基于云-神经网络的故障诊断算法及其应用

近些年,云模型在知识挖掘以及故障检测领域中得到了广泛地关注,但是在水轮机组的故障检测中,利用云神经网络的方法还很少见.本文针对传统的BP神经网络在水轮机故障诊断中的不足,提出了一种基于云-神经网络的水轮机故障检测算法.首先,根据云化层中的定性规则将输入定性概念转化为数值,并将云发生器层输出的定量数据传送到隐含层.接下来,并利用云神经网络的学习算法进行迭代计算,当误差值小于设定的阈值时输出故障检测结果.实验结果表明,在误差平方和的收敛速度以及检测的准确性方面,本算法都获得了令人满意的性能.     

基于综合测量的岩土坡体稳定裕度的研究

针对目前现有的地质滑坡的形成条件、诱发因素错综复杂,使用传统的测量手段存在实时性差,准确度低的情况,提出一种基于BP神经网络的滑坡预警模型。通过多个节点传感器综合测量得到滑坡发生的输入参数,对多组输入参数进行降维处理,并使用遗传算法调整输入层、隐含层以及输出层的权值和阈值,提高神经网络的训练精度,使得输出层的预测值更接近理想期望值。通过对多组神经网络的样本训练之后,对训练后的神经网络进行泛化,并将其投入到实际的应用场景,对地质滑坡进行预测分析。同时,搭建滑坡预警的信息采集显示系统,通过下位机多个节点采集传感器信号,传至主节点加以显示并在上位机监测软件实时显示。通过实验验证采用神经网络的智能学习算法,得到的预测结果与实际情况基本一致,验证了神经网络对于滑坡预测的切实可行性。     

基于神经网络技术预测锈胀开裂后混凝土中钢筋锈蚀量

根据BP神经网络原理,分析了神经网络数据,计算了神经网络输入与输出的相关系数,利用多维平面映射原理分析了神经网络输入与输出之间的神经元连接权重,对输入与输出数据进行了线性回归分析,并最终确定了神经网络的预测模型。结果表明:混凝土结构锈胀开裂后,混凝土中的钢筋锈蚀量与钢筋直径的相关性最高,与混凝土结构锈胀裂缝宽度的相关性最低。较之其他计算方法,神经网络模型预测的钢筋截面损失率与实测值误差较小,误差精度可以满足实际工程需要。     

基于BP神经网络的车险续保概率研究

为了研究预测某保险公司客户车险续保率,本文建立了BP神经网络,利用以往约14175条有效的客户续保记录对该网络进行训练、检验。采用Levenberg-Marquardt训练算法,通过Matlab编程,得到影响因素与客户续保率的非线性映射关系,当网络收敛为全局最优时,输入待预测的客户数据,得到客户续保率的预测值。通过计算实际输出与期望输出之间的均方差(MSE)进行误差分析,结果表明,该网络性能良好,预测准确率高。在实际应用中,利用BP神经网络对客户续保概率进行预测对公司销售策略和产品方案的优化有很大帮助。     

房地产销售价格指数的神经网络预测

房地产销售价格指数是指导业界活动和市场研究的有效工具,但是预测的准确程度一直是人们倍加关注的。人工神经网络是一门新兴交叉学科,近年来被越来越多的应用到了实际问题的预测中,显示出其广阔的应用前景,特别是人工神经网络具有预测非线性系统未来行为的巨大潜力。因此,本文提出了用人工神经网络对房地产销售价格指数进行预测的方法,首先将输入数据进行预处理,再利用多层前馈神经网络BP算法来研究人工神经网络在房地产销售价格指数预测中的应用问题,最后得出神经网络方法预测精度较高的结论。     

基于模拟退火神经网络的高校科技成果转化评估研究

通过构建科技成果转化评估指标体系,并借助于BP人工神经网络方法,实现对高校科技成果转化指标体系的综合评价。主要应用主成分分析方法(PCAM)对神经网络的输入层数据进行处理,使用模拟退火算法(SA)与神经网络结合的方法提高评价的精确度,并通过实证分析证明BP神经元网络在高校科技成果评估领域的的适用性。     

BP神经网络在股价预测中的应用

对BP神经网络方法在股价预测中的应用进行了研究,对BP神经网络的结构进行了介绍。针对BP网络学习速度慢,采用弹性BP学习算法和tansig传递函数提高了收敛速度。在仿真过程中通过MATLAB编程实现了BP神经网络对中国石油近一年交易日的数据的训练和测试,获得了一定的预测精度,对BP算法和改进后的BP算法在预测股票中的收敛性能和拟合程度进行比较,并用训练好的BP网络股市预测模型来预测其股票数据,达到了预测效果。     

