基于小波结合模糊聚类和神经网络的机械故障诊断法

分析了小波分析、模糊聚类以及神经网络各自在信号处理方面的优势。以小波变换（或小波包变换）提取故障特征,对神经网络的输入和输出进行模糊化处理,最后用神经网络进行诊断。从而提出了一种有别于传统的、高效的机械故障诊断方法。     

基于深度卷积神经网络的环焊缝X射线底片公片检测算法——评《埋弧焊X射线焊缝图像缺陷检测算法研究》北大核心CSCD

为提升焊缝无损缺陷检测的效率和性能,行业内对无损检测方法和人工智能相关工业视觉检测方法等检测形式进行了深度研究,在此基础上提出了基于深度卷积神经网络的焊缝缺陷自动检测算法。通过对焊缝缺陷数据进行收集和分析,对焊缝缺陷数据具体的分布特征进行总结,在焊缝缺陷的尺度差距和分布范围等特征中引入不同的空洞卷积,进而提升缺陷检测的性能,然后基于空洞卷积以及无锚框检测框架设计出自动检测缺陷的算法,对环焊缝X射线缺陷进行有效检测。由高炜欣编著、科学出版社出版的《埋弧焊X射线焊缝图像缺陷检测算法研究》一书对基于深度卷积神经网络的环焊缝X射线焊缝缺陷检测算法进行了详细的介绍,能够对技术人员的工作进行有效指导。     

小波在超声无损检测C复合材料缺陷中的应用研究

针对超声检测碳复合材料易出现的信噪比较低的问题,本文具体分析了典型的超声检测信号的组成和分离方法,提出利用小波包变换提取反映缺陷性质的特征值。结合MATLAB的工具箱编写信号处理程序,实现对信号的小波包的分解,同时输出信号的特征参数值和相关的分析结果图。最后,利用谊程序对带缺陷的碳复合材料进行分析,通过提取的特征值可以方便实现对缺陷定位的无损检测。     

小波分析在织物缺陷检测中的应用

对于织物缺陷的检测，可以使用多种不同的图像处理技术．而具有多分辨特性的小波变换是一种分析图像的新方法，它的变尺度特性与人类视觉中的空间频率多通道相吻合．使用小波分析的方法对3种织物缺陷进行检测分类．首先将织物图像进行3层小波分解，然后把小波分解后的图像灰度值作为特征参数输入到BP神经网络进行检测识别，实验结果表明，用这种方法识别织物缺陷识别率可达到98％。     

神经网络集成在蚕茧无损检测中的应用

蚕茧无损检测的数据处理是-个非常复杂的问题.将神经网络集成方法引入蚕茧质量无损检测中,通过训练不同类型的神经网络并将各网络输出进行合成,可显著提高系统的精度和泛化能力.为此,分别采用BP、RBF和GRNN神经网络对蚕茧质量检测结果与神经网络集成检测结果进行比较,试验结果表明神经网络集成的检测结果优于单-神经网络的预测方法,将神经网络集成用于蚕茧质量检测是有效可行的.     

基于神经网络的复合材料缺陷超声波检测研究

描述了三维编织复合材料内部缺陷的超声波检测方法。在实现方法上,系统对三维编织复合材料的超声波A扫描回波信号进行小波包变换后,材料的内部缺陷信号被分解后表示为能量特征,并将缺陷特征值作为BP神经网络的输入参数,通过BP神经网络实现对三维编织复合材料微裂纹和孔隙的分类识别,并对三维编织复合材料缺陷自动化识别。实验结果证明该方法分析三维编织复合材料内部缺陷是可行性。     

基于红外光谱的食用植物油种类鉴别

为建立基于红外光谱的食用植物油种类鉴别方法,收集了常见的5种食用植物油样本296份,采集红外光谱,分别通过Savitzky-Golay平滑、希尔伯特变换、IIR低通滤波器、IIR高通滤波器、连续小波变换、一阶导数、二阶导数进行预处理,并利用径向基函数(RBF)神经网络和随机森林(RF)模型对光谱进行识别。结果表明：RBF神经网络模型的效果优于RF模型,将红外光谱数据经希尔伯特变换处理后,RBF神经网络模型的识别率达到100%。采用该方法对食用植物油进行种类鉴别快速无损、准确率高、效果好。     

基于改进的小波分解织物疵点检测

采用小波分解的改进方法，运用二维离散小波变换进行分解，有效地从图像中提取信息，分析织物的纹理特征并进行相应处理，实现目标图像的特征提取和输入LMBP神经网络进行学习训练。实验结果表明，对油污、破洞、断经、断纬能比较准确地识别和定位，可快速有效地进行织物疵点检测。     

基于Gabor变换和BP神经网络的人脸检测算法的Matlab实现

提出了一种基于Gabor变换和BP神经网络的人脸检测算法.该算法以Matlab为平台,运用Ga-bor小波变换实现图像特征的提取,并对所提取的特征进行降维处理,通过构造2层BP神经网络,对从ORL人脸库中提取的样本进行训练学习并利用模板匹配及形态学腐蚀和膨胀处理,实现对测试样本的人脸检测.试验结果表明,该算法计算复杂度低,运算快,对正面人脸的检测与定位准确性较高.     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。