基于组合特征降维聚类算法的板带材表面缺陷检测

针对现有板带材表面缺陷检测方法中存在的分类识别率不高、对误识缺陷和新缺陷类别不能有效处理等不足,提出了板带材表面缺陷组合特征的降维聚类识别算法.实验结果表明,该方法对六类典型缺陷有较好的识别效果,并能通过学习扩展识别新的缺陷类别.     

基于PCA与BP神经网络的产品几何尺寸特征与性能特征关系建模

提出一种基于PCA与BP神经网络的产品几何尺寸特征与质量特征关系模型,首先根据经验提取产品性能特征影响较大的尺寸特征进行相关性分析,再进行主成分分析,留下质量较好的数据组,然后利用这些数据样本进行BP神经网络训练和预测,最终得到理想的模型。该模型的研究能为产品的设计提供一定的参考,另外生产中可通过该模型预测产品的质量特征,由预测结果可挑出质量不合格的产品,及时返修,因此没必要测量所有的产品质量特征,从而减轻劳动强度,降低生产成本,缩短生产周期。以微电机为例验证了该模型的有效性。     

基于GA-BP神经网络算法的三相电能表检定风险预警研究

针对三相电能表在流水线上进行检定的过程中需对外界环境影响所带来的电能表超差进行预测,对造成超差的外界误差因素进行筛选和赋权,从而确定影响程度最大的几个因素;利用SPSS权重分析对输入变量进行加权归一化,并运用基于遗传算法的BP神经网络算法,对测量结果进行模拟;通过对比预测结果与实际结果,分析其准确性来达到风险预警的目的。     

基于PCA-BP神经网络的磨粒自动识别

以航空发动机润滑油液中的磨损微粒为研究对象,提出一种采用PCA-BP分类器对磨粒类型进行自动识别的方法。该方法通过对磨粒图像进行预处理并提取一些特征参数,采用PCA对所提取的特征参数进行优选,采用BP网络分类器对磨粒类型进行计算机自动识别。结果表明,相对于传统型BP分类器的识别准确率,此分类器的识别准确率更高。     

基于图神经网络的机匣特征自动识别方法

特征自动识别技术是数控加工编程中的重要组成部分,针对航空发动机机匣的特征自动识别问题,提出一种基于图神经网络的特征识别方法,在机匣模型的属性邻接图基础上,通过边界关系对属性邻接图进行分解得到特征子图,利用图神经网络的拓扑学习机制将特征子图的识别问题转换为图分类问题,避免传统BP神经网络编码特征子图的复杂性。实验表明,本文方法能够准确识别机匣特征,具有可行性。     

基于声音融合特征与OCSVM的机床故障分类诊断

针对数控机床工作中诊断维护困难的问题,提出一种利用声音融合特征搭配一类支持向量机(OCSVM)的故障诊断和SVM故障分类的方法。首先采集不同工作状态下的数控机床运行音频数据,采用梅尔频率倒谱系数(MFCC)和线性预测倒谱系数(LPCC)方法对数据进行多维特征提取,通过PCA降维归一化后融合特征,最后将处理好的特征进行OCSVM检测是否存在故障,并且识别故障类别。研究采集了数控机床正常工作和9类异常故障音作为数据集开展分析。通过实验证明,基于声音特征融合与OCSVM可以实现对数控机床故障的准确诊断,诊断准确率能达到96.1%,通过SVM能对数控机床故障精准分类,分类准确率能达到93.3%。     

基于局部约束字典学习的数据降维和重构方法

针对目前已有的非线性降维算法存在计算复杂度高、难以处理大型数据集和增量化降维问题,本文提出了一种基于局部约束字典学习的非线性降维算法。该方法通过重构一些潜在标志点的局部内在流形,并在数据处理过程中将训练数据和未知数据一起嵌入到内在流形中,使得数据的内在几何结构特征得以保持。与已有非线性降维方法相比,该算法具有计算复杂度低、存储空间小和通用性强的特点,可以很好地解决增量化降维问题,易于处理大型数据集。另外,该算法也可以解决高维数据的重构问题,与已有重构方法相比具有计算简单、重构误差较低的特点。实验结果表明了算法的有效性。     

基于PCA降维的多特征级联的行人检测研究

针对现有梯度方向直方图(Histogram of Oriented Gradient,HOG)在复杂背景下提取行人特征存在维度较高、准确率低、检测耗时等问题,提出了一种运用主成分分析法(Principal Components Analysis,PCA)降维后级联多特征的行人检测模型.通过该模型实验分析了不同维度的分类...     

基于AHP和BP神经网络的锭子性能综合评价

目前我国部颁纺纱锭子测试标准,只有单一速度,单一振幅,单一功耗三个指标。为了科学反映锭子的工作性能与状况,研制了纺纱锭子性能综合测试平台,对锭子性能进行综合评价。确定纺纱锭子性能常用要素:振幅、温度、噪音、功耗作为评价指标,提出一种基于AHP和BP神经网络的锭子性能综合评价方法。运用层次分析法(Analytic Hierarchy Process,AHP)确定各项指标的权重,建立锭子性能综合评价的BP神经网络(Back Propagation Neural Network)模型,进行训练和测试。分析结果表明了基于AHP和BP神经网络的锭子性能综合评价的有效性与正确性。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于油液分析的多层前向BP网络在复杂机械故障诊断中的应用

为了提高大型复杂机械故障诊断系统的诊断精度和自适应性,将改进的多层前向BP神经网络引入大型复杂机械系统故障诊断的研究,通过对该系统的多技术油液分析,建立了该机械系统油液分析故障特征表及神经网络目标输出,以此构建了基于油液分析的复杂机械系统多层前向BP网络故障诊断模型,并对该模型在MATLAB环境下进行了仿真训练和故障诊断。仿真结果表明,该模型能用于故障诊断,并有较高的输出精度。     

基于L-M算法优化BP神经网络的储粮害虫分类识别研究

以储粮害虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现离线检测与分类识别。首先对4类常见储粮害虫进行图像采集、预处理以及9个常用形态学特征的提取,再通过特征分析把有效特征压缩至6维,将其作为BP神经网络的输入参数,对应的储粮害虫的类别代号作为输出参数,构造BP神经网络,并在网络训练过程中利用L-M算法进行优化。最后通过实验证明该方法在害虫识别算法中稳定性好,收敛速度快,预测精度高。     

基于神经网络和主元分析的特征集生成方法

能够实现线性可分并易分的特征集对模式分类具有重要意义,而特征计算方法的有限性和固定性往往导致构建此类特征集存在一定困难.为此提出一种基于神经网络和主元分析(Principal component analysis, PCA)的特征集构建方法,该方法利用神经网络对已有特征集进行非线性映射生成新的特征集,继而利用PCA方法对新特征集进行降维处理,在满足信息保留率大于85%的条件下只取第一主元方向投影数据,并判断线性可分和易分性.设计在第一主元方向上判断新特征集是否满足线性可分和易分的判据算法和准则,给出利用不对称交叉遗传算法进行网络寻优的具体步骤.数值仿真和试验验证表明所提出的方法性能稳定、分类准确,而且泛化能力较强,具有一定的工程应用价值.