多层模糊控制的电力机车发动机调度

在研究基于多层模糊控制的电力机车发动机调度方法中,传统的电力机车发动机调度算法采用经典控制模型或线性控制模型,鲁棒性差,无法达到最优的调度效能。为此提出一种基于多层模糊控制的电力机车发动机调度方法,采用多层模糊系统强大的输入输出非线性映射能力,在输入层,将输入数据模糊化为模糊控制器的输入数据,在输出层,将模糊控制器的输出解模糊为电力机车系统识别的控制信号,从而实现电力机车系统发动机的智能化调度。和传统的调度算法相比较,新调度算法具有更高的电能使用效率,约高于传统算法18%,算法响应时间短,稳定可靠,并且具有很强的鲁棒性,具有优越的应用性能。     

基于BP神经网络的印刷体数字识别研究

BP神经网络是一种误差逆传播算法训练的多层前馈网络,具备网络学习能力强、输入/输出模式映射关系存贮量大、事先不需要描述输入/输出映射关系等诸多优点的数学方程。本文通过BP神经网络的介绍,利用不变矩特征提取方法设计一种有效的BP神经网络印刷体数字识别演示系统,对印刷体数字识别的深入研究具有一定的指导意义。     

基于自适应RBF神经网络的电网变压器故障检测

变压器的故障诊断方法大部分以油中溶解气体为诊断基础,如目前较为常用的四比值法、三比值法等。但存在"编码盲点"、故障诊断准确度不够等问题。本文提出一种基于自适应RBF神经网络的电网变压器故障检测方案,算法输入层节点只会把信号传送到隐含层。在隐含层中,通常使用高斯函数来对所得到了输入向量响应。输出层则是使用一般的线性函数来对输出进行加权。这种模式是一种标准的前向网络模式,能够使得神经网络的输入空间与输出空间得到映射,进而为分类网络并实现函数逼近,提高了网络收敛速度。仿真实验结果表明,本文提出的自适应RBF网络在故障诊断的准确率以及诊断时间的表现皆优于BP、GA-BP神经网络,所在在变压器故障诊断时,可以优先考虑自适应RBF神经网络。     

基于GRU神经网络的供热负荷预测研究

供热负荷预测是实现智慧供热的关键技术之一,对降低供热能耗具有重要意义。本文以开封市J集中供热系统某换热站的2020年供暖季历史供热数据为研究对象,设计了基于门控循环单元(gate recurrent unit, GRU)神经网络的短期供热负荷预测模型。将1次侧供回水温度、室外温度、风速、天气情况、流量作为输入变量,供热负荷作为输出变量,前70%的数据作为训练集,后30%的数据作为测试集。通过MALTAB进行仿真模拟,并与传统的BP神经网络、Elman神经网络进行对比分析。仿真结果显示GRU神经网络预测模型MAPE为3.94%,RMSE为76.77,预测效果最佳。     

基于GRNN的网络出口流量预测

针对网络出口流量在时序上的复杂非线性特征,采用泛化回归神经网络GRNN（generalized regression NN）对网络流量时间序列进行预测。用自相关分析技术分析时间序列的延迟特性,据此确定GRNN神经网络的输入、输出向量,建立了基于MATLAB 6．5环境下GRNN神经网络的网络流量预测模型,并用黑龙江科技学院网络出口流量数据进行了验证。结果表明,该模型拟合精度和预测精度较高、计算速度较快。     

改进神经网络与小波分析结合的电力负荷预测方法研究及应用

本文充分考虑神经网络与小波分析的结合建立改进神经网络与小波分析结合的电力负荷预测模型,系统的不同输入数据通过不同的子模块预测,最终以预测结果初始化作为出口.输出的结果可以通过判断模块后再次作为负荷预测子系统的部分输入数据重复预测.实例结果表明该方法具有很高的预测精度和较强的适应能力.     

