基于BP神经网络的高速动车组网络控制系统时延研究

当前,高速动车组的控制系统迅速向网络化与智能化方向发展,网络控制系统已被大规模地应用于高速动车组的控制系统之中,网络控制系统可实时地传输高速动车组中各个设备的数据并监控高速动车组的运行状态,以保证高速动车组安全地运行。但高速动车组的通信网络控制端口和变量数目非常多且各端口的长度与特征周期也各异。故高速动车组的网络控制系统在输出数据的时候,不可避免地出现网络时延现象,该现象严重地威胁着高速动车组网络控制系统的实时性和稳定性。由于高速动车组的网络控制系统是一种非线性系统,故文章针对带有时延问题的高速动车组非线性网络控制系统,提出一种有效的优化方法,即将BP神经网络递推预测与广义预测控制结合起来,先根据BP神经网络递推预测的方法对网络控制系统未来的输出进行预测,然后利用递推最小二乘法对网络控制系统未来时刻的系统参数进行辨识,将非线性网络控制系统在每一时刻进行线性化处理,最后由广义预测控制算法补偿非线性网络控制系统的时延且对所提出的方法进行实验仿真,实验结果表明:该方法可有效地消除高速动车组网络控制系统的时延,同时具有实时性高、计算速度快及鲁棒性强等优点,显著地优化了带有时延问题的高速动车组非线性网络控制系统。     

基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

改进BP神经网络的再生粗骨料混凝土强度预测*

抗压强度作为评价再生混凝土主要性能指标之一,从四篇文献中搜集了43个抗压强度样本。基于改进的BP神经网络理论,建立了以再生粗骨料取代率、水灰比、龄期为输入,抗压强度为输出的神经网络模型,其结构形式为3-7-9-1。对该网络进行训练和学习,对并测试样本进行检测,结果表明,训练效率不仅大大提高,且而误差较小,并结合回归拟合系数,进一步表明该模型能够有效的的预测再生混凝土抗压强度值,能满足工程需要。     

人工监督神经网络在煤层裂缝发育区识别中的应用

针对在地震属性应用中难以精细识别煤层裂缝发育区边界的难题,开展了基于人工监督神经网络技术的煤层裂缝发育区应用研究。从地震资料中获取倾角导向体以提取高质量的地震属性,以多属性为指导进行人工拾取样点,并基于多层感知器进行神经网络机器训练学习,建立裂缝的最优属性集,拓展整体数据后获得裂缝概率体,从而识别划分出煤层裂缝发育区。该技术在山西阳泉新元矿区进行了应用,煤层裂缝发育区的识别结果明显优于属性直接识别,但勘探区内暂无钻井资料,预测效果还有待进一步验证。     

基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。     

云/边缘协同的轴承故障诊断方法

现有轴承故障诊断技术存在以下问题:①传统诊断方法需要人工提取特征,耗时长,诊断结果不稳定;②卷积神经网络诊断方法需要大量的计算资源和较长的训练时间,与故障诊断的实时响应要求存在矛盾。针对以上问题,提出一种云/边缘协同的实时轴承故障诊断方案。经过实验验证,该方案在拥有少量样本情况下与不进行云/边缘协同相比可大幅提高诊断准确率,并节约大量的训练时间。通过改进的轴承故障诊断算法达到了较高的故障诊断准确性,并通过模型的迁移学习与边缘端协同,增强了故障诊断算法对个性化应用的适应性和故障诊断的实时性。