基于位移时程的框架模型结构参数与损伤识别

本文提出了一种直接运用结构的振动位移响应时程的基于神经网络的结构物理参数和损伤识别的一般方法,该方法通过一个神经网络模拟器和一个参数评估用神经网络实现。在对该方法的理论基础进行论证的基础上,针对一个受基底激励的两层框架模型结构,运用由激光位移传感器所测量的结构位移响应时程,将该方法用于该结构的层间刚度识别和损伤结构的损伤识别。结果表明,神经网络模拟器能够准确地预测参考结构在基底激励下的位移响应,而参数评估用神经网络可以很好地识别出结构刚度参数,并反映出结构损伤的发生。本方法具有一般性,为实际工程结构的参数识别和模型修正提供了一种可行途径。     

磁流变阻尼器的神经网络建模及应用

对非线性的磁流变阻尼器进行建模,建立单个磁流变阻尼器的神经网络正模型和神经网络逆模型,设计了两种四磁流变阻尼器的神经网络逆模型,通过两层控制策略将它们应用于汽车半主动悬架控制.结果表明:第1种神经网络逆模型对簧载质量的垂直加速度、俯仰角加速度和侧倾角加速度具有较好的控制效果,可有效改善车辆的行驶平顺性和操纵稳定性;第2种神经网络逆模型还有待改善.     

神经网络与遗传算法应用于离子镀膜性能预报与工艺优化

以多弧离子镀（ＴｉＡｌ）Ｎ膜为例,建立了模层性能预报神经网络模型;将神经网络模型与遗传算法结合,建立了实现工艺参数优化（设计）的遗传算法模块．实验结果验证了性能预报神经网络模型与工艺优化遗传算法模块的可靠性,为解决离子镀膜性能预报与工艺优化设计问题提供了一条先进、合理的途径．     

基于BP神经网络的三相SPWM逆变电路故障诊断

提出了基于BP神经网络的三相SPWM逆变电路的故障诊断方法。首先提出BP神经网络模型及算法,然后运用BP神经网络对三相逆变电路进行故障诊断,通过调整隐含层节点和学习参数,寻找出最优的BP神经网络结构。最后,采用非学习样本数据对训练好的网络进行仿真,实验结果表明该故障诊断方法正确率达99%,该诊断方法同样适用于其它电力电子电路。     

基于深度神经网络的低空弱小无人机目标检测研究

针对低空无人机目标视觉特征较弱,传统识别模型在目标尺度较小时易受干扰导致识别精度下降等问题,提出了一种基于多隐含层深度神经网络的弱小无人机目标检测模型。根据低空监视图像输入特性和弱小无人机目标视觉表征特点,设计了包含多个隐含层的多通道深度神经网络模型结构,并通过建立多尺度、多角度、多背景条件下的无人机目标图像数据库,完成了对深度网络模型参数的训练及优化。仿真结果表明,所设计的深度模型对低空无人机目标具有较好的变尺度检测能力和抗干扰效果,体现出良好的鲁棒性和潜在工程应用前景。     

基于改进最近邻聚类的机械手神经网络逆控制

机械手具有非线性时变、多变量、强耦合的特性,在机械手系统可逆的基础上,设计一种机械手的神经网络逆控制方案。通过神经网络逆辨识建立机械手的神经网络逆模型,把神经网络逆模型作为控制器模型与原机械手串联,构成一个伪线性动态模型,把非线性问题转化为线性问题。其中,辨识器和控制器均采用RBF神经网络结构,网络学习采用具有在线学习功能的最近邻聚类学习算法。仿真结果验证了本方案的有效性和可行性。     

基于语音参数的神经网络识别研究

本文通过对BP和SOM神经网络的理论学习研究,分别设计了基于语音参数为输入样本的BP三层和SOM两层网络模型及相应算法实现,并通过对比两种神经网络模型在相同输入语音样本参数情况下的不同运行机理,最终确认基于LPCC语音参数的BP网络更适合应用于语音识别。     

基于神经网络逆模型的过热汽温补偿控制研究

为改善大型电站锅炉的过热汽温控制效果,提出一种基于人工神经网络扩展逆系统模型的过热汽温补偿控制方案.首先结合锅炉的结构和运行特性,分析影响过热汽温的主要因素,确定神经网络逆系统扩展模型的输入和输出参数.借助MATLAB神经网络工具箱建立过热汽温系统的动态逆过程模型(IDPM),运用历史运行数据完成神经网络模型的训练.以...     

融合先验知识的深度学习模型快速训练方法

为了提高深度学习神经网络的训练效率,本文提出基于模型训练先验知识进行神经网络训练优化的方法。在深度学习中参数同构的思想指导下,利用神经网络多次迭代的卷积层参数训练回归模型,并指导神经网络参数变化。实验表明:本文提出的方法可以在不修改原网络模型结构的同时显著降低模型在训练过程中引发的震荡现象;在保持模型分类准确率的情况下可以有效降低模型训练时间达到10%以上;该方法应用在深度越深的神经网络中,时间上的优化效果会越明显。     

基于多尺度卷积神经网络的交通标志识别方法

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR -MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值.     