云计算环境下的大型智能交通调度方法研究

研究云计算环境下的大型智能交通调度问题。云计算环境下的大型智能交通网络在进行车辆调度的过程中,由于运算量过于庞大,造成交通调度效率降低,运输成本增加。利用传统的遗传算法进行交通调度的过程中,无法避免由于早熟和停滞的现象造成的影响,难以搜索到最优交通路线,从而降低了交通调度的效率。为此,提出一种基于神经网络算法的大型智能交通调度方法,根据约束条件建立神经网络模型,确定各神经层中神经元的输入与输出关系式,从而得到基于神经网络算法的最优交通调度方案。实验结果表明,利用改进算法进行云计算环境下的大型智能交通调度,缩短了交通调度完成时间,提高了交通调度效率,效果令人满意。     

深度学习神经网络在火电厂阀门故障诊断与预警中的应用

针对燃煤发电机组的重要执行机构阀门,通过深度神经网络算法对机组大量运行数据进行学习,构建重要执行机构阀门在全负荷工况下的精准数学模型,以深度神经网络模型预测值和皮尔逊相关系数判别为依据,实现重要执行机构阀门的故障诊断和早期预警。结果表明,基于大数据,学习和深度神经网络算法的数学模型有效地实现了对执行机构阀门的故障诊断和提前预警,指导运行人员进行提前干预和检修,减少机组的故障率。执行机构阀门故障预警的深度神经网络模型以执行机构阀门前的相关DCS参数、系统主要运行参数作为模型的输入变量;以执行机构阀门之后的参数作为输出量。选择机组在不同负荷工况下,执行机构阀门系统从打开到关闭的完整时间段内的大量数据,作为深度神经网络模型的训练数据。该方法具有较强的通用性,可以方便地平行移植至火电机组的其他重要辅机设备中。皮尔逊相关系数能反映数据变化的趋势信息,能判断两个向量或者两个数组相似度。以皮尔逊相关系数作为深度神经网络模型预测输出值与系统实际输出偏差距离的判据,可以很好地解决系统发生偏离后的预警问题,有效地提高模型预测的精度。     

基于灰色关联分析与主成分分析的BP网络模型及其应用研究

如何提高BP神经网络算法的预测精度与效率,始终是人们关注的一个重要问题。本文利用灰色关联度分析与主成分分析对BP神经网络的输入变量进行了预处理,提高了BP算法对于复杂经济问题的预测精度与效率。本文最后以中国房地产总量的预测问题为例,验证了模型的有效性。     

基于BP神经网络人脸识别系统的研究与设计

BP神经网络的结构一般包含三部分,分别是输入层、隐含层和输出层。BP神经网络除了具有强大的可操作性结构特点外,它还可以在网络结构中引入若干个隐含的节点。由此我们可以运用BP神经网络算法来构造所测试的人脸模型。     

实体-属性抽取的GRU+CRF方法

[目的/意义]研究利用深度学习的循环神经网络GRU结合条件随机场CRF对标注的中文文本序列进行预测,来抽取在线评论文本中的实体-属性。[方法/过程]首先根据设计好的文本序列标注规范,对评论语料分词后进行实体及其属性的命名实体标注,得到单词序列、词性序列和标注序列;然后将单词序列、词性序列转为分布式词向量表示并用于GRU循环神经网络的输入;最后输出层采用条件随机场CRF,输出标签即是实体或属性。[结果/结论]实验结果表明,本文的方法将实体-属性抽取简化为命名实体标注,并利用深度学习的GRU捕获输入数据的上下文语义以及条件随机场CRF获取输出标签的前后关系,比传统的基于规则或一般的机器学习方法具有较大的应用优势。     

基于改进的PSO-BP神经网络的桂林市物流预测研究

由于BP神经网络有收敛速度慢,容易陷入局部最小的缺陷,因此文章提出了一种改进的粒子群算法来优化BP神经网络的权值与阈值。使得预测模型能够在搜索最优解的过程中能够平衡算法的局部搜索和全局搜索,提高搜索的精度。对初步确定的输入指标和输出指标采用线性回归的方法,来筛选与输出指标具有强相关性的输入指标。通过MATLAB软件进行预测,比较标准的PSO-BP与改进PSO-BP模型,预测结果较好,说明改进的PSO-BP模型是有效的。     

基于改进BP神经网络的灌溉需水量预测研究

为了解决我国农业灌溉自动化程度不够高,灌溉用水量不够精确等问题。本文使用基于遗传算法改进的BP神经网络建立了灌溉需水量预测模型,选取了对灌溉需水量的主要影响因素作为输入数据进行仿真实验,实验结果表明,遗传算法改进的神经网络算法能够准确预测灌溉需水量。