基于BP 神经网络的弹壳表面缺陷分类方法

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。     

飞机声信号的特征提取与识别

在对某型喷气飞机声信号做时频域分析的基础上，采用LMS自适应横向滤波对飞机声信号作预处理，而后分别采用过零率和小波变换作目标特征提取。对这两种方法提取的特征再分别应用BP神经网络作目标分类识别，结果表明这两种特征提取方法与BP神经网络分类器相结合对处于起飞或降落滑跑中的喷气飞机均有较高的识别率。     

基于复合基神经网络的声目标分类识别

根据径向基函数(RBF)神经网络和前馈(BP)神经网络的特点，将BRF网络和BP网络结合起来构成复合基网络，并使用此网络进行声信号的分类识别。试验表明，该网络具有较好的综合分类识别性能，其分类能力优于RBF网络和BP网络。     

基于改进BP神经网络的某导弹姿态控制系统故障诊断

对于常规BP神经网络,其收敛过程存在两个很大的缺陷:收敛速度慢;存在所谓"局部最小值"问题。采用了一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练,建立了智能诊断模型,并应用于某导弹姿态控制系统的故障诊断,测试结果表明该方法相比常规BP算法能够更有效的进行故障诊断,从而为故障诊断及判定的自动化提供了一个新思路。     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

弹载线阵扫描激光雷达的目标识别算法

针对现有算法对稀疏图像识别率不高的问题,提出了基于目标顶部特征的BP神经网络目标识别算法。该算法通过分析模拟目标的线阵扫描数据,应用统计算法提取目标顶部轮廓数据特征,建立目标三维特征图模型,采用最小生成树Prim算法得到目标顶部轮廓空间分布特征,在此基础上设计了对目标特征分类的BP神经网络。仿真结果表明,该算法简单易于实现,并且在预测误差│error│≤0.015时,该算法对目标稀疏图像有较好的识别效果。     

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.     

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.     

GA-BP网络建模在套料钻性能预测中的应用

将BP神经网络建模技术和遗传算法(GA)应用于套料钻性能预测。利用BP神经网络建立套料钻性能预测模型,通过比较实际误差梯度值与给定误差梯度值,来确定BP网络是否处于局部极小状态;GA仅在BP网络处于局部极小时进行学习,对BP网络的连接权值进行优化。BP神经网络和GA两者的有效结合可以解决BP算法固有的缺陷,如收敛速度慢、易陷入局部极小等。套料钻加工性能试验结果表明预测结果和实际结果吻合程度较好,验证了GA-BP网络模型在套料钻性能预测中的有效性和准确性。     

弹壳外观质量检测中的数据流分析

针对弹壳外观质量检测数据呈现二维、持续不断、大容量、无保存价值和实时响应要求高等数据流特性,分析弹壳外观检测数据从接收、存储到处理的流向过程。阐述数据通信设计,在弹壳分类分拣机构流程基础上设计数据的存储结构,分析数据在存储和分拣过程中出现错误的情况,并提出应对措施。结果表明,该方法能实现弹壳外观检测数据的一次存取、持续处理、有限存储和快速响应。     

基于SVM决策树的数据链识别分类

摘要：为解决数据链信号识别分类的问题,提出一种基于支持向量机(support vector machine,SVM)决策树的数 据链识别分类方法。通过分析美军常用的数据链通信信号特征,采用小波变换法分析数据链的特征信息,得出小波 系数与信号能量分布的关系,根据SVM 算法原理,构建目标特征模型,对信号特征量进行识别分类,对SVM 分类 器的关键参数进行优化设计,并与BP 神经网络算法进行对比实验仿真。结果表明：SVM 决策树网络分类器在进行 收敛速度和准确率表现优异,能改善分类识别效能。