和BP神经网络模型对基础沉降进行估算,然后利用人工神经网络中的BP神经网络对采用前2种模型所得的结果进行组合预测。计算实例表明,使用该组合预测方法所得到的预测结果比单独使用灰色Verhulst模型或BP神经网络模型所得到的预测结果的总体误差要小,因而该方法是可行的、有效的;可以运用到实际工程中。     

神经网络自适应控制算法的研究和MATLAB仿真

本文针对神经网络系统跟踪输入信号时,由于误差总是存在导致学习过程难以结束的特点,以一种用BP 网络逼近对象的学习算法为基础,结合相应的控制算法加以改进,并得到了一种快速学习因子的选择方法。结合不同对象通过MATLAB进行仿真,均获得了满意的效果。仿真和分析表明,该算法能保证系统具有良好的动态品质。     

改进的BP神经网络在船舶与海洋工程中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.在数值预测方面,它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行预测.文章介绍了BP神经网络,并针对实际应用中收敛速度慢,平台效应等问题对网络进行了改进并优化,详尽地给出了改进的三层BP神经网络数值预测算法.为测试该算法.选用了著名的XOR(异或)问题和和一个高度非线性的0-1矩阵预测问题对其进行了验证.计算结果表明文中算法能给出令人满意的精度.最后结合船舶与海洋工程的两个实际问题,探讨了利用改进的BP神经网络进行数值预测的方法和应该注意的问题,并给出了一些有益的建议.实践表明,文中给出的改进的BP神经网络数值预测算法值得在船舶与海洋工程中加以应用并推广.     

基于神经网络和混合编程的整流桥故障诊断研究

本文介绍了采用VC＋＋和MATLAB混合编程实现对三相整流桥进行故障诊断的方法。该方法通过VC＋＋调用MATLAB引擎来驱动神经网络,将神经网络、数据采集及人机接口结合起来,对三相整流桥的故障进行在线诊断。试验证明,经过足够的样本训练,采用三层BP神经网络能达到一定的准确度。     

神经网络在单桩承载力预测中的应用

运用基于BP神经网络的组合预测模型对PHC桩的极限承载力进行预测。分别利用灰色GM(1,1)模型和BP神经网络对桩在荷载作用下的沉降进行估算,然后利用人工神经网络中的BP网络对所得的结果进行组合预测;最后利用Lagrange算法计算桩的极限承载力。计算实例表明,使用该组合预测方法所得的预测结果比单纯使用灰色GM(1,1)模型或神经网络模型所得结果的总体误差要小,因而该方法是可行的、有效的。     

BP神经网络对船舶远程监控系统的改进分析

为了满足公司对于远洋船舶更加有效监控的要求,应用BP神经网络对监控系统加以改进,使船舶远程监控系统发出预警信号,并能在船舶上报警.此时,相应参数识别码也能够第一时间到达岸上公司,岸上公司即能在最佳时间协助船舶对设备进行维修.BP神经网络在远程监控系统的应用分析过程中,以6缸柴油主机排气温度变化趋势为模型,利用BP神经网络良好的学习特性,建立了排气温度变化的持续升高预警模型及其他非预警模型.分析表明,此种方法适用于远洋船舶的远程故障监测及船舶系统故障预测.