基于集成分类器的泡罩包装药品缺陷识别

目的 针对药品生产包装过程中常出现缺陷泡罩包装药品的问题,研究一种基于多特征构建与集成分类器的泡罩包装药品缺陷识别方法.方法 该方法通过集成2个不同的分类器算法分别对药品图像类别进行预测,并采用联合判定函数对2个预测输出值进行联合决策,得到最终分类结果.第1个分类器模型通过将图像转化到HSV颜色空间,分割出泡罩区域和药片区域,进行特征设计,并在提取多项特征参数后构建BP神经网络分类算法给定药品类别预测.第2个分类器模型应用多层卷积神经网络取代传统算法对图像特征进行提取,并输出药品图像类别的预测值.根据2个分类器的性能进行算法集成,构成最终集成分类器.结果 实验结果表明,该集成分类模型对数据集中泡罩包装药品图像进行分类识别测试,准确率达97％以上.结论 集成分类模型不仅提高了单一分类器的识别准确率,也具有更佳的稳定性.该方法取得了卓越的分类效果,具有较高应用性.     

在线自适应神经网络算法及参数鲁棒性分析

为了提高传统BP神经网络在线预测精度和计算效率,提出一种在线自适应神经网络算法。该算法在传统BP网络的输入层和隐含层之间增加一个反馈层,通过存储内部状态增强网络动态映射能力,以提高算法自适应性;同时,在学习阶段采用递推形式在线训练算法权值和阈值,以提高算法计算精度和计算效率。基于两组防屈曲支撑构件拟静力试验数据,在线预测防屈曲支撑恢复力。研究表明:与传统神经网络算法相比,在线自适应网络算法具有更好的在线预测精度和计算效率;通过对网络结构中的输入变量、输入和观测样本、隐含层激活函数等算法参数进行鲁棒性分析,找到算法参数对算法性能的影响规律,给出算法应用时参数选择的建议。     

基于胶囊网络的汉字笔迹鉴定算法

由于采集脱机汉字手写样本时忽略了书写人的心理和生理等因素对书写活动的影响,因而传统笔迹鉴定算法的泛化能力较低。针对上述问题,提出基于胶囊网络的汉字笔迹鉴定算法,并构建了跟踪采集数据集以模拟复杂背景下产生的汉字。胶囊网络构建活动向量表示特定类型的实例化参数,通过动态路由算法将活动向量路由到下一层相应的胶囊中,使下一层胶囊得到更清晰的输入信号。分别采用5种算法对HWDB1.1数据集和跟踪采集数据集进行了测试,实验结果表明：本文算法的分类准确率比其他4种算法的都高,HWDB1.1数据集和跟踪采集数据集中算法的分类准确率分别为95.82%, 94.39%;本文算法具有较强的泛化性能,对训练样本数的依赖程度较低,弥补了卷积神经网络池化层的信息丢失缺陷。     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测

针对神经网络在预测复合镀层性能方面的应用情况,以及传统的BP神经网络存在缺陷;通过对RBF神经网络的基本原理和特点的研究,建立了利用RBF神经网络对Ni-TiN纳米复合镀层显微硬度进行预测的模型。通过实验数据验证了所建立的RBF神经网络模型具有很高的精确度,其最小相对误差可达0.62%,而且所建立的预测模型具有优化工艺参数的功能,对复合镀层的其它性能进行预测具有指导意义。     

基于机器视觉的多轴3D打印缺陷检测技术研究

熔融沉积成型(Fused Deposition Modeling,FDM)作为应用最为广泛的增材制造工艺,其打印件质量问题引起了越来越多的关注.本研究针对FDM打印件常见缺陷,提出了一种基于机器视觉与卷积神经网络(Convolutional Neural Network,CNN)的多轴FDM打印检测方法,使用CCD相机采集打印件状态图像,并利用构建的CNN网络进行缺陷识别与分类.为了验证该检测方法的可行性,面向自主开发的五轴FDM打印平台,以层间剥离缺陷为例,建立了数据集,通过训练与验证,不断改进网络参数,构建了性能优异的CNN网络.     

基于神经网络的钢结构冷喷涂工艺优化

目前,鲜有将神经网络用于钢结构件冷喷涂工艺优化的报道。为了快速、高效、经济地提高Q235钢的耐腐蚀性能,以喷涂气体压力、喷涂气体温度、喷涂距离和喷涂粉末平均粒径为输入参数,以耐腐蚀性能(腐蚀电位)为输出参数,构建了4×16×8×1四层拓扑结构的钢结构冷喷涂工艺优化神经网络模型;对该模型进行了试验验证和生产线应用研究。结果表明:该神经网络模型具有较好的预测精度和工艺优化能力,相对预测误差为1.88%~5.19%;神经网络优化后的冷喷涂Q235钢的腐蚀电位正移了213 mV,耐腐蚀性能明显提高。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于GRNN-PNN神经网络的印铁缺陷分类方法

