共查询到20条相似文献,搜索用时 109 毫秒
1.
2.
3.
提出一种利用人脸角微特征几何特性的图像预处理,建立BP神经网络识别人脸特征模型的方法。研究了角微特征提取和具体算法,讨论了BP网络结构的设计,输入、输出层设计和隐藏层节点选取问题。微特征提取,可以降低网络输入维度,对于识别不同角度、不同表情的人脸图像提供了可能性。利用ORL人脸图像数据库做实验,结果表明此方法有效。 相似文献
4.
卫星微振动是影响高精度卫星指向精度和成像质量等关键性能的重要因素;文章针对某卫星微振动力学环境展开分析,研究国内外卫星微振动虚拟仿真方法,借鉴IME颤振分析及刚柔耦合动力学建模分析方法,建立一种卫星刚柔耦合多体动力学微振动仿真分析模型,通过微振动地面试验验证了该仿真方法与卫星仿真模型的正确性;借助该模型,预测卫星在轨微振动环境及卫星微振动的影响,得到卫星载荷安装界面微振动量级在0.002g~0.006g之间,为卫星上敏感载荷的研制及其减振方案的设计提供了参考。 相似文献
5.
针对手术机器人微器械的力检测问题,搭建了3自由度微器械的等效实验平台.基于柔索驱动微器械关节完整的动力学模型设计了驱动关节综合阻力模型,并根据实验结果进行了BP (反向传播)神经网络模型的数据拟合,给出综合阻力神经网络模型.最后根据驱动单元综合阻力的变化提出了一种夹持力估计策略,并通过连续加载和阶梯加载实验验证了夹持力检测方法的性能.实验结果显示,夹持力检测的最大绝对误差可以达到0.24 N,在稳定阶段夹持力检测的精度可以达到90%左右.该方法可以成为实现手术机器人微器械力反馈的基础. 相似文献
6.
7.
8.
目前聚氯乙烯(PVC)行业产能过剩,成本较高,需要开发新的工艺技术,促进PVC行业的健康发展。生产工艺中以氯乙烯的聚合为核心,因此建立简单准确的复合引发剂体系下聚合反应动力学模型对新技术的开发具有重要的意义。文中以单一引发剂动力学Xie模型为基础,结合复合引发剂分解动力学模型,建立复合引发剂体系下的氯乙烯(v℃M)悬浮聚合动力学模型。通过模型求解验证的方法,借助FORTRAN语言,采用龙格-库塔算法求解,模拟了在聚合温度57℃,复合引发剂过氧化新癸酸异丙苯酯(简称CNP)和过氧化辛癸酸叔丁酯(简称BNP)下的转化率数据。模拟数据与现场数据计算的转化率数据对比,吻合度较好,转化率达到85%的模拟值计算值是18000 s,与工业生产时间一致,表明该模型可靠性比较高,可用于工业生产操作参数的模拟与优化。 相似文献
9.
管道内微机器人弯管运动的动力学稳定性 总被引:2,自引:0,他引:2
介绍了一种新型管道内微机器人,根据该机器人建立了有摩擦接触的微机器人受限运动的动力学模型,用奇异摄动法解释了降阶刚体模型接触力稳定性的附加条件,利用该模型分析了管道内微机器人在弯管内运动的稳定性。 相似文献
10.
11.
谢雅 《计算机与数字工程》2010,38(4):71-73
随着人工神经网络技术的不断成熟,人工神经网络和预测预报紧密结合起来。结合"神经网络+预测"的开发模式,引入BP人工神经网络学习算法,构建了某超市水产品运营预测模型,并讨论不同结构的BP网络及随机初始化对预测结果的影响,同时进行了神经网络预测方法和其它预测方法的比较。 相似文献
12.
神经网络在化工过程故障诊断中的应用 总被引:5,自引:0,他引:5
针对现代复杂的化工生产过程,提出一种基于神经网络的故障诊断方法。并分别将典型的BP算法和改进后的BP算法用于TE(Tennessee Eastman)模型的故障诊断中。经过诊断结果的比较,得出标准的BP算法在实际应用中具有收敛速度慢等缺点;自适应学习速率动量梯度下降的BP算法以及用L-M(Levenberg-Marquardt)法先对BP网络进行优化的BP算法具有收敛速度快、不易陷入局部极小值等优点,其中又以L-M优化BP算法效果最好。结合rIE模型的仿真结果可以看出,L-M优化BP算法在工业实际中具有很大的优势。 相似文献
13.
14.
15.
16.
17.
利用变步长BP算法,对白腐真菌生物降解五氯苯酚废水过程中污染物浓度变化的时间序列建立了AI神经网络预报模型,并利用该模型对生化降解过程的变化规律及趋势进行了研究。结果表明,模型的计算值与实测值之间的误差很小,对未来时刻数据的预测精度也较高,模型较好地反映了五氯苯酚含量在降解过程的变化规律。 相似文献
18.
神经网络ART模型在故障诊断中的应用 总被引:2,自引:0,他引:2
讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ART。分析了ART的工作原理,给出了ART的具体算法(已在PC-486上用C语言实现);指出了ART的实质,并以“有轨自动物料搬运小车系统”为例详述了ART在故障诊断中的工作过程,获得了很好的结果。 相似文献
19.
Testing Forecast Accuracy of Foreign Exchange Rates: Predictions from Feed Forward and Various Recurrent Neural Network Architectures 总被引:3,自引:1,他引:2
In this research, we work with data of futures contracts on foreign exchange rates for British pound (BP), Canadian dollar
(CD), and Japanese yen (JY) that are traded at the Chicago Mercantile Exchange (CME) against US dollars. We model relationships
between exchange rates in these currencies using linear models, feed forward artificial neural networks (ANN), and three versions
of recurrent neural networks (RNN1, RNN2 and RNN3) for predicting exchange rates in these currencies against the US dollar.
Our results on forecast evaluations based on AGS test the tests of forecast equivalence between any two competing models among
the entire models employed for each of the series show that ANN and the three versions of RNN models offer superior forecasts
for predicting BP, CD and JY exchange rates although the forecast evaluations based on MGN test are in sharp contrast. On
the other hand forecast based on SIGN test shows that ANN and all the versions of RNN models offer superior forecasts for
BP and CD in exception of JY exchange rates. The results for forecast evaluation for all the models for each of the series
based on summary measures of forecast evaluations show that RNN3 model appears to offer the most accurate predictions of BP
and RNN1 for JP exchange rates. However, none of the RNN models appear to be statistically superior to the benchmark (i.e.,
linear model) for predicting CD exchange rates.
相似文献