多类型特征量的油水两相流流型识别算法

本文以收敛型微通道中油水两相流的流型识别为对象,将高速摄像法与神经网络算法相结合,提出了高效的、可视化的、智能化的两相流流型识别方法。该方法采用了包含图像纹理参数和流型无量纲参数的多类型特征量,更精准区分6种流型的不同特点,流型识别的收敛速度和准确率更高。BP神经网络的识别率为92. 5%,Elman神经网络的识别率为93. 7%,Elman神经网络在收敛速度与准确率方面优于BP神经网络。     

基于人工神经网络的结构损伤识别方法

根据观测的结构频率变化,建立了基于人工神经网络的悬臂梁结构损伤识别方法.把结构固有频率的变化率作为BP神经网络的输入参数,对悬臂梁结构模型进行了损伤数值模拟计算.为了提高神经网络的泛化推广能力和收敛速度,将BFGS优化方法应用到神经网络的训练过程中.数值计算结果表明,所建立的结构损伤识别方法具有收敛速度快、识别精度高等特性.     

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标,在分析现有识别指标的基础上,提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标,并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报,其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。     

框架结构连接损伤识别神经网络输入参数的确定

神经网络已越来越多地被用于基于振动的结构损伤识别。而如何选择输入参数还是一个值得研究的问题。本文提出了一种由 频率与少数点的模态分量合成的组合参数，作为神经网络的输入向量，以克服单独使用某种参数的缺陷。通过一个六层框架的数值模拟和一个两层框架的实验验证，表明本文提出的组合参数对框架结构的连接损伤识别是实用可行的。     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

识别结构模态参数的神经网络方法研究

提出了在输入未知时基于频率呼应函数用神经网络识别结构模态参数的方法,并研究了不同的噪声水平和网络输入层点数目对网络输出误差的影响。讨论了网络对不同阶数模态参数的识别精度。数值结果表明此方法是可行的。     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

基于人工神经网络的钢结构损伤识别

由于神经网络的非线性映射、自适应及自学习的能力已越来越多地用于结构损伤识别中,本文根据网络参数选择的原则建立了一个三层BP神经网络结构损伤识别模型,对一简支钢板进行了分析.为避免单一频率或模态振型作为输入向量带来的误差,选用与损伤位置和程度相关的组合参数:即结构损伤前后的频率变化平方和少点模态振型作为输入参数.利用训练好后的网络对损伤模型进行诊断和预测,取得了较好的效果.     

基于自适应概率神经网络的损伤模式识别研究

在传统的概率神经网络(PNN)的基础上,提出了通过Gap-Based方法初步估算平滑因子σ,并以遗传算法优化σ参数集的自适应概率神经网络(APNN)模式分类识别方法.以桥梁健康监测委员会提出的两跨桥梁Benchmark模型为例,通过将小波包分解结构在正弦激励和交通激励载荷模型下的动力响应信号的能量特征向量作为网络的输入样本,利用APNN进行了损伤模式进行识别.结果表明, APNN不仅识别精度高和抗噪性能好,而且还能用于输入特征向量参数筛选和降维,提高学习效率和识别精度.     

基于信息神经网络的缺陷类别的智能识别

在统计概率基础上建立了信息神经网络,探讨了利用信息神经网络识别缺陷类型的方法,经对一些缺陷图像的识别,取得了满意效果.     

An exploratory study of a neural network approach for reliability data analysis

The results of this paper show that neural networks could be a very promising tool for reliability data analysis. Identifying the underlying distribution of a set of failure data and estimating its distribution parameters are necessary in reliability engineering studies. In general, either a chi-square or a non-parametric goodness-of-fit test is used in the distribution identification process which includes the pattern interpretation of the failure data histograms. However, those procedures can guarantee neither an accurate distribution identification nor a robust parameter estimation when small data samples are available. Basically, the graphical approach of distribution fitting is a pattern recognition problem and parameter estimation is a classification problem where neural networks have been proved to be a suitable tool. This paper presents an exploratory study of a neural network approach, validated by simulated experiments, for analysing small-sample reliability data. A counter-propagation network is used in classifying normal, uniform, exponential and Weibull distributions. A back-propagation network is used in the parameter estimation of a two-parameter Weibull distribution.     

Neural Method Alloys Identification by the Microplasma Oxidation Process in the Electrolyte Solutions

A new method for the aluminium and magnesium alloys identification is described in the paper. The distinctive feature of the method is based on the measure of parameter current by the microplasma oxidation process of the alloys using neural network for its identification. Examples of alloy identification and estimation of recognition accuracy are given.     

