基于BP神经网络的图像分割实现

运用BP神经网络方法对图像进行分割。对神经网络进行训练以确定节点间的连接和权值,再用训练好的神经网络对新输入的图像数据进行分割。实验表明:该算法能够有效地分割图像,图像分割边缘清晰,在处理图像中由于信息不足而产生的模糊不确定问题时更加符合实际。     

一种改进工件边缘检测方法的研究

针对现有边缘检测技术难以同时消除图像中噪声和工件表面划痕对边缘检测的影响,并保持图像边缘的清晰度和连续性,提出了一种基于二阶微分算子和数学形态学的改进边缘检测技术。首先利用数学形态学理论,设计了一种形态学开闭运算处理图像的方法,为去除工件表面划痕做好预处理;然后用二阶微分Laplace算子对预处理后的图像进行边缘检测;最后改进了一种高斯与双边滤波结合的算法,强化去噪效果,并对最终算法进行实验验证。实验结果表面,改进的算法在去除工件表面划痕方面效果明显,并与传统微分算子比较,边缘清晰度、峰值信噪比(PSNR)都有大幅提高,为提高工件识别精度打好基础。     

一种改进工件边缘检测方法的研究

针对现有边缘检测技术难以同时消除图像中噪声和工件表面划痕对边缘检测的影响,并保持图像边缘的清晰度和连续性,提出了一种基于二阶微分算子和数学形态学的改进边缘检测技术。首先利用数学形态学理论,设计了一种形态学开闭运算处理图像的方法,为去除工件表面划痕做好预处理;然后用二阶微分Laplace算子对预处理后的图像进行边缘检测;最后改进了一种高斯与双边滤波结合的算法,强化去噪效果,并对最终算法进行实验验证。实验结果表面,改进的算法在去除工件表面划痕方面效果明显,并与传统微分算子比较,边缘清晰度、峰值信噪比(PSNR)都有大幅提高,为提高工件识别精度打好基础。     

基于相对变分的边缘检测

边缘检测是机器视觉与图像理解中的基础问题,准确地提取轮廓有助于提高后续操作的质量和效率。在深入分析图像纹理结构、噪声及细胞神经网络算法(cellular neural network,CNN)的基础上提出一种基于相对变分正则化的细胞神经网络边缘检测方法。首先采用相对变分正则化的方法将图像的纹理进行平滑,去除纹理以及噪声对边缘提取的影响;然后再用标准的细胞神经网络算法对平滑后的图像进行边缘检测。实验结果表明:算法与Canny、CDCNN等算法相比,在没有重新设计新的复杂CNN模板参数的情况下,针对具有复杂纹理及含有一定量噪声的图片进行边缘检测,算法能得到更好的检测结果。     

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统 BP 神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt 算法的 BP 神经网络进行深入研究,并最终应用于变压器故障诊断.该算法通过优化 BP 神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度.通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径.     

基于L-M算法的BP网络在变压器故障诊断中的应用

针对传统BP神经网络算法在变压器故障诊断中存在的收敛速度慢、容易陷入局部极小值的问题,通过对基于Levenberg-Marquardt算法的BP神经网络进行深入研究,并最终应用于变压器故障诊断。该算法通过优化BP神经网络的搜索方向,加快了网络训练速度,提高了网络训练的精度。通过对实例数据仿真,证明了本方法能够有效地诊断出变压器的故障,为变压器故障诊断提供了一条新途径。     

一种图像边缘检测的分形误差算法

为了解决传统图像边缘检测的不足,提出了一种基于分形误差的检测算法。首先将图像数据由灰度空间转换为分形特征空间,然后通过目标与背景所体现出的不同分形模型差异来达到边缘检测的目的。实验结果表明,该算法具有抗噪声、小目标或多目标检测等优点。     

基于小波去噪的BP神经网络短期风功率预测方法设计

为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的BP神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的BP神经网络预测对比,基于小波去噪的BP神经网络算法明显提高了预测精度。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

基于BP神经网络的GIS缺陷图像识别系统的研究

为了实现对气体绝缘金属封闭开关设备(GIS)的精确检测,提出了一种基于BP神经网络的对GIS内部典型缺陷图像自动识别的检测方法。通过内窥镜获得各种类型的异物缺陷图像,建立缺陷类型样本数据库。对样本数据库中的图像进行特征分析和特征提取,采用图像的有效特征对BP神经网络进行学习和训练,建立异物缺陷类型的识别模型,实现缺陷图像的自动识别。该系统的算法和界面均由MATLAB实现,系统测试表明,基于BP神经网络的GIS缺陷图像自动识别系统,能够对GIS内部异物缺陷类型进行准确监测和识别。     

基于稀疏轻量卷积神经网络的管道泄漏检测

针对传统供水管网泄漏检测问题,本文提出了一种基于稀疏轻量卷积神经网络的管道泄漏检测算法。首先通过声音传感器采集管道泄漏的声音信号,经过立体声转换、重采样、长度对齐等预处理操作后,将其转换成梅尔频谱图。然后,构建一种稀疏轻量化的卷积神经网络模型来对梅尔频谱图进行特征抽取和泄漏检测。针对声音特征图的稀疏和时延性质,本文采用Inception网络结构来进行提高模型的特征抽取能力。此外,因为该模型需要被部署到边缘侧,因此设计了一种基于SqueezeNet的轻量化卷积神经网络模型来减少模型的参数,降低模型复杂度。实验结果表明,提出的管道泄漏检测算法在保证复杂度较低的同时具有较高的识别准确率。     

