基于轻量级网络的光纤传感振动信号识别

虽然传统卷积神经网络的识别率很高,但是其庞大的参数量会导致工业部署困难,且识别响应速度慢。引入轻量级卷积神经网络MobileNet,使用深度可分离卷积替代传统卷积,大大减少了模型参数量。以MobileNet为基准网络,实现了基于一维轻量级网络MobileNet-18的Φ-OTDR周界入侵事件识别。通过实验对比了不同结构下的网络识别率和识别速度,在保证模型的准确率不会大幅度降低的情况下,选取MobileNet-18作为最佳模型。采集了攀爬、切割、风吹、举起、拉动和走动这 6种周界光纤入侵信号。在 6种光纤入侵信号识别中,MobileNet-18达到了识别率为 98.33%,响应时间为 9.27 ms的最佳效果     

机器人末端臂惯性参数辨识的人工神经网络方法

分析了机器人操作臂末端连杆惯性参数辨识的原理及数学模型,提出了一种与传统神经网络问题不同的惯性参数辨识方法,使神经网络的结构与权值具有明确的物理意义,解决了获取样本难的问题。探讨了人工神经网络在系统参数辨识应用中的一般规律及优越性。惯性参数辨识方法简单、直观、运算量小,可应用基于传感器信号的机器人末端惯性参数的在线辨识。在PUMA562机器人上,用实验验证了惯性参数辨识方法的可行性与有效性。     

基于生理特征映射的驾驶员情绪在线识别模型构建方法

高精度驾驶员情绪识别模型是智能车辆安全辅助驾驶系统构建的关键问题之一。针对该问题,提出一种基于生理特征映射的驾驶员情绪在线识别模型构建方法。对不同情绪下驾驶员心电、脉搏生理信号进行时域特征提取,建立生理信号-情绪关联样本库,给出改进式自编码(Improved stacked autoencoder, I-SAE)神经网络架构,构建基于I-SAE神经网络的人员情绪生理表征和离线辨识模型;同步采集行驶过程中不同情绪下驾驶员生理信号和车辆状态数据,利用主成分分析法选取车辆状态特征参数向量,通过I-SAE模型识别处理生理信号数据,将驾驶员情绪的生理表征映射为车辆状态表征,构建车辆状态-驾驶员情绪关联样本库;在此基础上,建立基于学习矢量量化(Learning vector quantization, LVQ)的驾驶员情绪在线识别模型。试验数据表明,该方法构建的驾驶员情绪在线识别模型正确识别率达84%以上,可满足安全距离预警等车辆智能系统需要。     

基于BP神经网络的管道泄漏声信号识别方法研究

针对城市供水管网泄漏检测需求,进行了泄漏声信号识别方法研究。分析了泄漏信号的时域、频域及波形特点,提取出可用于泄漏信号表征的20种特征参数;基于提取的泄漏声信号特征参数,构建了泄漏声信号BP神经网络识别系统;研究了神经网络结构(隐含节点数、传递函数、学习率)及输入参数的数量和种类对泄漏信号识别效果的影响,并优化出最佳的神经网络结构及输入参数。在以上研究基础上,利用优化后的神经网络对实验室及现场管道泄漏信号进行了交叉训练和识别,结果表明,提出的基于泄漏特征参数的神经网络系统具有较高的可靠性和普适性,可以很好地实现不同场景下泄漏信号的交叉识别,整体识别率达92.5%,为解决不同工况下泄漏信号识别做了有益的探索。     

RSFM网络及其在信号滤波中的应用

介绍了一种适用于模式识别的新型神经网络模型--局部有监督特征映射（Reglonal Supervised Feature Mapping,RSFM）网络,描述了该网络的拓扑结构和学习算法,研究了网络的基本性能,最后将其应用到了信号滤波中.理论研究和仿真实验表明,该网络结构简单、算法简洁,收敛速度快、识别精度高,适用于需要大样本训练、随机干扰严重的复杂模式的分类与识别.     

