基于BP神经网络的液滴图像识别方法

通过CCD监测白酒和掺入50％水的白酒两种不同液体液滴的生长过程,针对最大的液滴提取特征参数,利用主成分分析技术对特征参数进行优化,确定了5项有效的特征参数。最后采用BP神经网络识别不同的液滴。结果表明：不同液体液滴的轮廓特征参数是有区别的。因此,结合模式识别的图像液滴分析技术可以应用于分析和鉴别液体。     

基于RBF神经网络的人脸识别

介绍了RBF神经网络在人脸识别中的应用;通过理论分析和实验效果突出了RBF神经网络在机器学习中的优势。实验结果证明:RBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下,该学习机的分类性能没有明显退化。因此,RBF神经网络是一种性能优异的学习机。     

基于BP神经网络的管道泄漏声信号识别方法研究

针对城市供水管网泄漏检测需求,进行了泄漏声信号识别方法研究。分析了泄漏信号的时域、频域及波形特点,提取出可用于泄漏信号表征的20种特征参数;基于提取的泄漏声信号特征参数,构建了泄漏声信号BP神经网络识别系统;研究了神经网络结构(隐含节点数、传递函数、学习率)及输入参数的数量和种类对泄漏信号识别效果的影响,并优化出最佳的神经网络结构及输入参数。在以上研究基础上,利用优化后的神经网络对实验室及现场管道泄漏信号进行了交叉训练和识别,结果表明,提出的基于泄漏特征参数的神经网络系统具有较高的可靠性和普适性,可以很好地实现不同场景下泄漏信号的交叉识别,整体识别率达92.5%,为解决不同工况下泄漏信号识别做了有益的探索。     

基于BP神经网络的防空目标识别方法

防空目标识别是指利用雷达或其他传感器设备获取空中目标的特征信息,并利用已掌握的各种目标先验知识来识别未知目标的类别属性。该文在提取高分辨雷达目标回波信号特征的基础之上,建立了基于BP神经网络的防空目标识别模型,并利用经归一化处理的数据样本对所建立的BP神经网络进行训练及误差分析,得到稳定的权值和阈值。仿真计算结果表明,当学习样本足够多时,利用神经网络的记忆、联想、容错功能,所构建的模型能够有效保证识别的正确性并克服由于传感器误判导致的目标识别错误,使识别过程更稳定可靠,识别结果更准确。     

神经网络技术在变压器故障诊断中的应用

本文针对变压器传统故障诊断的缺点,提出将神经网络技术用于变压器故障诊断。本文对BP算法改进,使网络收敛速度和误差精度进一步提高。收集部分油中溶解气体故障数据样本,对变压器故障类型进行了分析,并确定网络的输入和输出向量,建立诊断网络模型,实现对各项网络参数的比较确定,在Mtalab里面仿真使误差满足要求。     

基于多波段深度神经网络的舰船目标识别

考虑多波段图像的融合识别可以扩展识别系统的应用范围,本文探索并设计了一种基于卷积神经网络的融合识别方法。该方法以AlexNet网络模型为基础,同时对可见光、中波红外和长波红外三波段图像进行特征提取;然后,利用互信息的方法对串联的三波段特征向量进行特征选择,依据重要性排序的方式选定固定长度的特征向量;最后,依据特征提取层级的不同,分别以早期融合、中期融合和后期融合3种融合方式来验证算法的有效性。采用自建的三波段舰船图像数据库进行了模型的训练和测试,共包含6类目标,5 000余张图像。实验结果显示,采用的3种融合识别方法中,中间层融合的识别准确率最高,达到84.5%,比早期融合和后期融合分别高5%和7%左右。另外,在本文的应用场景下,无论何种融合方式,其融合识别的准确率均明显高于其他单波段识别的准确率。     

模糊神经网络在温控系统中的应用

文章首先介绍了温控系统的方案设计以及部分功能模块,然后介绍BP神经网络结构和模糊推理,在分析两者弊端的基础上提出将两者相结合的控制方法。本文还介绍了模糊神经网络的结构和学习方法,以及如何对训练样本进行预处理,最后利用matlab神经网络工具箱作为平台,通过测试样本仿真和试验,本设计的应用为实现快速、精确的温控系统提供了一种功耗低、经济有效的解决方案。     

棉麻纤维自动识别技术研究

本文提出根据纤维的直径和颜色特征,应用神经网络技术实现棉麻纤维的计算机自动识别。并用MATLAB仿真的方法进行神经网络的设计和模拟。通过调整网络的参数,有效地提高识别率。     

焊接缺陷磁光成像卷积神经网络识别方法

对焊件表面及亚表面微小焊接缺陷进行检测是保证焊接质量的关键,提出一种基于深层卷积神经网络的磁光成像焊接缺陷检测方法.以法拉第磁致旋光效应为基础,分析磁光成像原理,建立深层卷积网络预测模型,研究不同模型结构参数对训练结果的影响.通过对深度卷积神经网络中间机理分析,研究模型训练过程并自动寻找卷积核最优参数.试验结果表明,第...     