BP神经网络对驻极体麦克图像特征识别的研究

人工神经网络是特征识别的有力工具。在研究对驻极体麦克图像识别方法的基础上，本文提出了一种用改进的BP神经网络进行图像特征的识别和学习算法，并给出了动量系数和学习率的调整方法。对比传统方法测定的结果，使用改进的BP神经网络在识别不规则特征时：减少了输入信息冗余，网络结构相对简单；神经网络输出的各项指标明显提高了精度，对麦克图像特征的平均识别正确率达到92．7％；识别速度也满足在线实时检测的要求。理论分析和实验均表明该算法能实时有效地检测出驻极体麦克图像的特性。本文为研究图像不规则特征的识别提供了一种新的方法。     

小波变换在图像检测中的应用

提出了一种基于小波变换的图像边缘检测算法,该算法具有计算复杂度小,运算速度快等特点,仿真结果表明该算法在信／噪比和边缘检测定位精度方面优于传统的边缘检测方法,获取了较满意的图像边缘检测效果。     

基于区域统计和BP神经网络的车牌识别

为从车牌图像中获得车牌的字符信息,需要对字符识别系统进行研究。车牌识别过程分为图像预处理、车牌定位、车牌校正与分割和车牌字符识别4个环节。针对前3个环节,完成了图像中值滤波、Sobel算子边缘检测、数学形态学处理、Otsu二值化和Hough变换校正等工作,获得了单一标准字符图像。在车牌字符识别环节中,首先根据汉字位置,利用模板匹配算法对汉字进行识别,对于数字、字母字符,将字符图像分割,通过统计图像各部分的连通区域数以获得字符形态特征,据此设计并训练BP神经网络识别字符。最终获得能完成图像中的车牌字符识别的系统。     

SPIHT算法对BP神经网络图像压缩处理的改善

本文针对BP神经网络对图像高频信息压缩效果欠佳和收敛性较差的问题,提出了将SPIHT(多级树集合分裂)算法应用于BP神经网络图像压缩处理的新结构.在研究中,首先对原始灰阶图像做小波变换;其次采用SPIHT算法对小波系数作量化编码处理;然后将产生的图像码流输入BP神经网络作进一步压缩处理.在实验中,本文提出的算法不仅在较大压缩比下仍能得到较高的峰值信噪比,而且有效地改善了图像的"块效应"问题;同时,提高了BP神经网络图像压缩的收敛速度,从而证明了该系统结构对图像压缩处理是有效的.     

基于数学形态学的医用管制瓶边缘检测

本文提出一种改进的数学形态学边缘检测算法,对传统形态学边缘检测算子进行改进,得到一种双结构元的抗噪形态学边缘检测算子;选取了适于管制瓶视觉检测的结构元素;用基于多结构元素的数学形态学边缘检测方法进行管制瓶边缘检测.实验结果表明,与经典的边缘检测算子和传统形态学边缘检测算法相比,该算法在噪声环境下具有更好的边缘提取能力.该算法可用于管制瓶的机器视觉检测系统.     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

遗传算法和神经网络在交通事故预测中的应用

介绍了BP(误差反向传播算法)和GA(遗传算法)以及GA-BP三种神经网络,并以此分别对道路交通事故进行预测。实验结果表明,基于GA-BP算法的神经网络方法应用于交通事故的预测问题,能采用遗传学习算法优化BP神经网络模型的初始权重,即先利用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。GA-BP神经网络在收敛速度和预测精度等方面均优于BP和GA网络,从而为交通部门的未来事故预测提供了一种新的思路与方法。     

在电力通信预警中优化的BP神经网络模型研究

阐述了当前电力通信预警中存在的问题和常用算法,针对在电力通信预警中,BP神经网络模型存在易陷入最小值、收敛速度慢的问题,提出了一种应用遗传算法对BP神经网络模型的初始权值和阈值进行优化的方法。选取52节点典型电力通信预警模型,分别对传统BP神经网络模型和遗传算法优化网络模型进行仿真试验。经过遗传算法优化的BP神经网络模型收敛速度快、拟合精度高,能够有效提高电力通信预警的反应速度和响应准确度。     

基于磁记忆的金属管道缺陷检测方法

作为油气输送媒介的金属管道,其缺陷处产生应力集中将造成安全隐患,为实现金属管道缺陷的非接触式定量检测,研究了一种磁记忆检测方法。采用磁异常梯度矩阵实现对产生应力集中的缺陷进行定位;利用平移不变量小波去噪(TI)与特征提取进行信号处理;麻雀搜索算法(SSA)优化BP神经网络实现缺陷尺寸反演。实验表明,平移不变量小波去噪相比小波阈值去噪,信噪比提升1.56%,均方误差降低4.87%;SSA＿BP神经网络反演均方误差比BP神经网络降低67.2%;检测方法能在提离状态下实时检测管道缺陷并反演缺陷尺寸。