基于模糊距离的RBF神经网络板形模式识别

针对BP网络在板形缺陷模式识别的应用中,由于网络本身存在收敛速度慢,学习时间长,容易陷入局部极小等结构性能不佳的问题,从而影响板形识别精度;文中提出了基于模糊距离的RBF网络板形缺陷模式识别法.RBF网络是一种局部逼近的神经网络,它在逼近能力、分类能力和学习速度等方面都优于BP网络.为了使板宽变化时网络结构不变,将模糊距离与RBF网络相结合进行模式识别,仿真实验结果表明,该方法与BP网络方法相比,网络收敛速度较快,而且识别精度较高.     

基于量子粒子群算法的BP网络板形模式识别研究

针对目前板形模式识别方法存在的问题,以及考虑到现代轧机板形控制手段的多样化和板形控制能力的提高,为了提高板形模式识别模型的精度,本文以1次、2次、3次和4次勒让德正交多项式为板形基本模式,建立了基于量子粒子群-BP算法混合优化神经网络的新型板形模式识别模型。仿真实验表明,该模型抗干扰能力强、识别精度高、速度快,可以为板形控制策略的制定提供可靠依据。     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法。该方法基于待识别信号与标准样本之间的模糊距离。并将模糊距离作为ＢＰ网络的输入，有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题。     

基于迁移学习与深度森林的晶圆图缺陷识别

为了有效识别晶圆图缺陷模式并及时诊断制造过程的故障源,提出基于迁移学习和深度森林集成的DenseNet-GCForest晶圆图缺陷模式识别模型. 为了解决深度学习模型训练困难和晶圆图缺陷类型数目不平衡的问题,利用迁移学习将深度卷积神经网络DenseNet在ImageNet上预训练的网络权重参数迁移至本模型并重新设计分类层,以减少深度网络模型的训练时间并提高模型的特征提取能力;基于DenseNet网络提取的高维抽象晶圆图特征,引入深度森林模型进行晶圆图特征缺陷模式识别. 工业案例的实验验证结果表明,该方法的识别准确率达到了96.8%,并提高了识别效率,其性能优于典型的卷积神经网络以及其他常用识别方法.     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

基于卷积神经网络的无人机遥感影像农村建筑物目标检测

将深度学习应用于遥感影像目标识别,提出基于卷积神经网络的无人机遥感影像农村建筑物的目标检测方法,用端到端的方式训练Faster R-CNN网络模型,并应用于农村建筑物的快速精确识别.该方法包括基于RPN网络的区域建议和基于Inception v2的卷积神经网络模型训练.为了训练和测试模型,通过无人机采集南疆地区的农村建筑物遥感影像,并人工标注建立了农村建筑物的数据集,在TensorFlow深度学习框架上通过对该数据集目标检测验证了模型.结果表明,基于改进的卷积神经网络目标检测方法对无人机遥感影像进行快速准确识别的总体精度超过90%,通过初始参数更新,模型收敛更快,对无人机遥感影像地物分类和目标识别具有一定的参考意义.     

胶合板缺陷识别方法比较研究

结合胶合板缺陷检测分类,通过对比研究了几种有效、实用的模式分类方法,讨论了该方法的优势和局限性,提出了一种基于粗糙集和神经网络的模式分类方法.利用粗糙集处理图像特征中冗余的或较差的属性特征,有效地减小了网络规模,将该特性和神经网络的非线性映射能力和很强的抗干扰性相结合,能够进一步提高分类精度和收敛速度.在胶合板缺陷识别的实际应用中,其识别精度达到了90 93%,循环次数较粗糙集预处理前平均下降了1000余次.研究结果表明粗糙集神经网络模式识别方法适于胶合板缺陷分类.     

热轧板带横向厚度分布的预测与控制

针对板带热轧过程中终轧板带横向厚度分布的检测、预测方法存在的缺陷,建立自适应粒子群优化算法(PSO)和误差反传递(BP)算法混合训练的神经网络预测模型.该网络模型在BP神经网络的基础上,通过自学习过程对网络结构进行动态优化;借助PSO算法优化网络的权值和阈值,提高网络收敛速度和预测精度.某厂二辊可逆热轧机现场轧制数据验证表明:稳态轧制状态下,该模型预测精度高,平均绝对误差仅为3.6μm,其中87.1%的误差在±4μm范围内;通过对轧后板带横向厚度的统计分析,去除板带头尾部分,板带厚度的绝对误差在30μm以内的频率为90%.该神经网络模型可以代替凸度仪对热轧板带横向厚度分布进行预测,并且能够对板形的调控机构根据预测结果进行精确的控制,适应高精度板形控制的要求.     

基于改进CMAC网络的注塑模温度控制

精密注塑机模具温度控制的效果直接影响注塑制品的质量,为提高模具温度控制的实时性、精确性,采用改进的CMAC控制算法,以89C51单片机为控制器,利用高温导热油的循环实现模具温度的控制。改进的CMAC神经网络利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的负k次方成比例,当k为一适当数值时,改进CMAC具有较快的学习速度和较高的精度。通过对PP(聚丙烯)塑料件注射模温度的实际控制表明,模具温度控制精度优于±0.1℃。     

A New Combined Neural Network Model

This paper discusses the principle structures,learning algorithms and approximating abili-ties of two typical classes of neural networks models:BP and CMAC,presents the architectureand foundation of a new kind of Combined Neural Network(CNN)which uses the output of aCMAC neural network as a BP’s additional input node.And the corresponding learning algorithmis obtained by backpropagating the approximating error in the output layer through eachhidden layer to the input nodes as well.Comparisons in terms of converge speed andapproximating ability are made among BP,CMAC and CNN.Simulations suggest that the CNNhas the advantages of fast learning speed and good generalizability ability.     

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.     

船舶柴油发电机组双回路系统神经网络控制研究

针对船舶柴油发电机组转速控制与励磁控制,设计了CMAC神经网络与PID控制器相结合的并行控制系统,并分别运用到船舶柴油发电机组系统的2个控制回路中。CMAC神经网络控制算法具有在线学习速度快和局部泛化能力强的特点;在控制中,CMAC神经网络通过对发电机控制的学习,获得了系统广义被控对象的逆动态逼近模型,以此实现对系统的控制。在某大型船舶电力仿真系统的运用中,发电机负载特性测试的结果表明控制系统的2回路之间的协调性好,系统控制质量满足有关船舶规范的要求。     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

模式神经元网络的聚类方法研究

为了更好地模拟人脑对事物的学习、认知过程,笔者提出了模式神经元网络的聚类规则和方法,从而完善了这种新型的神经网络模型。与现有的人工神经网络不同,模式神经元网络不需要反复迭代就能达到学习、识别、分类的效果。实验结果表明：与自适应共振理论相比,模式神经元网络的学习效率快,识别精度高,分类效果也比较好。     

卷积神经网络的优化在车牌号识别上的运用

通过与传统神经网络对比,分析了利用卷积神经网络(CNN)进行车牌号图像识别中的特征提取过程,提出了优化卷积和池化的过程来提高算法的收敛速度和准确率。运用Py Charm环境建立了改进后的车牌号识别模型,并通过实验验证了其正确性与识别速度。通过BP神经网络、传统Le Net-5 CNN和改进后的CNN对相同的字符集进行对比分析实验,得出了改进后的CNN模型的优势。     

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。