基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.     

基于混沌神经网络的仿生鼻的研究及其应用

根据生物嗅觉信息获取的原理,构造了装有传感器阵列的仿生鼻鼻流道和控制装置,实现在嗅觉区域主动控制气体流量和气味分子浓度,提高了嗅觉灵敏度.针对人工嗅觉系统目前广泛采用的模式识别算法———人工神经网络BP算法存在的网络学习算法收敛缓慢的难题,使用更接近生物嗅觉的混沌优化神经网络算法,采用混沌算法对BP神经网络误差修正进行改进.对标准BP算法和混沌优化算法进行仿真比较,验证了混沌优化神经网络算法的优越性.最后用研究的仿生鼻对白酒进行了实验研究,最高识别率达100%.     

基于改进概率神经网络的手势动作识别

为寻找一种快速且高识别率的手势识别方法,提出一种基于改进的概率神经网络手势识别算法。该算法采用K-W检验方法实现sEMG（Surface-Myoelectrogram Gestures）的特征选择,利用粒子群优化方法对传播率参数进行优化。在7种手部姿势识别的实验中,该算法平均正确识别率均在90%以上,而传统BP算法的正确率仅为85.7%。仿真实验结果表明,改进的概率神经网络算法具有更短的训练时间和更强的分类能力。     

基于多颜色和局部纹理的水果识别算法研究

为提高水果种类识别的准确性,本文提出一种基于多颜色特征和纹理特征的水果识别算法。该研究选择不同种类的水果图像作为实验测试样本,使用最大类间方差法Otsu分割图像,得到水果图像的目标区域,分别对目标区域进行红、绿、蓝(RGB)颜色模型和色调、饱和度、明度(HSV)颜色模型的直方图分析,采用颜色矩算法和非均匀量化算法对RGB模型和HSV模型提取特征,利用局部二值模式(local binary patterns,LBP)对目标区域提取局部纹理特征,对颜色和纹理特征向量进行优化组合,结合基于梯度下降算法的BP神经网络对测试样本进行训练分类。针对输入层输入不同特征分别进行实验并比较,得到基于不同特征的水果识别率。研究结果表明,本算法分类识别率可达90%以上,高于单一特征算法识别率。该研究具有一定的实际应用价值。     

基于BAS-BP神经网络的遮盖干扰信号识别

提出一种使用天牛须搜索(beetle antennae search, BAS)算法优化反向传播(back propagation, BP)神经网络以识别遮盖干扰信号的方法。采用BAS优化BP神经网络的初始权值、阈值,以适应度函数作为评价标准,优化出最佳的权值、阈值,训练BP神经网络,得到最优BP神经网络模型,使用优化后的BP神经网络对雷达有源遮盖性干扰信号进行分类识别。选取射频噪声、噪声调幅和噪声调频3种干扰信号进行仿真,结果表明,BAS-BP神经网络和BP神经网络的均方误差分别为0.148 6和0.177 0,平均绝对值误差分别为0.219 7和0.269 3。BAS-BP神经网络和BP神经网络对3种干扰信号的平均识别率分别为0.913 7和0.882 7。BAS-BP神经网络方法能够识别干扰信号,且效果优于BP神经网络算法。     

基于扇形特征和BP神经网络算法的字符识别

目的 根据字符的扇形特征提取方法,BP神经网络算法,寻求一种识别率较高的字符识别方法.方法 将待识别的文件进行图像预处理,然后对处理后的单字符使用扇形算法提取出32个特征量,组成特征向量,采用BP神经网络对特征向量进行训练和识别,最后应用选择性阈值最小距离方法对输出结果进行判断,减少误识别率.结果 通过使用扇形特征提取方法、BP神经网络和选择性阈值最小距离方法,达到了较好的字符识别效果,实验结果表明该方法识别精度较高,训练时间较短.结论 保持一定数量以上的训练样本和训练次数,可进一步提高字符识别的正确率.采用扇形特征和BP神经网络算法可应用于字符识别.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

利用平均影响值和概率神经网络的步态识别

为了实现对智能下肢假肢进行有效控制,下肢步态(包括平地行走、上下楼梯和上下坡等)的有效识别是关键。先从提取不同步态下的特征值入手,利用平均影响值(MIV)来实现变量的筛选,并针对膝上截肢者的特点确定了6个特征值,分别为髋关节角度的最大值、支撑前期均值、支撑中期均值、支撑中期标准差、摆动期标准差(即Mh、ISh、MSh、SWh、MSV、SWV),然后利用概率神经网络(PNN)对本实验系统的5种步态进行准确识别,并与BP神经网络(BPNN)识别步态进行比较,试验结果表明将特征值用平均影响值方法筛选后,用概率神经网络进行步态识别,具有较好的识别率和识别速度,其识别率与BP神经网络相比提高了10%以上,验证了该方法的有效性和可行性。     

