安卓平台上的医用图像信息采集系统的开发设计

为了探讨在安卓平台上构建医用图像采集系统的开发个案,分析通过以智能手机、平板电脑为核心安卓设备通过拍照获得化验单数据后进行文本识别并提交智慧医疗系统的解决方案。本文首先通过二值化算法形成低阈值图像数据,使用卷积神经元网络算法对文本进行逐一识别,使用K-means算法对识别后的单字文本进行字段记录值的整合并形成元数据库服务于其他智慧医疗系统模块。在使用9000组数据对神经元网络进行前期训练的前提下,该系统的识别准确率达到了99.5%以上。本系统具有一定的可行性,对未来智慧医疗的系统开发有实践意义。     

基于模糊RBF神经网络的PID控制方法及应用

针对常规PID控制参数固定难于满足时变不确定非线性系统的控制要求,利用模糊控制的良好收敛性和对模糊量的运算优势,以及神经网络自学习、自适应的特性,将常规PID控制与模糊控制、神经网络结合起来,提出一种基于模糊RBF神经网络的PID控制方法,实现了对PID参数的实时在线整定。将算法运用到柴油发电机调速系统的PID参数寻优中,MATLAB仿真试验结果表明,模糊RBF神经网络的PID控制具有更好的动静态特性和抗干扰性能,提高了对非线性时变被控对象的控制效果。     

基于RBF网络滑模的电动助力制动系统液压力控制

针对汽车电动助力制动系统（Electro-booster，EBooster）的液压力控制中液压负载的非线性和不一致性问题，提出一种基于径向基函数（Radial based function，RBF）神经网络的滑模变结构控制方法。设计EBooster系统压力控制架构，建立液压制动系统等效结构简化模型，据此设计基于RBF网络滑模变结构的液压力控制方法，通过设计RBF网络的自适应律来实现系统滑模控制参数的自适应调整，并利用李雅普诺夫函数方法分析算法的稳定性。最后搭建电动助力制动系统的快速原型试验平台来验证算法的有效性。试验结果表明，采用RBF神经网络滑模变结构的控制策略对电动助力制动系统液压力的控制误差在2%以内，具有良好的控制效果。研究成果为EBooster系统的压力控制提出一种具有良好自适应性的算法设计思路。     

基于RBF神经网络滑模控制的砝码自动加载研究

针对电子吊秤自动检测装置的砝码自动加载控制过程中存在控制精度不够高、效率有待提高、存在抖振等问题,将RBF神经网络补偿的滑模控制方法创新性的应用于砝码自动检测装置的控制上,以实现砝码自动、高效、准确、平稳的加载的效果。仿真结果显示:此控制方法能够快速平稳准确的达到要求的同时较大的削弱了系统产生的抖振。     

基于改进PSO-RBF神经网络的抽油机故障诊断

RBF神经网络在故障诊断中广泛应用,但其依赖于隐含层数据中心的选取是否合适,故引入模糊—C均值聚类(Fuzzy C-means Clustering Algorithm,FCM)算法对其进行优化.其网络结构参数中网络宽度以及隐含层到输出层的权值都是影响RBF网络性能的关键,运用改进粒子优化算法(Particle Swarm Optimization,PSO)对网络参数中宽度和权值进行优化.