基于模态频率和神经网络的结构损伤检测

把结构损伤识别问题分为损伤辨识、损伤定位、损伤程度标定三个子模块，对每个子模块用模态参数构造对损伤敏感的标识量，并作为特征参数输入到神经网络中实现损伤识别。将优化的BP网络和频率相结合成功地实现了矩形梁的损伤检测，为结构健康监测研究提出一条新的技术途径。     

基于神经网络与遗传算法的结构优化设计方法

从神经网络和遗传算法的原理出发,利用遗传算法和神经网络相结合的策略对结构参数进行优化.在确定结构优化的目标函数和设计变量集合的基础上,用神经网络学习算法建立货架结构设计参数与结构重量、结构最大应力、最大位移等的非线性全局映射关系,获得遗传算法求解结构优化问题所需的目标函数,用遗传算法进行优胜劣汰的寻优搜索运算,从而求出所需最优解.以货架结构的优化为例说明了上述方法的应用.遗传算法和神经网络的优化结果是在正交设计法确定的训练样本足够大的基础上得出的,具有较强的可靠性.     

几何分域的多模块神经网络求解 平面3R机械手逆运动学

针对神经网络求机器人逆运动学多解时输入与输出间存在一对多的映射问题,提出一种基于几何分域的多模块神经网络求解平面3R机械手逆运动学方法。该方法通过将连杆分离-重新组合的方式进行几何分析,将平面3R机械手分为两组具有多解的子空间,同时增加末端执行器方位角的规划,使得用于两个子空间训练的BP神经网络中,输入与输出间具有唯一映射关系。用训练好的两个BP神经网络分别对同一段规划好的圆形轨迹进行预测,得到的两段预测轨迹平滑且与规划轨迹基本一致,这一结果表明,所提方法可以获得平面3R机械手高精度的逆运动学多解。     

Artificial neural network based inverse design method for circular sliding slopes

Current design method for circular sliding slopes is not so reasonable that it often results in slope sliding. As a result, artificial neural network (ANN) is used to establish an artificial neural network based inverse design method for circular sliding slopes. A sample set containing 21 successful circular sliding slopes excavated in the past is used to train the network. A test sample of 3 successful circular sliding slopes excavated in the past is used to test the trained network. The test results show that the ANN based inverse design method is valid and can be applied to the design of circular sliding slopes.     

基于神经网络的平面五杆可调机构的动力学解析模型

应用Kane动力学方法对平面可调五杆机构进行了动力学分析,建立了平面五杆机构的动力学解析模型。并研究了构件几何参数和物理特性对广义驱动力矩的影响规律。在此基础上,应用BP神经网络对可调五杆机构逆动力学模型进行了辨识,将整个动力学模型系统分为3个子系统,分别采用BP神经网络系统对广义质量矩阵、向心力哥氏力矩阵和重力矩阵进行学习,求解得到可调平面五杆机构的逆动力学模型问题。     

神经网络PID复合智能控制参数自整定研究

针对具有时滞一阶非最小相位系统的被控对象,提出了一种基于神经网络的PID复合智能控制设计方案,推导出复合PID控制器控制参数的整定方法.考虑到被控对象的不确定性、慢时变等特点,以神经网络元构造基于自动化复合PID控制器,解决了基于自动化复合PID控制参数在线调整的问题,使复合PID控制器适用范围更广泛.对闭环控制系统模拟结果表明,该系统控制参数整定方法简单,具有非常好的控制效果.     

双通带数字滤波器优化设计研究

提出了一种基于BP算法的正弦基函数神经网络模型及算法的收敛条件,研究了该神经网络算法与FIR线性相位滤波器幅频特性的关系,给出了高阶双通带滤波器的优化设计实例.计算机仿真结果表明,该神经网络算法不仅是有效的,而且是高效的.与传统的窗口函数法和雷米兹优化设计方法相比,其优化设计方法不需要计算矩阵的逆,因而克服了雷米兹优化设计方法求高阶矩阵逆的困难.     

遗传演化建模方法研究

根据观测数据建模,首先需要确定模型的结构,其后才是估计模型参数,而模型结构确定是建模过程中最困难的阶段。遗传演化建模根据生物遗传机制,随机构造一组模型表达式,应用简单的基因复制、杂交和变异算子进行模型结构调整,同时进行非线性优化估计模型参数,从而得到一组优化的模型。遗传演化建模能够获得简单的显式表达式,在内插和外推特性上比人工神经网络建模方法更优越。     

基于深度学习的变压器图像识别系统

针对变压器型号多、图像复杂,以及传统基于机器学习的人工设计特征的方法不能对大规模变压器图像准确分类等问题提出了基于深度学习的变压器图像识别系统直接对原始图像进行"端对端"的学习。为实现变压器图像的准确分类,提出了改进VGG-16卷积神经网络的变压器图像识别模型。在VGG-16模型的基础上,重新构建了全连接层,针对原有的SoftMax分类器,采用3标签的SoftMax分类器进行替换,以实现网络结构优化,并通过迁移学习共享V GG-16模型卷积层和降采样层的权值参数。通过构建变压器图像的训练集和测试集对改进模型进行了训练,并进行性能测试。结果表明,与深度神经网络、卷积神经网络模型相比,改进VGG-16模型具有更好的效果,识别误差达到了9.17%,并实现了对3种变压器的准确区分。     

基于径向基神经网络的有限元模型修正研究

模型修正属于反问题的一种,针对其非线性、计算量大等不足之处,提出一种基于径向基神经网络的有限元模型修正方法,并把反问题归结为正问题进行研究。该方法将特征量作为自变量输入、设计参数作为因变量输出,用试验设计构造样本,以径向基神经网络逼近两者之间的非线性映射关系,利用神经网络的泛化特性直接输出设计参数的修正值。某空间钢结构模型的计算结果验证了该方法的有效性。