局部气象参数实时数据是船舶航行、飞机起降所需要的非常重要的海洋气象参数。这些参数实时数据中的奇异数据对航行导航可能会导致危险后果。提出了一种基于径向基概率神经网络的气象重要参数状态识别方法用来识别奇异数据。将气象参数实时数据作为神经网络的输入，参数对应状态作为输出，通过对径向基概率神经网络模型训练，实现数据状态识别，将故障奇异数据进行有效识别。保证了气象观测系统输出数据的可靠性。实验结果表明，该方法可靠，且具有较好的泛化能力，能够实现气象参数实时数据状态的有效识别。

为了提高柱塞式液压泵的故障诊断效率和准确性,提出了SA-EMD-PNN柱塞泵故障诊断方法。提取各种状态下振动信号的特征参数,并对所提取特征参数进行敏感度分析(SA),找出敏感度较高的特征参数;对原始故障信号进行经验模态分解(EMD)结合,构造新的故障信号,再提取敏感度高的特征参数;将所提取特征参数以向量的形式输入概率神经网络(PNN)进行训练和测试。实验表明,SA-PNN方法能快速、有效的诊断出柱塞泵故障,减少诊断时间;而SA-EMD-PNN能在SA-PNN的基础上提高正确率。

针对复杂环境下飞机的液压管路系统在故障诊断时存在的各种问题,提出一种基于概率神经网络的液压管路系统泄漏故障的诊断方法。在飞机液压管路系统中主要产生的故障是由于管路系统的振动导致的管路破裂、泄漏等。对飞机液压管进行建模,分析其工作状态下不同液压泄漏故障程度时的固有频率,选取前5阶固有频率作为故障诊断的特征值;构建PNN概率神经网络诊断模型,利用测试样本进行故障诊断实验。结果表明,该方法对液压管路故障具有较高识别率。该研究为液压管路系统的故障诊断提供了参考。

为实现复杂光照及存在遮挡和污损等情况下车牌识别，提出基于隐马尔可夫特征降维和改进概率神经网络的车牌字符快速精确识别算法，算法通过非负矩阵分解对描述字符特征的高维隐马尔可夫特征进行降维，以消除高维特征矩阵信息冗余并提高特征描述准确性，通过择取代表性样本参与PNN训练，以提高算法的分类精确性，减少硬件性能需求。对比实验结果表明，算法在保持原有统计特征分类识别性能的条件下，显著减少了运行时间，提高了识别准确率。

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。

针对行星齿轮箱振动信号故障特征提取困难的问题,提出了一种基于EMD-SVD与概率神经网络相结合的故障诊断方法。首先,利用经验模态分解方法将去噪后的振动信号自适应地分解为多个本征模函数。其次,利用相关系数和方差贡献率选取一定量的本征模函数,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入概率神经网络进行故障诊断。在行星齿轮箱故障诊断实验台上进行了实验,并与基于能量熵构成的特征向量进行了对比,结果验证了该方法的有效性。

针对潜油电泵特征提取及状态判别问题,提出一种基于冗余第二代小波包变换、多尺度熵和概率神经网络的诊断方法. 首先, 利用冗余第二代小波包对拾取的信号样本进行处理, 得到相应的子带信号分量, 继而计算所得子带信号分量的多尺度熵值, 并构造能够表征电泵状态的特征向量, 最终将特征向量输入到概率神经网络中实现潜油电泵故障的自动识别.实测数据分析结果表明, 所述方法能够有效对潜油电泵的工作状态进行识别, 具有一定工程应用价值.

液压泵是液压系统的核心,其运行状态的好坏直接影响整个系统的性能。针对液压泵工作过程中出现的故障,运用神经网络方法进行故障诊断具有显著优势。分析概率神经网络基本结构以及训练算法,建立液压泵故障分类的概率神经网络模型。运用采集数据针对分析计算结果表明,基于概率神经网络的故障诊断方法是一种有效的故障诊断方法。

为了提高液压泵故障诊断的速度与准确性，提出了将敏感度分析与概率神经网络相结合的液压泵故障诊断方法。分析了不同状态下振动信号的时域图与频谱图，得出使用传统方法不易对液压泵进行故障诊断的结论。对各种状态下的振动信号提取特征参数，并对所提取特征参数进行敏感度分析。将敏感度高的特征参数以向量的形式输入概率神经网络进行训练和测试。实验表明：概率神经网络能快速、有效的诊断出液压泵的故障，节约诊断时间。将敏感度分析与概率神经网络相结合能提高概率神经网络诊断的正确率。

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。