概念图形草绘设计技术研究

针对概念草图的输入输出问题,采用了基于草绘输入的交互式图形设计方法,实现了单笔划草绘轨迹主动分段识别与规整方法;运用了基于笔式手势的草图编辑方法,并将概念草图以DXF的格式输出,实现与现有CAD系统之间的集成.根据手势设计原则以及草图编辑的需要,定义并实现了选择、删除、移动等10种手势,同时采用感知器线性分类方法对手势进行识别.实例表明:手势编辑模式能够改善传统编辑方式在自然性与智能性方面的不足.     

多层感知器三种学习算法的比较

多层感知器是一种多层前馈神经网络，常用的快速训练算法有共轭梯度法、拟牛顿法。通过模式分类实验对这两种算法和BP算法进行比较，并由试验数据得出这几种算法的复杂性、可靠性，以及由算法产生的多层感知器的泛化能力。     

基于RF-MLP的烘丝出口含水率预测

针对烟丝烘丝出口含水率预测精度不足导致水分控制参数难以准确设置的问题，提出了基于随机森林和多层感知器的烘丝出口含水率预测方法。首先，采用随机森林方法提出烘丝出口含水率的相关特征，构建含水率特征矩阵。其次，将特征矩阵作为多层感知器的输入，建立特征量与烘丝出口含水率的5层隐含层预测模型。最后，通过网格搜索算法进行预测模型的结构优化。结果表明，在烘丝含水率预测中，文中方法的模型决定系数达到了0.97,优于对比方法。文中方法提高了烘丝出口含水率预测精度，可辅助含水率控制策略的制定，进而提高烟丝品质。     

隔距式定纤感知器对于柞蚕茧缫线的适应性的研究

研究了隔距间隙对于柞蚕茧长杠杆隔距定纤感知器使用效果的影响及其机理。     

基于GWO-MLP的光伏系统输出功率短期预测模型

准确预测光伏系统的输出功率对微网系统的优化调度具有重要意义。为了减小光伏系统输出功率短期预测误差,文中采用多层感知器(Multi Layer Perceptron, MLP)神经网络作为主要的预测载体,将光照强度、温度、风速数据作为MLP的输入,光伏系统的输出功率作为MLP的输出,采用光伏电站的历史数据对MLP进行训练,并针对MLP在初始化权重和偏置量中存在的随机性问题,提出运用改进灰狼算法(Grey Wolf Optimizer, GWO)对MLP的初始权重和偏置量进行优化,减小MLP随机初始化的误差。仿真结果显示,文中提出的GWO-MLP在均方误差(Mean Square Error, MSE)、均方根误差(Root Mean Square Error, RMSE)、平均绝对误差(Mean Absolute Error, MAE)方面较MLP、Elman神经网络、支持向量机(Support Vector Machine, SVM)、极限学习机(Extreme Learning Machine, ELM)都有明显提高,表明所提方法可以准确预测光伏系统的输出功率。     

基于VMD与MLP的电机轴承故障检测方法

针对现有的永磁同步电机(PMSM)轴承故障检测方法准确度低的问题,对PMSM轴承故障表征方法和基于神经网络的检测方法进行了研究,提出了一种PMSM轴承故障归一化表征指标集合的构建方法,和一种基于VMD和MLP的PMSM轴承故障检测方法。首先,采用融合PMSM轴承故障频域特征进行归一化处理的方法,构建了一个PMSM轴承故障表征指标集合;然后,利用优化后的变分模态分解(VMD)方法,对振动信号进行了降噪重构,提取了故障频域特征,并计算出了归一化指标集合;利用基于多层感知器(MLP)的神经网络模型对获取的归一化指标集合进行了训练,得到了一种高准确度PMSM轴承故障检测器;最后,采用了一套可以模拟数控机床进给传动系统的试验测试装置,对基于VMD和MLP的PMSM轴承故障检测方法的有效性和先进性进行了验证。研究结果表明：PMSM轴承故障表征指标集合比现有的指标具有更强的故障表征能力,基于VMD和MLP的PMSM检测方法的平均检测准确度高达95.4%;该结果验证了归一化PMSM轴承故障表征指标集合的先进性,以及基于VMD与MLP的PMSM轴承故障检测方法的有效性。     

多裂缝有水气藏动态预测方法探讨

人工神经网络计算是一门崭新的建立在神经生理学和认知科学研究成果基础之上的信息处理学科,它采用数学的方法来研究并行分布的、非程序的、大脑风格的信息处理的本质和能力。利用人工神经网络中三层感知器及BP学习算法,根据日常生产资料,对多裂缝有水气藏的动态预测进行了探讨和偿试。有验预测结果表明,历史拟合和预测精度都非常高,有很好的应用前景。     

基于数字图像处理的矿石鉴定方法研究

随着数字图像处理技术的高速发展,计算机图像处理技术在科学研究应用越来越广泛。矿产、资源、环境,等领域,图像处理技术也得到了广泛的应用。文章正是应用数字图像处理技术实现对矿石特征的学习和矿石的自动判别,探索将模式识别方法应用到矿物识别与检测领域,从而实现对目标矿物的鉴定。     

线性可分问题的支撑向量稳健感知器及其几何训练算法

分类器的稳健性能是分类器的重要性质之一。支撑向量机SVM和稳健感知器得到的都是最优分类面，都具有很强的稳健性能。SVM构造的是到所有支撑向量(距分类面最近的样本)等距离的最优分类面，SVM算法需要求解一个二次型寻优问题；而稳健感知器构造的是到所有基(各模式类的边界样本)距离都较远的最优分类面，稳健感知器需要求解一系列的线性规划。文章在二者的基础上提出了适用于线性可分问题的支撑向量稳健感知器及其几何训练算法．它将问题转化成了一系列的线性方程组，它将比SVM的二次型寻优具有更快的速度。实验仿真表明了该算法的高效性。     

特征加权模糊感知器算法

本文提出了一种改进的模糊感知器算法,基本思想源于在学习中观察在旋转、位移和尺寸变换下,由矩不变量构成的特征矢量其各分量的变化是不同的。用方差对特征矢量进行加权,使变化小的特征分量在分类中起主要作用。模拟结果表明:新算法较原算法在分类中更为有效。