广义神经网络在联体秤台中的应用

不规范行驶是目前动态称重设备重量减轻的主要原因,为了解决车辆重量偏差的问题,文章提出了一种全新的联体秤台结构和以小波分析结合广义神经网络的算法。经过实验证明此结构和违规行驶算法的结合,提高了违规行驶的动态称重精度。     

基于模糊神经网络技术的定量秤研究

以传送带、料门给料的动态称重过程为对象,提出了一种新型动态定量称重控制方法。该方法从过程对象的实际出发,基于多元复合控制思想,称重策略采取分段控制并引入模糊神经网络控制技术,调节量采取给料门和传送带两个自由度协调。研究结果表明:该方法能够比较理想地解决动态定量称重过程中速度与准确度的矛盾。动态称重设定值为1000g时,该装置定量误差为±0 5%,称重速度<8s 次。     

广义回归神经网络在显示器颜色空间转换中的应用

目的 研究广义回归神经网络对显示器色彩空间转换预测准确性的方法。方法 通过编程, 借助MeasureTool软件自动测量, 获取建模和测试数据, 通过反复测试选择建模合适的参数, 并用广义回归神经网络模型进行仿真实验, 以获取较好的RGB-Lab色空间转换模型。结果 经广义回归神经网络模型测试, 得到色块平均色差达到2.5275, 最大色差达到19.3620。结论 该方法建模简单方便, 网络训练速度快, 转换精度高, 对显示器颜色空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于广义回归神经网络电力负荷预测的研究

电力负荷预测是电力系统调度运营部门的一项重要工作,尤其是随着电力市场的建立和发展,电力负荷的预测难度增加,负荷预测的重要性对电力调度更为关键。结合当前国内外电力系统负荷预测研究现状,本文介绍了广义回归神经网络电力负荷预测的方法,并进行了仿真证明方法的可行性。     

基于广义回归神经网络的工程公司风险评估

针对工程公司日常管理中由于缺乏风险评估工具,经常造成公司资源的浪费,甚至造成大量损失的现状,结合其行业特点,构建风险评价体系模型。在模型的基础上,提出一种基于广义回归神经网络(GRNN)的工程公司风险评估方法,通过矩阵实验室中的神经网络工具对其进行仿真计算,以某安防系统工程公司的实例证明了其有效性。该研究为同类型公司的风险评估提供了一种有效的管理工具。     

基于神经网络的动态称重系统的DSP实现

针对BP网络学习算法的特点,选取了TI的浮点芯片TMS320C6711,实现了基于DSP的BP网络学习算法,为神经网络在动态称重中的应用做了一些有意义的研究工作.     

神经网络技术在称重传感器中的应用

通过实际模型及其分析提出了几种快速称重方法和提高传感器性能的原理，着重阐述了基于神经网络理论，设计出称重传感器神经网络动态补偿器和提高传感器性能。仿真研究表明，有效地提高了传感器动态响应的快速性，且对系统参数变化具有鲁棒性。将先进控制理论应用于实际传感器系统中，为提高传感器性能开辟了新途径，促进了称重传感器行业的发展。     

动态秤称重干扰的量化评估方法研究

针对称重干扰对测量信号造成扰动并产生计量误差影响动态秤称重性能的情况,研究量化评估方法实现称重干扰的测量和分析.按照称重时间相同原则,采用称重数据处理方法处理称重干扰数据,获得干扰造成的计量误差,从而以不同场景的干扰组成成分不同为依据,统计量化评估不同干扰成分对计量结果的影响强度.回归系统性能研究,经过在动态秤的试验,...     

基于动态神经网络的柴油机建模研究

针对全柴推进系统仿真中主柴油机输出扭矩的预测问题，分析了输出扭矩的影响因素，在实验室试车台记录数据的基础上，利用小波分析方法对带噪声的原始信号进行预处理，运用Elman动态递归神经网络建立了用于柴油机输出扭矩预测的控制模型。     

弯板式动态轴重秤应用研究

文章对动态称重的发展进行了简要介绍,对目前公路上使用较多的弯板式高速动态轴重秤的结构和原理进行了介绍,对影响轴重秤动态称量误差的因素进行了分析,并对如何降低动态误差给出了建议。     

广义距离回归

实际工作中涉及的两个测得量的回归极为有用.从一个量有不确定度的一般回归讨论到两个量有不确定度的正交回归,最后讨论到普遍的广义距离回归,并以实例说明.     

