基于小波变换与RBF神经网络的焊缝缺陷智能化检测

文章主要阐述了对船舶水下关键部位焊缝缺陷的一种智能化检测及识别方法。该方法基于小波变换与RBF神经网络理论。利用小波变换对回波信号进行预处理,提取出所需要的焊缝缺陷的特征信息。然后由RBF神经网络对特征信息进行学习训练,通过对神经网络输出值与焊缝缺陷类型输出代码进行比较后,最终得出焊缝缺陷类型的检测与识别结果。     

探析模拟电路故障诊断技术

当前,模拟电路故障诊断理论经过多年的研究和发展,已经提出了多种模拟电路故障诊断技术,主要有神经网络故障诊断技术、模糊理论故障诊断技术、小波变换故障诊断技术。文章就结合自己对这几种模拟电路故障诊断技术的理解,谈几点个人的体会。     

基于小波变换和BP神经网络的织物疵点检测

探讨基于小波变换和BP神经网络的织物疵点检测技术。为准确检测织物疵点,采用小波变换对预处理后的织物图像进行分解,小波分解后不同的子图像反应了织物的不同细节信息,从小波分解后的水平细节子图像和垂直细节子图像中提取特征参数,特征参数的提取采用灰度共生矩阵法,将提取到的特征参数送入训练过的BP神经网络,进行检测疵点,达到疵点织物融合、形态学和阈值处理并显示疵点的目标。实验证明:该方法行之有效。认为:寻找更适合的方法提取更有效的特征值和改进神经网络可以提高识别效率。     

基于集成神经网络的电能质量自动识别

人工神经元网络(ANN),是用大量简单的计算处理单元——神经元(Neuron)广泛连接组成的复杂网络。目前,大多数电能质量识别方法都采用了傅里叶变换,DQ变换,瞬时无功功率理论,小波变换及由小波变换扩张的S变换进行扰动检测及特征提取,然后采用人工神经网络来实现电能质量扰动的自动识别。神经网络具有简单的结构和很强的问题求解能力,是分类识别的重要方法。集成神经网络,融合单个神经元网络的特点,能有效地提高识别效率跟正确率。     

模拟和混合信号电路测试及故障诊断方法研究

近年来电子技术发展迅速,基于数字和模拟混合信号的电路应用广泛。尤其是片上系统混合电路的发展,对模拟和混合电路的测试分析及故障诊断提出了新的要求。本文就模拟和混合信号电路的测试及故障诊断的应用现状及存在问题进行了深入的探讨:首先介绍了其研究现状,而后详述了基于小波变换的混合信号电路电流测试方法、探讨了SoC中混合信号测试测试与诊断方法、基于模糊神经网络的模拟电路故障分析诊断等方法。     

基于改进的小波分解织物疵点检测

采用小波分解的改进方法,运用二维离散小波变换进行分解,有效地从图像中提取信息,分析织物的纹理特征并进行相应处理,实现目标图像的特征提取和输入LMBP神经网络进行学习训练。实验结果表明,对油污、破洞、断经、断纬能比较准确地识别和定位,可快速有效地进行织物疵点检测。     

基于小波-BP神经网络的粮食产量预测模型

由于粮食产量序列具有复杂性、随机性和非平稳性,导致使用传统的预测方法对其进行预测会受到很大的影响和制约。提出了基于小波变换的BP神经网络模型预测的方法。首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用BP神经网络模型建立预测模型,最后通过重构得到粮食产量的预测值。预测结果表明,该模型可有效提高预测精度,为粮食产量预测提供了一种新的途径。     

基于傅丽叶变换——神经网络的模拟电路故障诊断

提出了一种基于傅丽叶变换与神经网络的模拟电路故障诊断方法,该方法用傅丽叶变换对电路频域响应信号进行数据压缩,用神经网络对模拟电路进行故障诊断。仿真表明,该方法能简化神经网络的结构,降低计算的复杂度,加快训练速度,提高诊断准确率。     

基于混合模型的卷烟销售量预测

为科学制定市一级烟草专卖局的烟草投放策略,提出采用小波变换、回归分析和神经网络算法构成的混合模型对乡镇为单位的卷烟销售量序列进行预测。通过小波分解,将非平稳性销售量时间序列转化为低频分量、中频分量和残差分量三部分,分别用于模拟整体趋势、季节性波动和非平稳波动。然后,采用回归分析和神经网络算法对不同分量分别进行预测,最后将各部分预测结果叠加形成最终预测结果。以湖北省某市的卷烟销售数据为例,对所提方法进行了验证,结果表明:相比于自回归移动平均模型和神经网络算法,混合模型分别降低预测偏差率4.62%和2.58%。     

电网谐波电流检测方法分析

对基于瞬时无功功率理论、有功分离、傅里叶变换、神经网络、小波分析等原理的几种谐波检测方法进行了介绍,讨论了各种检测方法的优缺点,指出:未来电力系统谐波检测会向智能化、多功能实用化以及高精度、高速度和实时性好等方向发展.