目的针对在印铁过程中缺陷检测系统存在不同缺陷类型检测精度不高,对于产品整体质量无法实现智能判断的问题,基于GRNN-PNN神经网络,提出一种适用于印铁在线检测的分类算法。方法对平面印刷铁片进行小波变换提取低频信息,在低频信息中进行缺陷定位并对缺陷区域进行标记和分割。通过缺陷面积、周长等评价指数和缺陷形状构建GRNN神经网络,对缺陷进行分类。通过构建PNN神经网络智能化判别整体产品是否属于合格产品。结果 GRNN-PNN平均耗时0.69s,达到了厂方对于缺陷在线检测的响应时间要求。GRNN-PNN多分类的准确率为86%,能够对印铁过程中产生的主要缺陷进行分类。二分类的灵敏度为96%,可以准确地判断产品整体的合格性。在5%的椒盐噪声干扰下,准确率为63%,具有良好的鲁棒性。结论该设计能够对印铁缺陷进行精确的分类和智能的判断,GRNN-PNN神经网络可以在印铁过程中进一步提高检测精度,GRNN-PNN神经网络可帮助质检员及时判断生产质量。     

卷积神经网络在无纺布缺陷分类检测中的应用

目的针对传统无纺布缺陷分类检测中人工依赖性强、效率低等问题,提出一种能够满足工厂要求的卷积神经网络分类检测方法。方法首先建立包括脏点、褶皱、断裂、缺纱和无缺陷等5种共计7万张无纺布图像样本库,其次构造一个具有不同神经元个数的卷积层和池化层的神经网络,然后采用反向传播算法逐层更新权值,通过梯度下降法最小化损失函数,最后利用Softmax分类器实现无纺布的缺陷分类检测。结果构建了12层的卷积神经网络,通过2万张样本进行测试实验,无缺陷样本准确率可以达到100%,缺陷样本分类准确率均在95%以上,检测时间在35 ms以内。结论该方法能够满足工业生产线中对于无纺布缺陷实时分类检测的要求。     

Prediction of die casting process parameters by using an artificial neural network model for zinc alloys

Pressure die casting is an important production process. In pressure die casting, the first setting of process parameters is established through guess work. Experts use their previous experience and knowledge to develop a solution for a new application. Due to rapid expansion in the die casting process to produce better quality products in a short period of time, there is ever increasing demand to replace the time-consuming and expert-reliant traditional trial and error methods of establishing process parameters. A neural network system is developed to generate the process parameters for the pressure die casting process. The system aims to replace the existing high-cost, time-consuming and expertdependent trial and error approach for determining the process parameters. The scope of this work includes analysing a physical model of the pressure die casting filling stage based on governing equations of die cavity filling and the collection of feasible casting data for the training of the network. The training data were generated by using ZN-DA3 material on a hot chamber die casting machine with a plunger diameter of 60 mm. The present network was developed using the MATLAB application toolbox. In this work, the neural network was developed by comparing three different training algorithms: i.e. error backpropagation algorithm; momentum and adaptive learning algorithm; and Levenberg-Marquardt approximation algorithm. It was found that the Levenberg-Marquardt approximation algorithm was the preferred method for this application as it reduced the sum-squared error to a small value. The accuracy of the developed network was tested by comparing the data generated from the network with those of an expert from a local die casting industry. It was established that by using this network the selection of process parameters becomes much easier, so that it can be used by a novice user without prior knowledge of the die casting process or optimization techniques.     

基于神经网络PID控制器的压铸机压射速度控制系统的设计

目的 通过神经网络PID控制器,提高铸件过程中对压铸机压射速度的准确控制,以改善铸件的品质.方法 首先,从压射系统的结构出发,分析其工作过程,通过输入电压求取电液伺服装置的传递函数,利用比例阀所受压力,计算其端口流量,进而完成压射系统的建模.然后,以STM32F103RE处理器为核心,配以输入电路、反馈电路等外围单元,...     

A Rub-Impact Recognition Method Based on Improved Convolutional Neural Network

Based on the theory of modal acoustic emission (AE), when the convolutional neural network (CNN) is used to identify rotor rub-impact faults, the training data has a small sample size, and the AE sound segment belongs to a single channel signal with less pixel-level information and strong local correlation. Due to the convolutional pooling operations of CNN, coarse-grained and edge information are lost, and the top-level information dimension in CNN network is low, which can easily lead to overfitting. To solve the above problems, we first propose the use of sound spectrograms and their differential features to construct multi-channel image input features suitable for CNN and fully exploit the intrinsic characteristics of the sound spectra. Then, the traditional CNN network structure is improved, and the outputs of all convolutional layers are connected as one layer constitutes a fused feature that contains information at each layer, and is input into the network’s fully connected layer for classification and identification. Experiments indicate that the improved CNN recognition algorithm has significantly improved recognition rate compared with CNN and dynamical neural network (DNN) algorithms.     

