人工神经网络在局部放电模式识别中的应用

探讨了放电模型的神经网络识别,研究了以统计算子为输入量的发电机局部放电信号的神经网络模式识别,通过神经网络模型的建立及学习,分析如何识别几种典型局部放电模型信号,为发电机绝缘故障类型的判别提供了理论基础。     

基于BP神经网络的故障模式识别与应用

阐述了神经网络模式识别的基本原理,采用改进的BP算法对故障模式识别进行了研究.改进算法采用的变换函数并引入动量因子,利用变步长算法加速学习,结合汽轮机减速箱故障模式识别进行仿真实验,建立了详细的诊断模型.仿真结果表明,改进算法能够快速收敛,识别结果稳定.     

基于BP神经网络的手写数字识别

数字识别是模式识别领域中重要研究方向之一,具有广阔的应用前景。文章在对BP神经网络基本原理研究的基础上,提出了利用BP神经网络方法来实现手写数字识别的方案。通过MATLAB仿真实验表明,基于BP神经网络的数字识别系统取得了良好效果。     

基于BP神经网络和安卓的车牌识别系统设计

提出了一种基于B P神经网络和安卓的车牌识别方法。以BP神经网络的模式识别技术作为主要识别方法,选取尺度不变特征转换(SIFT)算法探测牌照中局部特征字符特征作为神经网络的输入,进行神经网络训练,实现了对字符的识别,然后将车牌识别方法移植到安卓平台,实验结果表明该识别方法可行,满足了车牌识别基本需求。     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

基于最小二乘支持向量机的局部放电信号的识别

为提高小样本情况下识别局部放电信号的正确率,采用最小二乘支持向量机(LSSVM)对局部放电信号进行识别,利用网格搜索法先进行粗略搜索,再精细搜索参数,进行参数寻优。采用M-ary方法进行多分类。并采用LSSVM和BP神经网络两种分类器对局部放电信号进行识别,识别结果表明,LSSVM识别率比BP要高。该方法在小样本情况下具有更高的识别率。     

电液伺服激振系统的智能故障诊断研究

该文针对电液伺服激振系统,根据故障诊断的基本原理,结合模式识别理论、人工智能理论和计算机科学,建立了系统故障诊断的结构模式和学习算法。利用BP神经网络与遗传算法相结合的方法,对系统故障进行模式识别和诊断,缩短了平均诊断时间,提高了诊断效率和故障识别精度。     

改进的BP算法用于控制图模式识别

研究3种改进的BP算法在控制图模式识别中的应用。应用Matlab神经网络工具箱对神经网络进行仿真，为了提高网络的运行速度，对样本数据进行预处理。仿真结果表明尺度共轭梯度下降算法的训练速度最快，识别的准确率也最高。     

基于蚁群算法和神经网络的数控机床故障诊断技术研究

为了克服BP神经网络收敛速度慢、易于陷入局部极小点的缺点,在研究蚁群算法优化神经网络训练算法的基础上,以数控机床的进给伺服系统故障诊断为例,建立其故障诊断模型。利用训练后的蚁群神经网络对其进行故障诊断,并把BP神经网络和蚁群神经网络的训练和诊断结果相比较。实验结果表明:蚁群神经网络比BP神经网络的收敛速度快、运算效率高、识别能力强。这说明蚁群神经网络应用于数控机床的故障诊断中,可有效地提高故障诊断的准确度和效率,具有良好的应用效果。     

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显.传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法.根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效.     

小波与神经网络在模式识别中应用的研究

通过各种方法利用小波变换和神经网络相互结合进行模式识别,不仅可以提高识别的准确率,还可以充分利用神经网络的鲁棒性使目标的识别更加接近于实用.本文论述了小波和神经网络相互结合进行模式识别的方法,并提出并采用推选体制小波变换和图像识别中的7个不变矩得出特征值,再用BP神经网络进行识别的方案,得出很好的结果.     

基于遗传算法改进的BP神经网络模型的磨损机理智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

遗传算法与神经网络在语音识别中的应用

为克服隐马尔可夫模型(HMM)在语音识别应用中的缺点和局限性,在语音识别中引入神经网络.采用前馈多层神经网络,用遗传算法和BP算法结合的方式对网络进行训练,克服了传统BP算法收敛速度慢、易陷入局部最小等缺陷.仿真实验结果表明,该模型有效地提高了语音的识别率,并缩短了识别时间,实现了效率与时间的双赢,为算法的实用性奠定了基础.     

基于改进PSO优化BP神经网络的变压器故障诊断

变压器故障诊断是非线性模式识别过程,单一的BP(Back Propagation)神经网络收敛速度慢、容易陷入局部最小值,提出用改进粒子群算法(Particle Swarm Optimization,缩写为PSO)进行优化。使神经网络的学习速率动态减小,保证前期充分搜索,后期网络稳定;动态调整PSO的惯性权重和学习因子适应不同阶段的搜索要求,同时引入变异思想,重新初始化某些变量跳出局部最小值。绝缘油中5种特征气体为判断依据,划分高能放电、低能放电、高温过热、中低温过热四种故障,运用新改进的算法建立故障诊断模型,100多个样本进行实际故障诊断,准确率达到83%以上。结果表明,改进PSO-BP更加准确、可靠。     

利用优化概率神经网络识别自相关过程异常

概率神经网络的控制图模式识别性能主要取决于平滑因子的设定,为提高概率神经网络对控制图模式识别准确率,文章利用PSO算法对平滑系数进行优化。将优化的概率神经网络运用于自相关过程的控制图模式识别中,并与常见的控制图模式识别方法BP神经网络进行对比,通过仿真实验证明,基于PSO优化的概率神经网络在自相关过程中具有更强的模式分类性能。     

改进的BP神经网络在车辆目标识别中的应用研究

遥感图像下的车辆目标识别系统大多是基于传统的BP神经网络算法,传统BP神经网络算法存在诸多问题,如易形成局部极小而得不到全局最优、训练次数多、学习效率低、收敛速度慢等,影响和限制车辆目标识别系统的识别能力.针对传统BP神经网络存在的缺陷,为进一步提高车辆目标识别系统的识别精度,提出采用随机梯度下降法和深层滑动神经网络对传统BP神经网络进行改进.实验表明,改进后的BP神经网络具有良好的学习能力和更快的训练速度,适用于车辆目标识别系统的优化.     

模糊神经网络法及其在缺陷模式识别中的应用

针对冷轧带钢表面缺陷图像模式识别中出现的问题,引入模糊模式识别和反向传播神经网络识别方法.在研究比较两种识别方法的基础上,利用模糊模式识别在剔除噪音数据和反向传播神经网络在模型拟合和非线性识别上的优势,提出一种新的模糊神经网络方法,并详细讨论了算法的结构特点及其实现方法.对五种出现频率较高的典型缺陷图像进行计算机实验研究,结果表明,该方法能对缺陷图像进行有效的识别,具有良好的性能.     

基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。