基于LM算法神经网络的人脸识别

本文主要描述了将通过主成分分析（PCA）算法得到的人脸图像特征矩阵输入到神经网络中进行学习训练,之后输入测试集人脸特征矩阵进行识别判定。通过使用LM算法作为BP神经网络的训练算法并利用Matlab软件进行仿真实验,得到快速、准确的人脸识别系统。实验证明,基于LM算法的BP网络在人脸识别领域具有良好的应用前景。     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

基于主成分分析的BP神经网络在岩性识别中的应用

提出一种将主成分分析和BP神经网络相结合的方法对测井资料进行岩性识别。首先将原始测井数据进行主成分分析,分析结果作为PCABP神经网络的学习样本进行训练,建立测井解释的PCA—BP神经网络岩性识别模型．并用该模型对测试样本进行识别。结果表明该方法同传统的BP神经网络相比．不仅简化了网络结构（网络的输入神经元个数由5个减少为2个）,网络收敛速度也加快了21％．而且识别的准确率提高了25％。     

基于改进Elman神经网络的变压器故障诊断方法

针对变压器故障诊断困难的问题,提出了一种基于改进Elman神经网络的变压器故障诊断方法.利用核主成分分析算法对Elman神经网络进行改进,通过引入累积贡献率计算得到改进Elman神经网络最优输入特征参数,基于数据集和测试集将改进Elman神经网络应用于变压器的常见故障诊断中,并将试验结果与其他故障诊断方法的诊断结果进行对比.结果表明,所提方法诊断准确率超过90%,与支持向量机和BP神经网络诊断方法相比,该方法的诊断准确率更高.     

粗集神经网络系统及其应用

讨论了粗集神经网络系统及其在心电图自动识别中的应用。根据识别需要,从MIT心电图数据库获取心电图特征参数,根据粗集理论对属性进行优化,并用BP神经网络进行学习。运用这些特征参数和训练好的BP神经网络对心电图进行分类,识别准确率达到90%。     

模式分类在病理诊断中的应用

模式分类是模式识别及故障诊断中的关键技术,应用于医学领域是一项大胆的尝试。重点采用BP神经网络模式分类方法,利用MATLAB对UCI数据库里的Pima Indians Diabetes数据集进行分类测试。根据测试结果分析BP神经网络模式分类方法用于糖尿病诊断的准确率及运行时间。结果显示BP神经网络对于大数据集的分类准确率高,在医疗诊断方向发展具有广阔的应用前景。由于网络隐含层中层数的选择尚无理论上的指导,一般是根据经验或者通过反复实验确定。因此,在一定程度上也增加了网络学习的负担。     

基于FPGA的BP神经网络识别系统设计

针对神经网络算法通常采用软件编程实现所存在的缺点,本文主要对基于现场可编程门阵列(field programmable gate array,FPGA)的硬件BP神经网络识别算法实现进行研究。给出了BP神经网络原理,设计了一个识别MNIST手写数字的3层反向传播算法(back propagation,BP)神经网络识别系统。为测试该电路的识别准确率,选取MNIST数据集中的100个测试数据,采用Verilog语言设计,在FPGA开发平台Quartus II 13.0和Modelsim中,对该电路的识别准确率进行仿真测试。仿真结果表明,输出数字识别准确率约85%,可用于简单的模式识别系统中。该研究为进一步实现硬件神经网络训练系统奠定了理论基础。     

基于PCA与GA-LM-BP神经网络的变压器故障诊断

研究基于油中溶解气体的变压器故障诊断问题.采用主成分分析与数据归一化方法,对变压器故障样本数据进行规范化处理,使其更具有代表性.对比主成分规范化前后的样本故障诊断结果,主成分分析能够消除特征气体样本数据间的相关性,使输入层样本数据更加符合神经网络工作机理.实验可得主成分规范化后的样本故障诊断结果优于未经过主成分分析规范化的故障诊断结果.在主成分分析对数据规范化的基础上,进一步改进BP神经网络算法,建立基于Levenberg-Marquardt算法的LM-BP神经网络故障诊断模型,改善了BP神经网络模型诊断精度不高,网络收敛困难以及易陷入局部极小值等问题.利用遗传算法对LM-BP神经网络的权值和阈值进行优化,然后再进行第2次神经网络训练,克服了LM-BP神经网络性能受初始权值和阈值限制的问题,使故障诊断正确率提高了6.16%.通过对441组样本数据中随机选取的376组训练样本和65组检验样本进行故障诊断实验,诊断正确率达到83%,表明所构建的基于PCA与GA-LM-BP神经网络的故障诊断方法是一种有效的变压器故障诊断方法.     