基于进化神经网络的齿轮可靠性预测

人工神经网络模型中广泛应用的是BP(BackPropagation)模型 ,针对BP算法存在收敛速度慢 ,容易陷入局部最小点的缺陷 ,本文用遗传算法 (GeneticAlgorithm :GA)训练神经网络 (ArtificialNeuralNetwork :ANN) ,取代了一些传统的学习算法 ,设计了GA +BP学习算法 用遗传算法和神经网络相结合的方法求解了齿轮弯曲疲劳寿命的预测问题 仿真结果表明 ,组合GA与BP可以克服单纯使用BP易陷入局部极小等问题 ,取得了较为满意的效果 ,预测精度较高     

基于神经网络的汉语孤立词语音识别

研究了基于神经网络的中文孤立词语音识别技术;将时间规整算法与神经网络相结合,组成一个混合级联神经网络语音识别系统. 在这个模型中,第一级是时间规整神经网络. 其作用是完成时间规整功能,从输入不等长的语音信号特征矢量序列中提取固定长度的特征矢量;然后将这组特征矢量馈入后一级BP网络完成语音识别. 利用该方法对小词表汉语孤立词进行语音识别实验,获得了98.25%的正确识别率. 实验结果表明,该系统不仅利用神经网络解决了语音识别中的时间规整难题,而且识别性能明显得到改善,识别率和训练速度均优于采用线性时间规整的神经网络语音识别方法.     

基于人工神经网络的气体定性分析方法

提出将气体传感器阵列与交馈神经模式识别技术相结合,解决气体传感器的“交叉敏”问题,从而完成气体的定性、定量分析;针对常规ＢＰ算法的缺点,构造了基于自适应调整步长和加动量因子的改进ＢＰ算法用于前馈神经网络的训练;通过实验对Ｈ２、ＣＨ４、ＣＯ等三种气体进行了识别,结果表明利用气体传感器阵列和前馈神经网络进行气体定性分析是可行的。     

硫化氢脱除以及物理场在该过程中的应用前景

硫化氢是普遍存在于煤气、天然气和化学原料的合成气等中的有害物质之一,它不仅影响后续加工过程,而且会造成环境污染。对可再生溶剂吸收脱硫、固定床吸收脱硫、膜分离方法脱硫、直接转化为硫脱硫和生物脱硫等五个方面,对脱硫方法的研究进展进行了简述。然后,对物理场脱硫进行了评述,分析了物理场在工业脱硫中的可行性和发展方向,指出将物理场脱硫与传统工艺结合,具有较为广阔的应用前景。     

包装件非线性特性识别的进化神经网络混合方法

提出了一种将遗传算法和BP算法相结合的关于结构化神经网络的混合训练方法 ,并将其用于解决包装件缓冲垫层非线性特性识别问题。在该方法中 ,提出了一种新的自适应变异操作技术及将遗传算法与BP算法进行自适应切换的实施方案。用于两种典型的包装件缓冲垫层材料的模拟识别结果表明 :应用此方法可以有效地解决包装件缓冲垫层非线性特性识别的问题 ,同时也为神经网络的混合训练提供了一种新的可行的途径。     

基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

基于神经网络的气体目标识别方法

研究神经网络在战场气体特征目标识别应用中的有效算法.通过建立战场目标气体特性探测与分析系统,针对战场上不确定背景条件下气体目标的自动识别问题,在总结目标特性规律,分析BP算法的基础上,采用BP算法对分类器进行训练,改善系统对信号的探测能力.典型战场目标信号样本检验表明:利用基于神经网络的分类器来实现对战场气体目标的识别分类是可行的.     

基于遗传神经网络的入侵检测模型

针对入侵检测系统中存在的对入侵事件高误报率和漏报率问题,提出了遗传神经网络,该方法基于遗传算法的全局搜索和BP网络局部精确搜索的特性,利用遗传算法优化网络初始权重,将遗传算法和BP算法有机结合．实验结果表明,该算法正确鉴定合法的用户矢量为93％,发生7％的误报率．与BP、GA算法相比,分别高出2．875％和5．562％．     

神经网络在GPS高程拟合中的应用

讨论利用遗传算法(GA)、粒子群算法(PSO)来优化BP神经网络权值和阈值的原理;结合平坦地区的工程实例,研究二次曲面、BP、GA-BP与PSO-BP 4种拟合模型在GPS高程拟合中的应用.拟合结果表明:PSO算法优化BP神经网络精度效果优于GA算法优化BP神经网络精度,拟合误差更小.     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。