基于光学衍射神经网络的拉盖尔–高斯光束识别

拉盖尔–高斯（Laguerre-Gaussian,LG）光束除了轨道角动量（orbital angular momentum,OAM）维度外,还拥有径向量子数$ p $,因此LG光束可以为光通信和光计算等应用提供更多的物理自由度。但目前常见的干涉、衍射机制的LG光束模式探测方法在受到大气湍流的干扰时,识别准确率会明显下降,从而限制了其实际应用。提出了一种基于衍射神经网络（diffractive neural network,DNN）的LG光束识别方式,实现了$ p $在$ 1～3 $范围内的识别。即使在强湍流强度,衍射距离为5 m的情况下,该识别方式的识别准确率依然能达到95%以上。该DNN方法能够为准确识别LG光束模式提供有效途径,在大容量OAM通信、高维量子信息处理等方面均具有潜在应用价值。     

基于AIC的RBF网络在旋转机械故障诊断中的应用

提出了一种适用于各类旋转机械的精度高、响应快的故障诊断方法。首先利用赤迟信息准则(AIC)确定RBF神经网络的隐含层节点数和中心,然后建立基于该神经网络的故障诊断模型,再利用旋转机械振动信号来分析并判定其运行状况。以柴油机连杆铜套磨损故障为例进行分析,实验及仿真结果表明:基于AIC的RBF网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单一故障的识别率为100%,对其他复杂旋转机械的振动诊断同样具有参考价值。     

改进稠密块轻量化神经网络的管道泄漏孔径识别

深度神经网络的管道泄漏孔径识别方法虽然识别率高,但因结构复杂造成参数量大、内存占用大,极大地限制了其在资源有限的工业环境及实时处理中的应用。提出一种优化卷积改进稠密块的轻量化神经网络用于管道泄漏孔径识别。首先将深度可分离卷积与异构卷积结合,构造了新的多卷积稠密块实现泄漏信号的特征提取;之后采用卷积注意力机制对特征进行权重划分,实现特征的重要性区分;最后通过分类器获取结果。实验结果表明,本文方法识别准确率达到了96.59%,参数量仅为781 KB。本文方法在保证高识别准确率的同时,参数量及浮点数大幅下降,训练时间也有所减少,改善了实时响应能力,对于实际工业监测应用有指导意义。     

基于RBF神经网络的语音信号的噪声消除

针对语音识别中背景噪声的消除问题,提出采用RBF神经网络实现的自适应消噪系统.本文设计的RBF神经网络噪声抵消系统不需要关于输入语音信号和背景噪声的先验知识,非线性映射能力强.采用自适应噪声抵消基本原理,构造RBF神经网络自适应滤波器,然后针对该系统,进行仿真.仿真结果表明该方法对采集的语音信号的背景噪声有良好的抑制能力.     

神经网络在火灾视频识别中的应用

利用早期火灾火焰的形体变化特性,结合火灾视频探测信号的特点,用图像处理方法提取火焰图像的面积、形状及纹理特征并形成火灾识别判据.设计BP神经网络结构,利用训练好的神经网络对有、无干扰源火灾环境进行火灾识别,验证结果表明该方法的正确识别报警率较高,能够减少火灾报警系统漏报率和误报率,是一种可靠的智能火灾探测方法.     

人工神经网络在降水预报中的应用

在用经验统计方法和降水判别函数进行24 h和12 h晴雨预报的基础上,再用B-P人工神经网络建立降水量级预报模型。经试用,预报准确率较高,有一定的应用价值,12 h预报准确率高于24 h预报准确率。     

人工神经网络在机械设计中的应用

本文通过对机械设计专家系统和人工神经网络的讨论，研究了人工神经网络和专家系统技术在机械设计智能系统中的综合应用问题，并提出了人工神经网络在机械设计中的总体应用方案，为进一步研究打下了基础。     

神经网络PID在烧结混合料水分控制中的应用

烧结混合料水分检测与自动控制在钢铁行业中一直是一个很难解决的问题。提出一种神经网络PID控制烧结混合料水分含量的控制方法,可以实现随现场情况的变化自动整定寻找出最优PID3个控制参数进行PID控制,使烧结混合料水分含量的控制更加稳定精准。     

人工神经网络在机械故障诊断中的应用

针对传统的机械故障诊断方法的局限性,提出将人工神经网络应用于机械故障诊断中。由于BP算法存在收敛速度慢及易陷入局部极小等缺陷,利用实数编码改进遗传算法对神经网络的权值和阈值进行优化训练,并把训练好的神经网络用于机械振动信号预测及机械故障诊断中。通过对机械设备振动信号的预测,可以及早发现故障,及时消除故障隐患,为企业节省大量的维修时间和维修费用,提高企业的生产率。     

BP和RBF神经网络在人脸识别中的比较

BP和RBF是模式识别中应用最为广泛的2种神经网络，本文将这2种网络应用于人脸识别，分别建立了人脸识别模型。利用ORL人脸图像数据库进行了仿真实验，通过对比分析它们各自的识别率和泛化能力等性能指标，提出了在应用这2种神经网络进行模式识别时应注意的方面。     

采用优化概率神经网络的质量异常识别方法

质量控制的核心在于对质量相关数据的充分利用和分析,如何有效组织和利用质量数据已成为企业和学者们广泛研究和关注的问题.针对质量数据库中异常实例缺失以及质量异常发现滞后的问题,提出利用遗传算法结合概率神经网络从质量控制图中挖掘质量异常现象的方法,弥补了当前广泛使用的统计过程控制(SPC)控制图在实际应用中存在的不足.首先通过分析判异准则在控制图异常判定方面的不足,引出控制图的异常模式;然后使用主成分分析法(PCA)对控制图原始数据进行降维和特征提取,以减少模型的训练时间;利用概率神经网络(PNN)结构简单、识别效果好的特点,实现控制图单一模式和混合模式的识别;通过改进的单目标优化遗传算法(SGA)对PNN的关键参数进行寻优,以消除经验取值的不足;最后通过仿真实验对所提方法进行了验证,并与传统的BP神经网络、单一的PNN、未进行参数优化的PCA-PNN模型,以及PSO优化的SVM模型进行了对比,证明了所提方法的有效性.