水电机组振动故障的粗糙集-神经网络诊断方法

针对当前水电机组故障原因复杂,实际监测数据量大,采用神经网络方法进行机组故障诊断存在网络结构复杂、训练时间长、诊断困难的问题,文章将粗糙集理论引入到水电机组故障诊断中,提出了基于粗糙集理论与RBF神经网络相结合的水电机组故障诊断方法。在保持分类能力不变的前提下,用粗糙集理论对故障信息进行约简处理,然后用RBF神经网络对预处理后的故障信息进行诊断,使神经网络的输入神经元数目明显减少,其结构得以简化。通过对某电站实测机组数据进行离线故障诊断,证明该诊断方法有效提高了机组故障诊断的效率和准确性。     

基于蚁群算法的RBF神经网络在冲量式谷物流量传感器中的应用

针对压力传感器存在温度漂移的问题,提出了一种基于蚁群算法的RBF神经网络优化算法。首先根据压力传感器测量电路得到电压U_b与电流I的关系,因其存在很大的温度误差,须要采用适当的补偿方法对外界温度造成的误差加以修正。然后通过压力传感器输出电压U与温度T、压强P、电源波动γ的关系建立压力传感器温度补偿模型,分别在18.4、32.5、41.8、65.6℃共4个温度点进行试验数据采集并对试验结果进行归一化处理。最后利用蚁群算法进行寻优和自适应调整发挥系数的特点作为聚类算法确定RBF神经网络基函数中心,选取BP算法、RBF算法、基于蚁群的RBF算法3种方法对压力传感器进行非线性温度补偿仿真试验。结果表明:基于蚁群算法的RBF神经网络模型补偿精度最高,收敛速度最快。将此研究应用于冲量式谷物流量传感器中,可大大提高传感器的稳定性和准确性。     

基于径向基函数网络的变量施肥决策研究

应用RBF神经网络模型训练数据,进行施肥决策,并对神经网络训练的数据及其结果进行分析。结果表明,基于RBF神经网络建立的土壤养分、施肥量与产量之间的关系模型,具有较好的估计结果,可用于指导变量施肥。     

基于粒子群优化RBF神经网络的水轮发电机组振动故障诊断

【目的】针对单一径向基(RBF)神经网络在水轮发电机组振动故障诊断中泛化能力不足的缺点,提出基于粒子群(PSO)算法优化的RBF神经网络。【方法】利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对水轮发电机组振动故障进行仿真诊断。【结果】仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快。【结论】PSO算法优化的RBF神经网络,适用于水轮发电机组振动故障诊断,其诊断精度较高,具有推广应用价值。     

1种基于可变精度粗糙集的网络入侵检测模型

当前各网络入侵检测算法的准确率仍不尽人意;针对此问题,提出1种基于可变精度粗糙集(Variable Precision Rough Set)的网络入侵检测模型.模型通过粗糙集对不确性数据进行筛选,再利用粒子群算法对数据进行约简,然后再根据设定的阀值,用可变精度粗糙集导出规则并得到检测结果.实验结果表明,本模型运用的粒子群算法数据约简速度高于利用遗传算法的同类模型,且基于可变精度粗糙集的入侵系统检测准确率比基于非可变精度粗糙集的检测系统高.     

基于连续型条件属性的模糊规则约简算法

针对粗糙集对于连续域属性决策表的处理能力差以及不容易获得模糊集之间关系等问题,提出一种把模糊集和粗糙集结合起来的连续型条件属性模糊规则约简算法。该算法首先引入三角隶属度函数将连续属性值转化为模糊值,并使用离散模糊神经网络方法获得数据集之间关系。实例验证表明,采用该算法,用户可以根据实际决策需要和领域知识更改阈值,从而获得满意的模糊规则结果。     

