导读:本文包含了自联想神经网络论文开题报告文献综述及选题提纲参考文献，主要关键词:AR模型,AANN模型,滚动轴承,FCM模型
自联想神经网络论文文献综述
周建民,张臣臣,张龙,郭慧娟[1]（2019）在《基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估》一文中研究指出滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。(本文来源于《机械设计与研究》期刊2019年01期）
张龙,成俊良,杨世锡,李兴林[2]（2019）在《基于时序模型和自联想神经网络的齿轮故障程度评估》一文中研究指出齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。(本文来源于《振动与冲击》期刊2019年02期）
刘娇,崔荣一,赵亚慧[3]（2018）在《基于自联想记忆与卷积神经网络的跨语言情感分类》一文中研究指出该文提出了一种以商品评论为对象的基于语义融合的跨语言情感分类算法。该算法首先从短文本语义表示的角度出发,基于开源工具Word2Vec预先生成词嵌入向量来获得不同语言下的信息表示;其次,根据不同语种之间的词向量的统计关联性提出使用自联想记忆关系来融合提取跨语言文档语义;然后利用卷积神经网络的局部感知性和权值共享理论,融合自联想记忆模型下的复杂语义表达,从而获得不同长度的短语融合特征。深度神经网络将能够学习到任意语种语义的高层特征致密组合,并且输出分类预测。为了验证算法的有效性,将该模型与最新几种模型方法的实验结果进行了对比。实验结果表明,此模型适用于跨语言情感语料正负面情感分类,实验效果明显优于现有的其他算法。(本文来源于《中文信息学报》期刊2018年12期）
刘志红[4]（2017）在《自联想神经网络算法在蛋白质结构取样空间中的应用》一文中研究指出蛋白质结构预测是蛋白质结构和功能研究工作的重要组成部分,对蛋白质药物分子设计、生物制药等方面有重要的意义。若已知同源蛋白质家族中某些蛋白质的结构,就可以预测其他一些序列已知而结构未知的同源蛋白质结构。通过序列比对,能够将长度不等的序列通过插入空位变成等长序列,这些空位位置代表了相比对的序列是从相同的祖先通过插入和删除等操作的演化而来,进而反应了在生物进化过程中的变异,突变现象。空位的出现会对同源蛋白质建模的尺度和精度产生很大影响,因此对蛋白质序列比对中缺失值的研究具有重要意义。对蛋白质缺失数据的填充在之前已经通过一些方法得到了很好的实现,如最邻近算法,自组织神经网络算法。这两种方法对蛋白质缺失数据均给予了合理的填充,并且在平均探究尺度上从62.9%提升到82.7%,研究精度从1.65?提升到0.88?。但是由于蛋白质的结构空间复杂,对蛋白质取样空间预测的计算量非常庞大,这使得计算过程比较耗时。为此,我们希望在能够合理对蛋白质缺失值填充的前提下,提高计算的速度,减少计算量。本文以自联想神经网络(Autoassociative Neural Networks,AANN)的非线性主成分算法为基础,综合考虑到蛋白质取样空间构造复杂和蛋白质列数据库的增长速度,本文采用一种基于改进的逆非线性网络模型(Inverse NLPCA Model)来实现缺失值的填充和效率提升,并对该网络模型采用共轭梯度算法优化以更进一步加快计算效率。(本文来源于《华北电力大学(北京)》期刊2017-03-01）
杨雨浓,修春波[5]（2016）在《联想神经网络的风速序列预测分析》一文中研究指出为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。(本文来源于《重庆大学学报》期刊2016年04期）
顾箭峰,邬晓光,李筠[6]（2016）在《温变影响下基于自联想神经网络的损伤检测》一文中研究指出为避免基于结构频率的损伤检测法因温变影响而出现误判,提出一种自联想神经网络(AANN)和奇异检测技术相结合的损伤检测方法,利用某桥梁结构健康监测(SHM)Benchmark试验结构的数值模型,分析温变和损伤对结构频率的影响,用温变影响下健康结构的前十阶竖向弯曲模态频率训练AANN来提取频率和温度的关系。为消除温变影响,构造网络输出与输入间的欧式距离作为损伤识别指标,对比结构未知状态和健康状态的指标值以判定结构是否存在损伤。通过在桥梁Benchmark结构中模拟多级损伤来验证该法的有效性,检测结果表明:该法不仅能可靠地检测温变影响下结构损伤的存在,且能定性地判别损伤程度的大小,并具有较强的抗噪声鲁棒性,可为实际桥梁结构的在线健康监测提供参考。(本文来源于《公路交通科技》期刊2016年04期）
贺彦林,徐圆,耿志强,朱群雄[7]（2015）在《基于自联想递阶神经网络的多输入参数化工过程软传感器(英文)》一文中研究指出To explore the problems of monitoring chemical processes with large numbers of input parameters, a method based on Auto-associative Hierarchical Neural Network(AHNN) is proposed. AHNN focuses on dealing with datasets in high-dimension. AHNNs consist of two parts: groups of subnets based on well trained Autoassociative Neural Networks(AANNs) and a main net. The subnets play an important role on the performance of AHNN. A simple but effective method of designing the subnets is developed in this paper. In this method,the subnets are designed according to the classification of the data attributes. For getting the classification, an effective method called Extension Data Attributes Classification(EDAC) is adopted. Soft sensor using AHNN based on EDAC(EDAC-AHNN) is introduced. As a case study, the production data of Purified Terephthalic Acid(PTA) solvent system are selected to examine the proposed model. The results of the EDAC-AHNN model are compared with the experimental data extracted from the literature, which shows the efficiency of the proposed model.(本文来源于《Chinese Journal of Chemical Engineering》期刊2015年01期）
