一种改进的神经网络板形模式识别方法

本文提出了一种改进的神经网络板形模式识别方法,该方法基于支持向量机(SVM)与径向基(RBF)网络的结构等价性,利用SVM的回归确定RBF网络较优的初始参数,解决了传统神经网络模式识别方法存在的网络学习时间长,易陷入局部极小值等问题。此外,由于板形标准模式具有两两互反性,将输入样本与基本模式的模糊距离差作为网络输入,使输入节点减少一半,近一步实现了网络结构的固定化和简单化。实验表明,它提高了板形识别精度和速度,可推广到其他标准模式具有两两互反性的模式识别中。     

基于小波神经网络的板形板厚综合系统逆控制

针对板形板厚综合系统具有强耦合、非线性、含纯滞后环节的特点,提出一种基于小波神经网络的逆控制方案.利用两个结构相同的小波神经网络构造Smith预估器,预估器的输入参数与时延阶次无关,能较好地解决小波神经网络对维数较为敏感的问题.采用神经网络逆控制的思想设计小波神经网络控制器,引入多步预测性能指标函数对控制器权值进行在线训练.仿真研究表明,该控制方案具有较快的响应速度和良好的动态性能.     

DHNN优化设计新方法及在板形模式识别的应用

基于离散Hopfield神经网络(DHNN)的联想记忆能力,提出了随机扰动优化设计DHNN的新方法.该方法降低了DHNN对权值矩阵的苛刻要求,避免进入伪稳定点;并将其用于板形模式识别,采用勒让德多项式表示常见的6种板形基模式,不需大量的测试样本来训练网络,是一种更简单、实用的板形模式识别新方法,为实现板形控制提供依据,仿真结果证明了这种方法的可行性     

基于小波-神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点,提出基于小波-神经网络技术的电机故障模式识别与诊断的新方法.利用小波包可进行多维多分辨率的特性,对电机振动信号进行分解与重构,获得震动信号的突变信息,实现电机状态的特征提取.对提取出的特征,用ART2神经网络进行状态分类,进而诊断故障类型,并利用这种方法进行仿真试验,通过对仿真结果的分析证实这种诊断的可行性.     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

基于PSO-BP网络的板形智能控制器

为了解决传统的板形识别与控制中的识别精度低,控制速度慢等问题,将粒子群优化(particle swarm optimization,PSO)算法和误差反传递(back propagation,BP)算法混合训练的PSO-BP网络引入到板形的识别与控制中.首先根据板形轧制的历史数据,建立预测板形的神经网络,得到反映板形控制手段对板形特征参数影响的效应矩阵,同时根据理论数据建立对板形进行模式识别的神经网络.这些都是离线进行的,而且对一批板材只需训练一次神经网络,在线轧制过程中只需要根据识别网络的识别结果和效应矩阵,便可以很快的得到需要的控制量.这种方法可以简化板形控制过程,提高控制速度,最后的仿真实验进一步说明了这种方法的有效性.     

板形模式软测量方法的研究

针对传统的基于最小二乘法板形模式识别方法抗干扰能力差、精度低,神经网络方法在实际应用中效果不佳的板形识别问题,根据实际生产中带钢板形控制的要求,以勒让德正交多项式作为表述板形缺陷的基本模型,将模糊分类理论与混沌优化算法相结合,建立一种新型的板形模式软测量方法,该方法简单、实用、识别精度较高,效果较稳定。实际应用结果表明,该方法能够满足高精度的板形控制对板形缺陷模式识别的精度和速度的要求。     

基于量子小波神经网络的传动装置模式识别

针对传统神经网络收敛精度低,以及用于故障模式识别能力差的问题,提出了将量子神经网络与小波理论相结合的量子小波神经网络模型.该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,给出了网络学习算法,并以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮故障征兆.仿真结果表明,量子小波神经网络能够提高神经网络训练精度和故障征兆识别精度.     

基于小波一神经网络技术的电机故障模式识别与诊断

针对电机震动信号的频谱特点，提出基于小波神经网络技术的电机故障模式识别与诊断的新方法。利用小波包可进行多维多分辨率的特性，对电机振动信号进行分解与重构，获得震动信号的突变信息，实现电机状态的特征提取。对提取出的特征，用ART2神经网络进行状态分类，进而诊断故障类型，并利用这种方法进行仿真试验，通过对仿真结果的分析证实这种诊断的可行性。     

基于小波神经网络的组合故障模式识别

提出了一种基于小波神经网络的组合故障模式识别方法.针对以歼击机为代表的非线 性系统中存在的多重并发故障,构造了一个多层的小波神经网络,在输入层对残差信号进行二进 离散小波变换,提取其在多尺度下的细节系数作为故障特征向量,并将其输入到神经网络分类器 进行相应的模式分类.仿真结果表明,本文方法为多重并发故障的诊断提供了有效的方法和途径.