粗糙集神经网络在昆虫总科阶元分类学上的应用

为研究粗糙集和神经网络相结合方法的实践性,以及昆虫的数学形态特征在总科阶元上作为分类特征的可行性、可靠性和重要性。从总科角度对鳞翅目(Lepidoptera)和鞘翅目(Coleoptera)5个总科23种虫体图像中提取的昆虫面积、周长等11项数学形态特征进行粗糙集神经网络分析。结果表明:在总科阶元上,11项特征的可靠性大小为,面积、亮斑数>周长、横轴长、形状参数、圆形性、似圆度、偏心率>纵轴长、叶状性、球状性,与赵汗青等的统计分析结果中属性特征的重要性大多数一致;神经网络模式识别结果与传统分类结果完全一致。应用粗糙集理论进行昆虫数学形态特征分类结果准确;在昆虫总科阶元分类上粗糙集神经网络较统计学方法具有优势。     

一种适用于模式分类的模糊粗隶属函数神经网络

在设计模式分类器时,由于很难甚至不可能获得实现精确分类的所有必要的本质特征属性,使得在进行分类时出现模糊不确定性和粗糙不确定性并存的情况.基于模糊粗糙集理论,本文构建了一种模糊粗隶属函数神经网络FRMFN.该网络融合了模糊信息和粗糙信息的处理能力,在对加拿大Norman Wells地区的红外波段合成图像进行分类的测试中,显示FRMFN网络具有比相应RBF网络更好的分类精度,同时保留了RBF网络学习速度快的优点.     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

基于 RBF 神经网络的钢构件质量追溯系统研究

提出一种基于RBF神经网络的数据挖掘方法，将RBF神经网络应用于数据挖掘的分类和预测中，解决钢构件过程中的性能预测问题。其中用黄金分割法确定基于RBF神经网络的隐层节点数，减少该算法的计算复杂度，最终将其应用于某钢铁企业质量控制系统。构建对钢构件质量检测的数据挖掘及质量追溯平台,该平台是基于RBF神经网络的数据挖掘技术的。实际应用证明，产品的质量合格率可达到96.27%,符合国家相关的标准和技术指标。     

1种基于可变精度粗糙集的网络入侵检测模型

当前各网络入侵检测算法的准确率仍不尽人意；针对此问题。提出1种基于可变精度粗糙集（Variable Precision Rough Set）的网络入侵检测模型。模型通过粗糙集对不确性数据进行筛选。再利用粒子群算法对数据进行约简，然后再根据设定的阀值，用可变精度粗糙集导出规则并得到检测结果。实验结果表明。本模型运用的粒子群算法数据约简速度高于利用遗传算法的同类模型，且基于可变精度粗糙集的入侵系统检测准确率比基于非可变精度粗糙集的检测系统高。     

基于改进的神经网络预测气候因子对大青杨早材纤维壁厚度和生长速率的影响

为更好地判断气候因子对木材的材质和生长规律的影响,采用径向基函数(RBF)神经网络模型进行模拟,在此基础上提出了一种自适应RBF神经网络以提高拟合精度。结果表明:基于自适应RBF神经网络建立的早材胞壁率及生长速度影响对气候因子响应模型,可以很好地改进传统RBF算法的不足,此算法能较准确的预测人工林大青杨的生长规律,且相比于传统RBF其仿真速度得到显著提高,误差显著减小。     

基于RBF神经网络的池州市降水序列预测

时间序列预测分析方法是进行预测预报的有效工具,有着广泛的应用。针对时间序列的非线性、动态变化等特征,基于RBF神经网络对时间序列预测方法进行改进,并以安徽省池州市1959～2009年来的月降水量为时间序列数据样本,用MATLAB软件编程,采用基于随机选取中心的RBF神经网络预测方法,对池州市的月降水量进行预测,并选择不同的扩展速度参数,用均方误差进行检验。通过与BP网络模型的预测结果比较分析,表明RBF模型的预测效果较好。建立的基于随机选取中心的RBF神经网络模型,不需要计算原始时间序列数据的复杂函数关系,具有操作简单、学习速度快、短期预测精度高等优点,用于时间序列预测方面能够获得十分满意的结果,具有很高的应用价值。     