神经网络在信号动态检测中的应用

本文阐述了神经网络信号处理的基本原理、方法和模型。指出了传统信号检测方法的局限性，并利用神经网络的学习、高度并行运算能力和非线性映射等功能，提出了一种高效、简单的神经网络信号动态检测新方法。     

改进型小波神经网络在变频系统故障诊断中的应用

目前,变频系统故障诊断还一直依赖于对电压和电流信号的监测与分析,现提出用改进小波包提取变频器故障信号的特征量,并将该特征向量作为改进型网络的学习样本进行训练的方法.仿真结果表明,改进型小波神经网络与常规神经网络诊断方法相比,具有准确度高、诊断速度快和泛化能力强等优点.     

基于神经网络的动态测量误差分解研究

在讨论神经网络方法的基础上，尝试将其应用于动态测量误差分解理论。建立了一个简单的动态测试仿真系统，分别用小波变换方法和神经网络方法对系统输出的总误差进行分解，并对两种方法的处理结果作了比较，指出了神经网络方法在动态误差分解中的实用性和优越性。     

小波神经网络及其在故障诊断中的应用

采用小波神经网络的松散型结合对刀具进行故障诊断,首先对AE信号进行小波分解,提取了5个频段的均方根值作为神经网络的输入,来识别刀具磨损状态。试验表明基于小波神经网络的刀具故障诊断是有效的。     

广义随机模糊神经网络及在随机混沌时间序列预测中的应用

针对随机模糊神经网络缺乏自适应性，引入广义高斯函数和广义随机模糊神经网络，使系统中隶属函数具有自适应性；并对参数进行遗传退火算法优化，使系统具有最佳结构和参数。以随机混沌时间序列为例进行仿真预测分析，结果表明广义随机模糊神经网络能够更好地预测原随机混沌时间序列，精度良好，具有抗噪声干扰能力．     

广义解调时频分析方法在调制信号处理中的应用

介绍了一种新的信号处理方法-基于广义解调的时频分析方法,并将这种方法应用于调制信号的处理。广义解调时频分析方法采用广义解调将时频分布是曲线的信号变换为时频分布是平行于时间坐标轴的直线的信号,然后采用最大重叠离散小波包变换（Maximal overlap discrete wavelet packet transform,简称MODWPT）对广义解调后的信号进行分解,得到若干个瞬时频率和瞬时幅值都具有物理意义的单分量信号,再对各个单分量信号进行逆广义解调,进一步求出瞬时频率和瞬时幅值,从而得到原始信号完整的时频分布。采用广义解调时频分析方法对调幅-调频信号进行了分析,结果表明该方法能有效地提取调幅-调频信号的调制信息。     

基于HJPSO-BP神经网络的广义预测控制在火电厂单元机组协调控制中的研究

随着火力发电的不断发展,大型火电单元机组的控制对象具有复杂、非线性、模型难以建立等特点,因此用传统的控制方法难以得到最佳的运行效果。针对单元机组被控对象的特点,本文将HJPSO算法引入BP神经网络中并建立优化的BP网络模型,克服了标准BP网络在实际应用预测中易陷入局部极小点、收敛速度慢的缺点,结合多变量广义预测控制策略,经过在线滚动优化和反馈校正,实现预测控制,具有适用范围广,鲁棒性强等优点,可有效弥补上述不足。仿真结果表明了其有效性。     

基于广义回归神经网络的纤维增强聚合物复合材料约束损伤混凝土强度预测

纤维增强聚合物复合材料(FRP)约束损伤混凝土抗压强度模型对于混凝土柱类构件的修复和加固具有重要指导意义.现有FRP修复混凝土的强度模型适用条件有限,同一模型不能同时应用于不同强弱约束、不同强度混凝土、不同倒角混凝土的强度预测.本文根据广义回归神经网络(GRNN)的特点,基于46个FRP强约束损伤混凝土方柱、210个F...     

神经网络技术与小波分析相结合的故障诊断方法

提出了一种将神经网络技术与小波分析相结合的故障诊断方法,对诊断对象进行时域信号采集,通过小波分析,获得所需参数,再将此参数作为神经网络的输入量,从而达到故障诊断的目的.