基于BP 神经网络的弹壳表面缺陷分类方法

摘要：为了对弹壳表面缺陷进行分类,提出一种基于BP(back propagation)神经网络的弹壳表面缺陷分类方法。 针对弹壳缺陷的特点,提取了各类缺陷的灰度特征、形状特征、几何特征,建立缺陷特征数据库,并采用改进的BP 神经网络算法设计了缺陷分类器。实验结果表明,该方法在枪弹缺陷识别方面具有很好可行性和有效性。     

一种基于自适应阈值的弹壳表面缺陷分割方法

由于材料表面不均匀和基于线阵相机采集图像的方式,图像的目标和背景的成像效果是动态变化的,不能用单一固定的阈值进行弹壳表面缺陷分割。针对该问题,结合弹壳表面图像的特点和灰度直方图峰值特性,提出了一种自适应确定阈值的方法,试验结果表明该方法对能准确对弹壳表面缺陷进行分割。     

基于Brushlet 和自适应脊波网络的SAR 图像分类

针对BP神经网络分类模型网络训练时间长的缺陷,结合小波网络模型缺少对方向信息描述的情况,提出一种基于Brushlet和自适应脊波网络的SAR图像分类方法。该方法利用Brushlet变换提取SAR图像纹理的能量和相位特征,并将描述能量和相位的特征向量输入到自适应脊波网络中进行训练和分类,最后通过实验对比分析各分类方法的分类性能。实验结果表明,该方法快速、准确,其性能优于传统方法。     

舰船辐射噪声功率谱特征提取方法研究

基于分段最小二乘曲线拟合方法,提出了一种的提取舰船噪声信号功率谱中线谱特征的新方法,通过一种新的坐标变换,用最小二乘曲线拟合方法精确提取了连续谱特征,将连续谱特征和线谱特征组合得到了舰船噪声的功率谱特征。利用BP神经网络对海上实录的两类目标噪声进行了分类识别,实验证明了方法的有效性,识别率达到90%以上,分类效果很好。     

基于遗传神经网络的机械振动信号预测

针对传统的BP神经网络学习算法存在易陷入局部极小及收敛速度慢等缺陷,文中提出了利用实数编码改进遗传算法对神经网络进行优化训练,并把训练好的神经网络用于对机械振动信号的预测, 并与传统BP算法以及改进BP算法预测结果进行比较,充分证实了文中方法的有效性.     

基于BP神经网络的漏磁定量化检测

漏磁检测是由铁磁材料制作的兵器部件的常用无损检测方法之一,检测中的难点是根据被测漏磁信号反演缺陷的几何参数。将BP神经网络应用于漏磁信号的反演中,对神经网络进行训练,建立了漏磁信号与缺陷几何参数之间的数学模型,利用测量漏磁信号和仿真数据对模型进行了检验。试验结果表明,BP神经网络能根据漏磁信号精确地预测缺陷的几何参数,为漏磁定量化检测提供了一种可行的方法。     

基于小波包变换的复合材料分层缺陷信号特征分析

通过自行设计的超声波检测系统对模拟分层试样进行实验,提取出缺陷信号,并对缺陷信号进行频域分析,在此基础上进行了基于小波包乏换的缺陷信号特征提取和BP神经网络识别。通过“能量-缺陷”的信号特征提取方法,比较不同分层位置之间的信号特征,得到一些有用的数据和信息,为复合材料的质量评估提供了重要的参考依据。     

基于神经网络与改进证据理论融合的故障诊断方法

为提高液压驱动的火箭炮随动系统故障诊断准确性,将双BP神经网络和D-S证据理论相结合的数据融合方法引入到故障诊断中,运用并行的两个BP神经网络对液压驱动的火箭炮随动系统进行局部诊断,再用D-S证据理论对局部诊断的结果进行全局融合,克服了单一BP网络诊断的缺陷,使证据理论的基本可信度分配不再完全依赖专家进行的主观化赋值,从而实现了赋值的客观化,为解决冲突证据无法判别的问题,引入了信任系数的概念,修正融合结果,减少了故障分类识别的不确定性,提高了诊断系统的可靠性。通过液压系统实例,验证了该方法的可信度和可行性。     

基于BP 网络和D-S 证据理论的超声检测缺陷识别

针对目前超声检测领域缺陷识别率不高的现状,构建基于3个BP网络和D—S证据理论的融合模型,将数据融合技术应用于超声缺陷分类中。针对非稳态超声缺陷回波的特点,分别选择离散小波变换、小波包变换及经验模式分解提取其特征值。实验结果表明,该方法在超声缺陷分类的应用中是有效的,缺陷识别的准确率可达96％。     