粗糙集和神经网络理论在数据挖掘中的应用分析

本文对数据挖掘的两种重要新方法粗糙集理论和神经网络以及它们的应用进行了分析、比较,总结出每种算法的性能特征,以便于使用者了解掌握各种分类算法、更好地选择合适的算法。     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

基于核函数的SVM猪肉颜色等级评定研究

 为了实现用计算机和机械设备进行猪肉颜色自动化分级,本研究对猪肉样品照片进行图像处理,提取其中颜色特征参数,并进行色彩空间参数换算。通过对基于核函数的3种SVM多分类方法进行比较,选择出最适合于猪肉颜色的SVM多分类评定方法。对比结果显示,采用单独的HSV数据及RGB与HSV联合数据进行分类,分类效果好于RGB数据。RBF核函数“二叉树”SVM多分类模型,经过样本学习后,其分类的正确率可达98%;同时考虑经验风险和置信风险,其分类正确率达80%。     

基于RBF神经网络的土壤含水量传感器标定方法(英文)

土壤含水量时空变异对作物生长、农田气候变化等领域的研究具有重大意义。为了克服TDR-3土壤水分传感器输出电压的非线性缺点,提高土壤含水量数据采集以及计算效率,该研究将TDR-3土壤水分传感器与无线传感器网络结合,提出了土壤水分含量的RBF神经网络标定方法。以20个带标号的水杯作为承载砖红壤土和水的载体,对其中的样本进行数据采集,经多次测量取平均值。为验证标定算法的准确性,同时列举出以土净重、加水质量、水分含量TDR-3测量值为属性,以测试水土比值为目标训练样本,以RBF神经网络为标定算法的拟合结果。为了更直观地展示试验结果,以散点图方式分别展示水分含量TDR-3测量值与实际水土比的TDR-3土壤水分含量曲线;水分含量TDR-3测量值与RBF神经网络拟合水土比的RBF神经网络拟合土壤水分含量曲线;以及实际水土比与RBF神经网络拟合水土比的散点图。为验证RBFNN拟合水土比值的相关性,引入皮尔逊相关系数。5次试验,得到5组皮尔逊相关系数,分别为0.9745,0.9832,0.9798,0.9804及0.9789,都接近于1,说明真实测试数据与拟合数据相关性很强,且为正相关关系。可见,该法能取得较好的标定效果,并且简单、实用、可行,为土壤含水量的实时监测提供了一种有效的方法。     

基于时间序列与RBF的农产品市场价格短期预测模型

为协助生产者更好地播种和收获,有效把握国内农产品价格波动规律,提高农产品价格预测精度.本文构建了基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型,以ARCH、Holt-Winters无季节模型时间序列组合预测方法揭示农产品价格序列线性特征,以RBF神经网络揭示农产品价格非线性变动规律,并以1997-2011年全国农产品集贸市场大豆月度价格走势数据为例进行实验验证.研究结果显示,基于农产品价格时间序列组合预测方法与RBF神经网络的集成预测模型精度高于时间序列组合预测方法或RBF神经网络模型,是一种有效的农产品价格预测模型.     

基于小波包的频带能量特征提取及智能诊断

提出一种基于小波包和BRF神经网络的智能故障诊断方法。对滚动轴承故障信号进行小波包分解，选择合适的小波基函数和尺度，将故障信号分解到八个不同的频段上，提取这八个频段上的能量信息，组成特征问量，作为RBF神经网络的输入；建立RBF神经网络模型并进行训练，对三种滚动轴承故障信号进行智能分类与识别。实验结果表明这种智能诊断方法有效可行。     

基于GoogLeNet和无人机图像的水稻秧苗形态识别

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。