Health Assessment of Concrete Dams by Overall Inverse Analyses and Neural Networks

In several existing dams alcali–silica reaction (ASR) during several decades of service life, or diffused micro-cracking (due to concrete ageing and/or past extreme loads, such as earthquakes) give rise to deterioration of concrete stiffness and to correlated reduction of its strength. An inverse methodology is presented herein apt to identify damage in concrete dams on the basis of hydrostatic loading, measurements by traditional monitoring instruments, such as pendulums and collimators, and artificial neural networks trained by means of finite-element simulations. The arch-gravity dam referred to in this study is sub-divided into homogeneous zones, to which a constant Young modulus is attributed as unknown parameter which quantifies possible damage. These elastic moduli are estimated on the basis of pseudo-experimental data and identification procedures. After a suitable ‘training’ process, artificial neural networks (ANNs) are employed for numerical solutions of the inverse problem, and their potentialities and limitations are examined to the present purposes. In particular, they turn out to be robust and practically useful in the presence of information which are scarce quantitatively (few available measurements) and/or qualitatively (large noise-to-signal ratio).     

两种新的基于子空间跟踪的时变模态参数快速辨识算法

该文研究了基于子空间跟踪的时变模态参数快速辨识算法的过程。对更新的输入/输出数据的预处理后, 时变模态参数辨识的主要问题转化成子空间跟踪, 引入NPI 和API 子空间跟踪算法替代PAST 形成两种新的时变模态参数快速识别算法。通过对移动分布质量-悬臂梁这一典型的时变结构系统以及两自由度弹簧-质量系统的时变模态参数识别验证了新算法的有效性并且比较分析了这3种基于不同子空间跟踪算法的时变模态参数识别算法的辨识能力。     

基于多体系统传递矩阵法和遗传算法的一种物理参数识别方法

将多体系统传递矩阵法与遗传优化算法相结合,形成了一种新的基于多体系统传递矩阵法和遗传算法的物理参数识别方法(MS-TMM&GA).应用多体系统传递矩阵法进行动力学建模以及固有振动特性分析.将参数识别问题转化为优化问题,结合遗传算法,对由系统固有频率和增广特征矢量构造的目标函数全局最小值优化求解.给出了通过系统模态参数识别物理参数的计算步骤以及流程图.通过两个数值算例,表明了该方法的可行性及有效性.该方法对多体系统传递矩阵法和遗传算法进行了结合与拓展,无需建立复杂多体系统的总体动力学方程,涉及矩阵阶次低,即可快速获得高精度的优化计算结果.     

正交各向异性孔板的材料参数识别

结合优化技术和边界元分析,针对正交各向异性孔板进行了材料参数的识别。材料参数识别的问题转化为极小化目标函数的问题,其中目标函数定义为测量位移与边界元计算相应的位移之差的平方和。采用Levenberg-Marquardt方法解极小化目标函数的问题,其中灵敏度的计算是基于离散的边界元代数矩阵方程对识别材料参数的求导。数值算例中,首先把边界元计算正交各向异性圆孔方板位移的结果与解析解进行比较,两者符合良好;然后采用本文提出的方法识别正交各向异性圆孔方板的材料参数。数值算例表明本文提出的方法是有效的。     

Parameter identification of an elasto-plastic behaviour using artificial neural networks–genetic algorithm method

The simulation of the metal forming processes requires accurate constitutive models to describe the material behaviour at finite strain taking into account several conditions. The choice of a rheological model and the determination of its parameters should be made from a test that generates such conditions. The major difficulty encountered is that there is no experimental test satisfying all these criteria. The use of more than one test seems more and more essential, and it is utilized to characterize the rheological behaviour at operating conditions that correspond to metal forming applications. An Inverse analysis is then considered. Therefore, the difficulty lies within the long computing time taken when an optimization procedure is coupled with a finite element computation (FEC) to identify the material parameters. In order to solve the computing time problem, this paper proposes a hybrid identification method based on finite elements, neural network computations and genetic algorithm (GA) of an elasto-plastic behaviour model. The strategy suggested is then applied to identify the Karafillis and Boyce criterion and the Voce parameters model of the Stainless Steel AISI 304 using two tests (plane tensile test and bulge test with a circular die) at the same time.     

基于遗传算法的非线性迟滞系统参数识别

研究了非线性迟滞系统的参数识别问题。在识别过程中,将非线性迟滞系统的记忆复力用双折线模型来描述,并由此模型写出非线性迟滞系统的参数识别方程。利用相干函数,把关于模型参数非线性的参数识别方程转化线性参数识别前提下的非线性函数优化问题。     

基于混合粒子群优化算法辨识Hammerstein模型

非线性系统辨识是现代辨识领域中的一个主要问题。在非线性系统辨识中,系统常被表示为一系列块连接。针对非线性系统中的Hammerstein模型,本文提出了利用混合粒子群优化算法对非线性系统模型进行辨识。该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题,然后采用粒子群优化算法(PSO)获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出利用一种混合粒子群优化算法。最后,给出仿真实验,其结果验证了本文给出的辨识方法是有效的。