基于人工神经网络的机械设计领域知识表达方法的研究

结合人工神经网络技术开展了机械设计领域经验型知识表达方法的研究，提出了一种基于多层神经网络的知识表达方法，该方法适合于数值型经验知识的表达，并对多层神经网络学习的ＢＰ算法进行了改进。     

基于遗传算法的人工神经网络方法在激光切割工艺参数选取中的应用

针对激光切割过程中的主要参数，切割速度，版材厚度，辅助气压的大小以及激光器功率的选择，建立了一个基于遗传算法的人工神经网络结构。实验结果表明，该方法将遗传算法和神经网络的优点结合起来，克服了神经网络中容易陷于局部最优和遗传算法中收敛速度较慢的问题。从而解决了激光切割过程中选参难的问题。     

基于RBF神经网络的非线性滤波研究

提出了一种基于RBF神经网络的非线性滤波解决方案.比较了BP神经网络和RBF神经网络在非线性滤波中的性能差异.文章最后应用MATLAB针对一伴有随机噪声的信号进行了仿真滤波实验,证明了该理论的可行性与优越性.     

基于人工神经网络的数字电路板故降诊断

讨论了故障诊断的原理和方法,介绍了人工神经网络在数字电路板故障诊断中的应用,阐述了采用BP神经网络进行电路板故障诊断的结构.     

基于改进的快速独立分量分析与支持向量机的ECG分类诊断

提出了一种改进快速独立分量分析与支持向量机相结合的新型心电图分类方法.利用埃特金加速法对快速独立分量分析算法的核心迭代过程进行改造,得到改进的快速独立分量分析算法,减少了迭代次数,提高了算法的收敛速度.新方法运用改进的快速独立分量分析算法提取心电图数据的特征向量,并通过支持向量机实现心电图信号的分类.对取自MIT/BH数据库的7种不同心脏状况的心电图数据进行实验,结果表明该方法整体识别率达到98.8%,改进的快速独立分量分析算法所需迭代时间比现有的快速独立分量分析算法减少48%.     

基于DDS算法的12导联心电信号发生器设计

心电信号发生器是研发智能心电仪器的关键设备,心率连续可变是心电信号发生器研究的难点。提出了一种用DDS(direct digital frequently synthesis)算法合成心率连续可变的多导联心电信号的方法,并在基于ARM的嵌入式实时操作系统uC/OS-II上用软件实现了该方法。首先证明了用软件实现DDS算法产生心电信号的可行性;针对心电信号的频率特点给出了算法的基本参数;并根据DDS算法思想给出了一种查找表(LUT)长度调整的方法;最后分析了本方法误差的主要来源,通过理论推导得出系统误差为26×10-6。实验结果证明本方法行之有效,具有理论和实际意义。     

虚拟式远程故障诊断分析仪的开发

将故障诊断与计算机网络技术和虚拟仪器技术结合起来，提出了虚拟式远程故障诊断分析仅的系统模型，并详细介绍了其设计原理与工作方式。文中对该仪器的远程客户端模块，信号处理模块、神经网络学习模块和智能诊断模块的设计开发过程做了重点阐述。     

自构形神经网络及其在刀具智能监控系统中的应用

论述了人工神经网络的缺陷研究所面临的困难。提出了自构形神经网络的概念,阐明了构造自构形神经网络的必要性,构造了自构形神经网络的学习算法,并探讨了它在刀具智能监控系统中的应用。     

液压系统故障诊断技术

介绍液压系统故障主观诊断技术、数学模型诊断技术和智能诊断技术,以及各种具体故障诊断方法的特点及应用,指出专家系统与神经网络的有机结合成为智能故障诊断技术的发展方向。     

Detection of premature ventricular contractions using MLP neural networks: A comparative study

This paper proposes a three stage technique for detection of premature ventricular contraction (PVC) from normal beats and other heart diseases. This method includes a denoising module, a feature extraction module and a classification module. In the first module we investigate the application of stationary wavelet transform (SWT) for noise reduction of the electrocardiogram (ECG) signals. The feature extraction module extracts 10 ECG morphological features and one timing interval feature. Then a number of multilayer perceptron (MLP) neural networks with different number of layers and nine training algorithms are designed. The performances of the networks for speed of convergence and accuracy classifications are evaluated for seven files from the MIT–BIH arrhythmia database. Among the different training algorithms, the resilient back-propagation (RP) algorithm illustrated the best convergence rate and the Levenberg–Marquardt (LM) algorithm achieved the best overall detection accuracy.     