基于液体状态机的模拟电路故障诊断方法

针对模拟电路故障特征难以识别的问题,结合液体状态机神经网络的特点,从模拟电路故障特征样本获取和故障模式识别两方面入手,提出一种基于液体状态机的模拟电路故障诊断方法。该方法利用 Matlab 和 PSpice联合仿真,实现大量故障样本数据的自动获取,采用液体状态机进行故障模式的分类,并对两级阻容耦合放大电路的故障诊断实例进行仿真。仿真结果表明：该方法和目前应用最广泛的 BP 神经网络相比,故障识别准确率会有所下降,但训练时间远小于BP神经网络,且泛化能力强,对模拟电路故障诊断研究有一定的实际意义。     

基于WPD与BPNN的超声信号处理技术

为有效提取超声检测信号,制作了模拟分层的复合材料实验试样,并运用自主研发的信号处理模块对其超声检测信号进行处理,同时阐述了信号处理的原理和方法;简述了小波包和BP神经网络信号处理的原理和在本实验中的应用,探索并得到缺陷和信号之间的对应规律,缺陷面积越大,回波能量越小;缺陷越靠近检测面,回波的能量越小,最终结果表明:小波包分解和BP神经网络结合使用对超声信号特征提取效果显著,能够很好的识别缺陷的位置和大小.     

基于PCA-GA-BP 神经网络的状态评估算法

针对传统评估方法主观性强的缺点及BP神经网络自身缺陷,提出基于数据知识的PCA-GA-BP状态评估组合算法。采用主成分分析对样本数据进行降维处理,利用遗传算法对BP神经网络的初始权值阈值进行优化,将历史数据作为学习样本训练神经网络,处理实时信息得到评估结果,并通过实例进行算法验证分析。结果表明,该算法是可行的,适用于复杂武器装备的状态评估。     

基于改进BP神经网络的模拟电路故障诊断研究

根据BP神经网络特点,提出对BP神经网络改进的方法,并以某负反馈放大器为例,采用改进后的BP网络进行故障诊断,步骤包括：故障特征向量提取、原始数据归一化处理、BP网络设计与训练。结果表明,在MATLAB7．1中运用神经网络工具箱中函数进行仿真,能有效进行故障识别、改善神经网络结构、提高故障诊断精度和速度。     

基于BP神经网络的多源桥梁毁伤信息特征层融合

基于BP神经网络,建立了多源毁伤信息特征层融合系统,对多源桥梁毁伤信息进行BP网络特征层融合,首先对多源图像信息采用轮廓分析的目标毁伤特征提取算法,进行边缘及直线特征提取,其次进行毁伤区域不变矩特征关联,最后利用BP神经网络进行训练并测试,最终融合得到准确而清晰的桥梁毁伤信息,能够为导弹打击效果的毁伤评估提供准确的信息支撑。     

改进BP神经网络在航空弹药预测中的应用

对航空弹药消耗的准确预测是未来战争取胜的一个重要因素,然而战场复杂多变,传统的方法难以进行及时准确地预测.采用了BP神经网络对单个目标航空弹药进行预测,针对常规BP神经网络收敛速度慢、存在所谓"局部最小值"等缺陷,提出了具有全局收敛性的Fletcher-Reeves共轭梯度算法对常规BP网络进行改进,并将改进后的BP网络应用于单个目标航空弹药预测仿真试验中.结果表明,改进BP网络能克服局部极值、快速提高网络收敛速度,并能较为准确地预测航空弹药的需求量.     

基于BP神经网络的数字识别方法

应用BP神经网络对数字进行识别,其图像的预处理采用去除杂点方法去除噪声,使用逐像素特征提取方法进行特征向量的提取.该识别过程还包括数字识别网络的训练,及通过选取初始权值和隐含层节点数、权值学习算法确定相关参数.实践证明,利用BP神经网络能够实现对阿拉伯数字的准确、快速识别.     

一种新型的图像哈希算法

为了提高图像哈希方法的鲁棒性,提出一种基于BP神经网络的新型图像哈希算法,首先利用图像像素矩阵和构造的函数来训练BP神经网络,再将图像进行离散小波变换,利用低频分量来组成矩阵,最后利用已经训练好的BP神经网络来产生哈希序列。仿真结果表明,该算法对JPEG压缩、图像滤波等内容保持操作具有较好的稳健性,具有较好的应用价值。