模糊神经网络在故障诊断中的模型与应用

对一种基于模糊神经网络的故障诊断方法进行了研究，探讨了模糊神经网络诊断模型和模糊算子选择。以柴油机示功图作为特征信号，构造了船舶主机故障诊断仿真系统，并给出了系统知识学习和模糊推理结果。     

怎样区别事故与事故隐患

从事故与事故隐患的导同入手，阐述如何诊断或辨识事故隐患。     

基于神经网络的微硬盘双级系统辨识

鉴于微硬盘双级系统中音圈马达驱动器与微型驱动器间的耦合能力，利用神经网络对微硬盘双级系统的模型进行辨识，借助于BP网络和Elman网络的非线性处理能力分别对音圈马达驱动器和微致动器进行辨识，实验结果表明辨识模型的输出曲线能很好的模拟期望曲线。     

最优控制算法综合分析

最优控制,顾名思义就是使控制系统的性能指标实现最优化的基本条件和综合方法。它是庞特利雅金在1958年提出的最大值原理和贝尔曼的动态规划的基础上,立足于状态变量法,解决复杂的系统问题,使其达到最优的指标。     

电力负荷预测神经网络模型的设计

为提高电力负荷预测精度,本文采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

基于改进BP神经网络的煤与瓦斯突出预测模型

煤与瓦斯突出已成为危害煤矿安全的重大灾难之一,工作人员对瓦斯突出灾难的预防工作已是现在重要的研究项目。目前的瓦斯突出预测工作中,不同程度的有着一些对预测精确度造成影响的因素,如逻辑推理组合效率低等。利用BP神经网络结合瓦斯突出样本建立了一个预测模型,对BP神经网络算法进行了改进,最后根据提供的某煤矿的数据作为样本,利用MATLAB软件对其进行仿真测试,所得到的预测值和实际值拟合程度较高,可以反映出煤与瓦斯突出的真实情况。     

基于改进神经网络的图像生物特征识别方法

在图像的固定生物特征识别过程中,传统的识别方法针对像素质量不高的问题,很难建立完整的寻优计算过程,识别效果不好。提出基于改进神经网络算法的图像特征识别方法。通过量子计算对神经网络进行优化,优化神经网络在特征识别中的阀值确定过程,完成图像识别。实验结果表明,利用改进的算法进行图像特征识别,能够极大的提高生物特征识别的准确性,扩展了应用的范围。     

DELTA势阱改进QPSO优化BP算法及其应用

为了改进BP算法预测性能,提出QPSO-BP模型.该模型采用DELTA势阱改进的量子粒子群(QPSO)算法优化BP网络的权值与阈值,然后利用各年的GDP数据进行训练和预测.结果表明:经过DELTA势阱改进的QPSO优化BP算法模型比PSO-BP模型和BP神经网络更稳定,预测精度更高且泛化能力更强.与文献中所用模型的运算结果相比较,这种改进模型运算结果的相对误差和平均误差更小,在准确性上也有一定的优势.