基于小波概率神经网络的控制图模式识别

提出了控制图模式识别的基本框架,描述了控制图异常状态的三种形式,即基本模式、特殊模式和混合模式.针对特殊模式和混合模式,提出了将输入数据经小波分解后的近似,系数与各层细节系数的能量成分组成的特征向量作为概率神经网络的输入进行控制图模式识别的方法.仿真实验结果表明,该方法结构简单、收敛速度快、识别精度高、Ⅰ型错判和Ⅱ型错判低,适合于控制图模式识别.     

基于小波概率神经网络的控制图模式识别

提出了控制图模式识别的基本框架,描述了控制图异常状态的三种形式,即基本模式、特殊模式和混合模式。针对特殊模式和混合模式,提出了将输入数据经小波分解后的近似系数与各层细节系数的能量成分组成的特征向量作为概率神经网络的输入进行控制图模式识别的方法。仿真实验结果表明,该方法结构简单、收敛速度快、识别精度高、Ⅰ型错判和Ⅱ型错判低,适合于控制图模式识别。     

小波与神经网络在模式识别中应用的研究

通过各种方法利用小波变换和神经网络相互结合进行模式识别,不仅可以提高识别的准确率,还可以充分利用神经网络的鲁棒性使目标的识别更加接近于实用.本文论述了小波和神经网络相互结合进行模式识别的方法,并提出并采用推选体制小波变换和图像识别中的7个不变矩得出特征值,再用BP神经网络进行识别的方案,得出很好的结果.     

模糊神经网络法及其在缺陷模式识别中的应用

针对冷轧带钢表面缺陷图像模式识别中出现的问题,引入模糊模式识别和反向传播神经网络识别方法.在研究比较两种识别方法的基础上,利用模糊模式识别在剔除噪音数据和反向传播神经网络在模型拟合和非线性识别上的优势,提出一种新的模糊神经网络方法,并详细讨论了算法的结构特点及其实现方法.对五种出现频率较高的典型缺陷图像进行计算机实验研究,结果表明,该方法能对缺陷图像进行有效的识别,具有良好的性能.     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

小波神经网络在铝合金焊接缺陷诊断中的研究

总结了铝合金焊接气孔缺陷及原因，应用小波神经网络技术对铝合金焊接气孔缺陷进行智能诊断。描述了小波神经网络的建模过程，编制了智能诊断的实现软件。具体实例的诊断结果表明，小波神经网络缺陷诊断专家系统稳定性好，诊断速度快，能以较高的置信度诊断出多故障，提高了诊断精度及置信度，这对提高小波神经网络缺陷诊断专家系统的实际应用效果具有现实意义。     

基于磁场刺激与神经网络肌电信号的模式识别

针对表面肌电(SEMG)信号的非平稳特性,采用bior3.1小波对在磁场刺激下从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌四块肌肉上采集的四路表面肌电信号进行了分析,并用小波变换方法提取其肌电信号的特征,构成特征矢量,输入Elman神经网络分类器进行模式识别,经过训练能够成功地识别出握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八种运动模式.实验表明,该方法识别率高,为肌电信号的模式识别提出了一种基于磁场刺激的新方法.     

基于小波包和概率神经网络的焊接缺陷识别

在焊接缺陷的超声检测中,对缺陷进行定性分析是超声无损检测与评价的关键内容,也是超声检测研究领域的热点和难点。针对焊接缺陷超声回波信号的特点,利用小波包变换提取反映缺陷性质的特征值,运用概率神经网络对缺陷进行识别,并与BP网络、RBF网络的识别结果进行比较。实际焊接缺陷的实验结果表明,概率神经网络的识别正确率高,训练和测试速度快,可靠性高。     

基于RBF神经网络的工件模式识别

为了提高工件识别速度,根据实际待识别零件特征将零件分成两大类(旋转类、拉伸类),并预留了两类可识别零件,由训练速度快、结构简单、识别准确率高的RBF神经网络来实现模式识别,并根据零件图像特征选取了面积比、平滑度、三阶矩、一致性、熵等5个特征为训练样本作为神经网络的输入,实例证明这种方法切实可行,且其训练速度快,识别准确率高.     

基于神经网络的板形信号模式识别方法的研究

为了提高带材板形识别的精度，应用神经网络和最优化方法，构建了一种新的板形信号模式识别方法。该方法克服了现有板形识别方法的不足，具有较强的抗干扰能力，有效提高了识别的精度和速度，可以满足板带轧机高精度板形控制的要求，易于在实际板形控制系统中实现。     

基于小波和自组织网络的电缆故障识别

为实现电力电缆早期故障在线识别的目的，提出了一种基于小波能量函数和自组织网络的识别方法。首先，提取在线电缆早期故障状态与正常状态的零序电流差的小波能量函数作为输入特征，用自组织神经网络实现故障识别。用欧式距离比较了自组织特征映射神经网络与反向传播（Back Propagation，简称BP）神经网络对电缆故障识别的稳定性。仿真试验结果表明，该识别方法对在线电缆早期故障类型的识别正确可靠，系统具有较好的稳定性。这为电力电缆早期故障的在线诊断提供了理论支持。     

基于小波变换和模糊神经网络的人脸图像识别方法

提出了小波变换技术和模糊神经网络技术相结合的人脸识别方法。小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。模糊神经网络具有很强的分类能力,并且可以运用神经网络的学习算法。实验表明,二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

小波包与改进BP神经网络相结合的齿轮箱故障识别

应用小波包分解技术提取齿轮箱振动信号中的故障特征向量,并以此作为改进BP神经网络的输入,对神经网络进行训练,建立了齿轮箱运行状态分类器,用以识别齿轮箱的运行状态。试验结果表明,小波包分解与神经网络相结合的齿轮箱齿轮故障识别方法是可靠的,可以准确识别齿轮箱的故障。     

基于神经网络的控制图模式识别和参数估计

建立了神经网络模型，使其可以估计趋势模式的斜率，阶跃模式的幅度以及周期模式的振幅和周期，为了避免不同模式间的相互干扰，分别采用3个网络对各种模式的参数进行估计，仿真结果表明该方法具有很高的识别能力和很快的识别速度。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.     

木材表面图像的缺陷分割与类型识别方法

为了识别死节、活节、虫眼三种木材表面缺陷,采用Gabor变换和模糊C均值聚类进行缺陷分割;采用数学形态学运算对分割图像进行了后处理;获取了木材缺陷区域的12维频率能量参数和2维几何形状参数;用支持向量机进行木材表面缺陷类型的识别。采用Gabor变换和模糊C均值聚类方法对死节、活节、虫眼三种木材表面缺陷的分割精度都达到94%以上,支持向量机对缺陷类型分类正确率达到93%以上,这说明本文的方法对木材表面缺陷的分割与识别是可行的。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。