基于BP网络的橡胶配方优选问题研究

采用主成分分析法,提取影响橡胶性能的主要因素,再利用BP神经网络建立橡胶配方中填料对胶料性能影响的模型。研究结果表明,用该方法处理后的样本数据输入网络,网络结构得到简化,训练时间减少,提高了预测效率和预测精度。     

基于神经网络的大柔性灵巧手指弯曲角度预测

介绍了一种新型大柔性灵巧手指,该手指弯曲性能好、易于控制但数学建模复杂.基于BP神经网络基本理论,建立预测该手指弯曲角度的BP神经网络模型.通过大柔性灵巧手指弯曲特性实验获得样本数据,借助于MATLAB仿真软件中的神经网络工具箱作为开发平台,将实验样本数据用于BP网络训练.利用训练好的BP网络模型对手指弯曲角度进行预测,预测误差范围控制在3%以内.研究结果表明:这种神经网络模型能够准确预测手指的弯曲角度.     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于遗传算法和BP神经网络的盘形成形铣刀磨损状态预测

为提高数控成形铣齿生产率、降低成本和避免安全隐患,需要对刀具的磨损状态进行准确预测。首先基于电流监测法搭建了数控成形铣刀的磨损电流监测系统,然后确定BP神经网络中用于刀具磨损诊断的输入特征量和目标特征量,并应用Matlab软件对样本数据进行归一化处理和神经网络训练,最后利用遗传算法对BP神经网络模型进行优化。测试结果表明,刀具磨损状态预测率达92.78%以上,具有一定的工程应用价值。     

基于卷积循环神经网络的芯片表面字符识别

基于积分图运算的阈值分割将图像二值化，使用仿射变换完成文本字段图像的方向校正，从而实现文本行的定位.在原始卷积循环神经网络(CRNN)的基础上，将骨干网络替换成MobileNet-V3结构，在2层LSTM之间加入注意力机制，同时引入中心损失函数.利用改进的CRNN实现文本行字符的识别.将改进后的CRNN在40 510张芯片文本行图像上进行测试.通过小样本数据集进行模型微调训练得到多个子模型，从而实现集成推理，使用3个模型的综合识别准确率稳定在99.97%左右，单张芯片图像的总识别时间小于60 ms.实验结果表明，改进的CRNN算法的准确率比原始CRNN提升了大约27.48%，多模型集成推理的方法可以实现更高的准确率.     

基于深度学习的法院信息文本分类

为解决在法院数据信息化过程中,海量的法院文书存在缺乏自动管理分类的问题,提出一种基于字符级卷积神经网络的文本分类模型。模型通过卷积神经网络进行特征提取,能够精确有效地解决文本分类问题。实验结果证明,该模型可以实现在测试集上准确率99.67%的分类,且训练用时只有常用循环神经网络算法的50%。     

人体活动识别数据集的数据处理方法

对由可穿戴设备采集的针对人体活动识别的数据集进行处理,并用处理后的数据对一维卷积神经网络进行训练,测试并得到精准度结果。对数据集的处理使得原本数据集中一些噪音和无效数据被过滤排除掉,在训练神经网络时减少了运算量,提升了神经网络的效率。后经测试,在神经网络结构不变的情况下,处理后的数据集可以使神经网络性能得到提升。     

基于BP神经网络的教学质量评价

基于MATLAB设计神经网络评价流程,以3层BP神经网络进行教学质量评价,其中隐含层的传递函数为tansig,输出层的传递函数为purelin．为保证网络的泛化能力,在训练样本的选择上,选择比较有代表性的数据,打乱顺序,对数据进行归一化预处理;训练函数采用Levenberg—Marquardt算法,选择学习速率为0．01,网络训练误差为le^-5,训练次数1000次,步长选择为10．成功训练神经网络后,对给出的4组数据进行了预测,画出预测拟合及误差分析图形．结果表明：在设计BP神经网络模型的基础上,采用合理的样本数据,神经网络就会通过训练样本,学习到样本的有关环境本身的内在规律性,对输入给出正确的反应,以实现教师的教学质量评价．     

基于BP神经网络的提速道岔故障诊断算法

在分析提速道岔动作电流曲线变化规律的基础上,提出一种基于BP神经网络的提速道岔故障智能诊断算法。通过总结典型提速道岔故障动作电流曲线,提取动作电流曲线特征向量值,采用BP神经网络对提速道岔特征向量与道岔故障类型的映射样本集进行训练及测试。实验表明,基于BP神经网络的提速道岔故障诊断算法精度高、效果好。     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于BP神经网络的车型分类器

针对车型特征,提出了一种基于BP神经网络的识别方法．从图像中提取车型特征向量,用BP神经网络设计分类器,并进行有效的训练与测试．应用改进的BP算法（尺度化共轭梯度法）对网络进行训练,使网络很快得到收敛,解决了一般算法收敛慢的缺陷．     

基于主元分析和BP神经网络的工业过程监测

BP神经网络的分类功能可以用于过程监测与故障诊断,但面对比较复杂的工业过程,数据量过大通常会导致网络的训练时间较长、收敛速度较慢.将主元分析与BP神经网络相结合,提出基于主元分析和BP神经网络理论的工业过程监测方法,根据TE过程数据变量确定神经网络的结构,然后使用TE过程数据训练集训练网络,并建立监测模型.通过对测试结...