基于粗糙集-BP神经网络的发动机故障诊断

由于发动机光谱分析监控数据中磨损微粒种类过多,如果将这些微粒信息直接作为神经网络的输入,则存在输入层神经元过多、网络结构复杂等诸多问题。本文将粗糙集引入到发动机故障诊断中来,利用粗糙集在属性约简方面的优势,删除冗余磨损微粒,提取出重要磨损微粒,并将其作为BP神经网络的输入,建立发动机故障诊断模型。该方法降低输入层的神经元个数,简化了网络结构,缩短网络训练时间,并且由于剔除了冗余磨损微粒,减少了由该部分微粒信息不准确而带来的误差,有效提高了故障诊断的精确度。最后通过算例分析验证了相关算法和诊断模型的准确性和有效性。

基于改进的模糊C均值的BP分类器设计

提出了一种基于改进模糊C均值的BP神经网络分类器的设计,通过改进的模糊C均值算法对大量的数据进行聚类划分,然后设计BP神经网络对划分后的数据进行训练和测试,最后由计算机进行综合判断.试验证明该分类器是有效的,可以对高速公路车辆的车型进行迅速判别.