表面滚压强化工艺对FV520B钢表面完整性的影响及预测模型建立

目的 基于多元回归法和BP神经网络建立预测模型,实现对滚压后试件表面完整性指标的精准控制,从而指导实际加工生产。方法 以FV520B钢为研究对象,以滚压工艺参数(压强、进给量、滚压速度)为影响因素,以材料表面完整性指标(表面粗糙度、表面硬度、塑性变形层深度)为评价指标,设计了正交试验。通过对正交试验数据进行方差分析和信噪比分析,探究了滚压工艺参数对FV520B钢表面完整性的影响。基于正交试验数据构建了多元回归预测模型和BP神经网络预测模型,并对2种模型的有效性和精准度进行了分析和比较。结果 进给量对表面粗糙度有显著影响,随着进给量的增大,表面粗糙度也显著增大。压强和进给量对塑性变形层深度均有显著影响,且塑性变形层深度随着压强的增大而增大,随着进给量的增大而减小。多元回归法建立的预测模型的拟合度较差,而BP神经网络预测模型的实验值和预测值的相对误差均在10%以下,预测效果较好。结论 相比于多元回归预测模型,BP神经网络预测模型具有误差小、泛化性能好等优点,能够实现对滚压后试件表面完整性指标的精准控制,为实际的加工生产提供一定的指导。     

DeepESC网络的环境声分类方法研究

为进一步提升环境声分类的识别率，提出了一种仿深度隐藏身份特征（Deep Hidden Identity Feature，DeepID）网络连接方式的卷积神经网络——深度环境声分类网络（Deep Environment Sound Classification，DeepESC）。DeepESC网络共有六层——三层卷积层、两层全连层以及一层聚合层，为使网络在自动抽取高层次特征的同时能有效地兼顾低层次特征，网络将三层卷积层的输出聚合为一层，该层充分包含不同层次的特征，提升了卷积神经网络的特征表达能力。ESC-10和ESC-50数据集上的仿真结果表明：在相同的识别框架下，与随机森林分类器相比，本文网络识别率分别平均提升了7.6%和22.4%，与传统的卷积神经网络相比，识别率分别平均提升4%和2%，仿真实验验证了本文分类器的有效性。     

基于机器学习的电喷印精度预测方法研究

目的 节省电流体喷射打印精度预测的时间和解决电流体工艺参数的选择问题,达到提高电流体打印的质量和效率的目的。方法 为了对电流体喷射打印精度进行预测,提出有限元模型与机器学习相结合的方法。基于线性回归、支持向量回归和神经网络等机器学习算法建立4种参数与射流直径的关系模型。结果 算法结果表明:支持向量回归和神经网络预测模型的决定系数R²能达到0.9以上,表示模型可信度高;支持向量回归和神经网络预测模型指标都比线性回归预测模型的小。结论 机器学习算法可对电喷印打印精度进行有效预测,预测效率提高了十几倍,节省了精度预测的时间。     

Effects of Process Settings on the Porosity Levels of AM60B Magnesium Die ““Castings

The study examined effect of die casting process parameters on porosity in magnesium alloy AM60B. Porosity is unavoidable in die casting products, but it can be reduced by controlling the process parameters. It is shown in this work that die casting parameters such as plunger stroke, first phase speed, second phase speed and consolidation pressure all have a significant influence on the porosity level of AM60B magnesium die castings. The relationship between the porosity level and the processing parameters has been investigated. The paper also discusses the developing application of magnesium die castings in the microelectronics and automotive industries,     

基于误差修正 NLSTM 神经网络的无人机航迹预测

无人机产业近年来发展迅猛,在军用和民用方面都拥有广泛的应用前景。无人机的航迹记录在其航行过程中发挥着重要作用,无人机的航迹预测也成为当前世界研究的热点,使用神经网络进行航迹预测更可以充分发挥其优势。首先对国内外学者关于航迹预测的文献进行了梳理,根据航迹预测的原理对目前飞行器航迹预测算法进行了总结和分类,针对利用神经网络模型预测无人机航迹并逐步改进模型以提高预测精度的问题进行了研究。接着对于传统神经网络模型预测精度不够高的问题,提出一种带误差修正的嵌套长短期记忆 (ENLSTM) 神经网络预测模型。ENLSTM 在嵌套长短期记忆网络模型的基础上引入了误差修正项,从而使得预测精度更高。最后使用 BP、RNN、LSTM 和 ENLSTM 四种神经网络模型分别对无人机的真实航迹数据和模拟航迹数据进行仿真实验,得出结论：循环神经网络相对 BP 神经网络在无人机航迹的预测上更具有优势,基于基础循环神经网络的逐步改进提升了模型的预测能力,ENLSTM 模型对于无人机的航迹预测具有更好的效果。     

人工神经网络中的一种Krylov子空间优化算法

介绍了人工神经网络的二阶优化算法研究现状，对人工神经网络损失函数的KSD (Krylov Subspace Descent) 优化算法进行改进。针对KSD算法中采用固定不变的Krylov子空间维数的方式，提出了Krylov子空间维数根据计算结果自适应改变的MKSD (Modified KSD) 算法，并给出了利用 MKSD、KSD 以及 SGD (Stochastic Gradient Descent) 优化算法对不同问题的全连接神经网络进行训练的数值算例。计算结果说明MKSD的算法对比于其他算法具有一定的优势。