Deep residual learning-based fault diagnosis method for rotating machinery

Effective fault diagnosis of rotating machinery has always been an important issue in real industries. In the recent years, data-driven fault diagnosis methods such as neural networks have been receiving increasing attention due to their great merits of high diagnosis accuracy and easy implementation. However, it is mostly difficult to fully train a deep neural network since gradients in optimization may vanish or explode during back-propagation, which results in deterioration and noticeable variance in model performance. In fault diagnosis researches, larger data sequence of machinery vibration signal containing sufficient information is usually preferred and consequently, deep models with large capacity are generally adopted. In order to improve network training, a residual learning algorithm is proposed in this paper. The proposed architecture significantly improves the information flow throughout the network, which is well suited for processing machinery vibration signal with variable sequential length. Little prior expertise on fault diagnosis and signal processing is required, that facilitates industrial applications of the proposed method. Experiments on a popular rolling bearing dataset are implemented to validate the proposed method. The results of this study suggest that the proposed intelligent fault diagnosis method for rotating machinery offers a new and promising approach.     

An Interpretable Denoising Layer for Neural Networks Based on Reproducing Kernel Hilbert Space and its Application in Machine Fault Diagnosis

Deep learning algorithms based on neural networks make remarkable achievements in machine fault diagnosis,while the noise mixed in measured signals harms the prediction accuracy of networks.Existing denoising methods in neural networks,such as using complex network architectures and introducing sparse techniques,always suffer from the difficulty of estimating hyperparameters and the lack of physical interpretability.To address this issue,this paper proposes a novel interpretable denoising layer based on reproducing kernel Hilbert space(RKHS)as the first layer for standard neural networks,with the aim to combine the advantages of both traditional signal processing technology with physical interpretation and network modeling strategy with parameter adaption.By investigating the influenc-ing mechanism of parameters on the regularization procedure in RKHS,the key parameter that dynamically controls the signal smoothness with low computational cost is selected as the only trainable parameter of the proposed layer.Besides,the forward and backward propagation algorithms of the designed layer are formulated to ensure that the selected parameter can be automatically updated together with other parameters in the neural network.Moreover,exponential and piecewise functions are introduced in the weight updating process to keep the trainable weight within a reasonable range and avoid the ill-conditioned problem.Experiment studies verify the effectiveness and compatibility of the proposed layer design method in intelligent fault diagnosis of machinery in noisy environments.     

智能瓦斯传感器系统的设计

针对煤矿井下环境复杂、参数难以准确测量的问题,将模糊理论与神经网络技术相结合应用到检测领域,构造了煤矿安全监测智能瓦斯传感器系统。基于RBF神经网络重点研究了智能瓦斯传感器系统隶属函数网络样本及模糊推理网络样本的生成和训练,并对智能瓦斯传感器的硬件结构进行了设计。模糊神经网络技术为智能瓦斯传感器设计提供了强有力的技术支持,使该系统能对井下复杂参数进行准确的检测,并将传统数值测量系统的数值输出转变为语言描述输出。实验仿真结果表明,该方法行之有效,为煤矿安全监测提供了一种新的思路。     

基于神经网络的旋转机械故障诊断研究

一般对特定的基于多层感知的故障诊断问题,很难确定神经网络的结构,在分析了多层感知器对故障的识别和诊断能力后,采用由小到大和由大一小的方法确定神经网络隐层数与隐层单元数。