娄岩,赵义武,宋玉贵,张为防[8]（2014）在《基于Hopfield自联想神经网络的天幕靶信号识别技术》一文中研究指出为了提高天幕靶系统测试精度和可靠性,探索测试产生各种干扰噪声如弹头激波、弹底激波、蚊虫飞鸟、振动等干扰因素的影响规律,利用Hopfield自联想神经网络的方法,识别并剔除典型因素干扰。通过对实弹射击试验得到的数据进行分析,充分验证了天幕靶系统的准确性和可靠性。分析结果表明:与电平信号识别相比,在射频为5发/min、口径为23 mm的炮弹测试中,自联想神经网络信号识别率提高了17.2%;在弹型为穿甲弹,口径为23 mm的测试中,Hopfield自联想神经网络信号识别率提高了46.7%;对于射频为7500发/min的天幕靶连发弹丸信号测试条件下,正确信号识别率均达到了93%以上。在复杂环境条件下,Hopfield神经网络算法识别率远远高于传统的电平识别,提高了信号的识别率,能够适应一定区域内的复杂环境因素。(本文来源于《兵工学报》期刊2014年10期）
高敏杰,詹晓北,郑志永,吴剑荣,金虎[9]（2012）在《基于自联想神经网络的毕赤酵母发酵过程两阶段故障诊断》一文中研究指出在毕赤酵母表达人血清白蛋白-人白介素-2融合蛋白(IL-2-HSA)过程中,诱导期甲醇浓度和pH值直接影响了IL-2-HSA表达量的高低和发酵过程的稳定。为了准确有效的控制这两个参数,本论文基于毕赤酵母诱导期的生理学特性和过程参数特征,提出了基于自联想神经网络的毕赤酵母表达IL-2-HSA过程的诱导期两阶段故障诊断。研究结果表明该诊断系统能够在线快速准确地诊断出毕赤酵母诱导期的各种故障。当系统提示出现故障时,离线分析,对比最优的pH值和甲醇质量浓度变化曲线,确定故障类型,采取相应措施。(本文来源于《食品与生物技术学报》期刊2012年06期）
李欢欢,司风琪,徐治皋[10]（2012）在《一种基于鲁棒自联想神经网络的传感器故障诊断方法》一文中研究指出提出一种可用于非线性系统建模的鲁棒自联想神经网络,将该网络映射层和解映射层分别作为2个子网络进行训练,提高了收敛速率。在网络训练目标函数中加入网络权值限制项,抑制了训练过程中网络权值的异常调整,提高了模型的准确性和鲁棒性。在解映射子网络训练结果集和原输入数据集中增加了扰动数据,构成映射网络的扩展训练样本集,提高了整个网络的鲁棒性。该文给出基于所提网络模型的传感器故障诊断方法及诊断流程,并以某300 MW机组热力系统为对象进行算例分析,结果表明该文方法应用于传感器故障诊断时能够实现对故障测点的快速准确定位,并对各变量值进行精确重构。(本文来源于《中国电机工程学报》期刊2012年14期）
自联想神经网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
齿轮是机械传动系统中的重要零部件,在役齿轮故障程度评估是机械系统剩余寿命预测和状态维修的基础。目前广泛研究的基于概率相似度量的故障评估方法存在过早饱和等问题,不利于在线监测。提出一种基于自回归时序模型(Auto-Regressive, AR)和自联想神经网络(Auto-Associative Neural Network, AANN)的齿轮故障程度在线评估方法,其中AR模型用于齿轮振动信号特征提取,AANN用于故障程度评估。提取基准阶段(如无故障阶段)振动信号AR模型系数作为AANN的输入和输出向量,得到基准评估模型。将待评估信号AR系数构成的特征向量输入到基准AANN,得到重构AR系数。基于原始AR系数和重构AR系数组成两个自回归模型分别对待评估信号进行时序建模,分别得到各自的模型残差序列。基于残差序列之间的差异,提出了一种基于残差均方根差值的故障程度定量评估指标。离散故障程度的齿轮振动数据分析结果表明,该方法能有效区分齿轮故障的不同程度;在此基础上利用齿轮全寿命周期试验数据进一步验证该方法的有效性,结果显示提出的方法能够及时发现肉眼没有观测到的早期故障,且随着齿轮性能的不断退化,能直观反映齿轮故障程度的加深。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自联想神经网络论文参考文献
[1].周建民,张臣臣,张龙,郭慧娟.基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J].机械设计与研究.2019
[2].张龙,成俊良,杨世锡,李兴林.基于时序模型和自联想神经网络的齿轮故障程度评估[J].振动与冲击.2019
[3].刘娇,崔荣一,赵亚慧.基于自联想记忆与卷积神经网络的跨语言情感分类[J].中文信息学报.2018
[4].刘志红.自联想神经网络算法在蛋白质结构取样空间中的应用[D].华北电力大学(北京).2017
[5].杨雨浓,修春波.联想神经网络的风速序列预测分析[J].重庆大学学报.2016
[6].顾箭峰,邬晓光,李筠.温变影响下基于自联想神经网络的损伤检测[J].公路交通科技.2016
[7].贺彦林,徐圆,耿志强,朱群雄.基于自联想递阶神经网络的多输入参数化工过程软传感器(英文)[J].ChineseJournalofChemicalEngineering.2015
[8].娄岩,赵义武,宋玉贵,张为防.基于Hopfield自联想神经网络的天幕靶信号识别技术[J].兵工学报.2014
[9].高敏杰,詹晓北,郑志永,吴剑荣,金虎.基于自联想神经网络的毕赤酵母发酵过程两阶段故障诊断[J].食品与生物技术学报.2012
[10].李欢欢,司风琪,徐治皋.一种基于鲁棒自联想神经网络的传感器故障诊断方法[J].中国电机工程学报.2012