基于小波包能量和神经网络的柱塞泵故障诊断

针对泵车用柱塞泵常出现的若干故障状态和正常状态,提取泵壳上方的振动加速度信号,利用小波包分解后得到的各频段的能量向量作为特征参数,在Fuzzy ARTMAP神经网络中进行故障分类研究,得到了非常好的诊断准确率,为泵车的远程故障诊断系统的搭建提供了理论依据。     

小波包结合神经网络的调压器故障识别技术

介绍小波包结合神经网络的燃气调压器故障识别原理,结合算例对故障识别模型的有效性进行了验证.     

基于小波变换在役桥桩缺陷判别方法

针对在役桥梁钢筋混凝土桩缺陷问题,采用侧向激励的方式进行检测,侧向激励产生纵波和横波,由于相互干涉而导致反射波信号中很难分辨出缺陷反射信息;此外,考虑到位移响应很小,为此,本文采用加速度响应作为测试数据以降低噪声的影响。为了识别这类复杂响应下缺陷位置及缺陷程度,一种具有明显区别的特征曲线方法被提出,从最后结果来看,本文方法是可行的。     

基于小波变换的神经网络空调负荷预测研究

基于小波变换的思想建立了递归BP网络模型来预测空调负荷,改进了网络权值、闽值的修改算法,引入了折扣系数法以提高近期预测精度,结合一实例进行了空调逐时冷负荷预测,结果表明该方法预测精度高,适用于空调负荷预测。     

灰色模型联合小波变换进行变形预测的研究

该文研究了基于灰色模型结合小波变换的变形预测方法。根据小波变换特点,对变形监测数据序列进行分解,对各个分解后的子序列利用灰色模型进行预测,最后重构出变形预测结果,且将该结果与灰色模型预测结果进行了比较。结果表明,该方法具有较强的预测能力,可作为变形预测的方法参考。     

基于小波包分析的冷水机组故障诊断分析

模拟了单螺杆式冷水机组的9个常见故障,选取压缩机吸气温度和压缩机排气温度作为故障诊断的特征参数,将特征参数进行小波包分解和重构,提取故障特征信号,建立了特征向量-系统状态的对应关系。     

利用BP神经网络进行锚杆承载力智能预测

锚杆锚固系统是一个开放的复杂系统,影响承载力的诸多因素中,有的是确定性的,但大部分具有随机性、模糊性、可变性等不确定性特点,它们对不同类型锚杆承载力的影响权重是变化的,这些因子之间具有复杂的非线性关系,因此在锚杆承载力分析过程中应根据具体情况动态地选择参评因素。本文利用人工神经网络解决非线性问题的能力,合理选择承载力参评因子,建立了BP神经网络,利用青岛某工程试验锚杆无损检测数据进行网络训练,训练好的神经网络具有记忆功能,可以进行锚杆承载力预测,经过与现场拉拔试验承载力相对比,误差在允许范围之内,表明本文所提出的利用BP神经网络进行锚杆承载力预测的做法是可取的,也是精确的,可以为现场施工指导、验收等工作提供依据。     

基于小波包变换的长周期结构高频地震动瞬态反应研究

高频地震动对长周期结构的影响往往不被重视,结构瞬态振动的作用通常被忽略。借助小波包分解,以简谐地震反应为理论基础进行多自由度体系在实际地震动作用下的瞬态反应计算。通过长周期和短周期结构工程实例的瞬态反应计算,揭示了长周期结构在高频地震动作用下的瞬态振动规律。研究结果表明,结构在低阶振型的振动位移主要受瞬态反应的影响;长周期结构在高频地震动作用下随建筑物高度的增加,瞬态振动的影响愈加显著。因此,高频地震动作用下,长周期结构的瞬态振动不能被忽略,其最大值甚至超过结构在地震激励期间所发生的共振位移,由此提出以结构基本自振频率与激震频率之比值作为划分长、短周期标准的建议。     

基于小波变换遗传过程神经元网络的交通流预测

针对短时交通流时间序列的缺点,应用小波变换理论,将含有综合信息的时间序列分离为低频确定信号和高频干扰信号,用遗传过程神经元网络分别进行预测,得到了原时间序列的实际预测结果,通过实测数据验证表明,该预测方法具有较好的预测精度。     

基于小波神经网络的深基坑施工风险评价研究

构建了软土深基坑风险指标体系,利用小波分析,对某工程深基坑的监测数据进行了去噪处理,并通过神经网络模型,评价了深基坑施工的风险因素,提出了减小深基坑施工风险的建议。     

基于小波变换的边缘检测

采用基于二阶B样条小波变换的多孔算法提取图像边缘,对图像分块并且采用人机交互的方法对每一子块选择合适的边缘检测阈值,并利用边缘跟踪补偿进一步修正边缘.实验结果表明这种算法是十分有效的.     

改进的深度卷积神经网络对T波分类的应用

针对心电信号T波分类问题和深度卷积神经网络(deep convolutional neural networks,DCNN)出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络(recurrent neural network, RNN)、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。     

利用深度卷积神经网络将耳语转换为正常语音

耳语是一种特殊发音方式,将耳语转换为正常语音是提升耳语质量和可懂度的关键方法。为了充分利用语音的频域和时域相关性实现耳语转换,提出了使用深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)将耳语转换为正常语音。它的卷积层用来提取连续帧语音谱包络之间的频域与时域的相关特征,而全连接层用来拟合耳语在卷积层提取的特征和对应正常语音之间的映射关系。实验结果表明与深度神经网络(Deep Neural Networks,DNN)模型相比,DCNN模型获得的转换后语音的梅尔倒谱失真度(Cepstral Distance,CD)降低了4.64%,而语音质量感知评价(Perceptual Evaluation of Speech Quality,PESQ)、短时客观可懂度(Short-Time Objective Intelligibility,STOI)与平均主观意见分(Mean Opinion Score,MOS)分别提高了5.41%,5.77%,9.68%。     

Estimating wall deflections in deep excavations using Bayesian neural networks

In this study, a neural network algorithm has been used to model the soil-structure interaction behavior of deep excavations in clays. The hybrid evolutionary Bayesian back-propagation (EBBP) neural network was used in this study and utilizes the genetic algorithms and gradient descent method to determine the optimal parameters within a Bayesian framework to regularize the complexity of learning and to statistically reflect the uncertainty in data. The EBBP analysis was carried out on an extensive database of braced excavation performance from finite element analyses. Additional parametric studies indicate that the model gives logical and consistent trends. Back-analyses of some instrumented case histories from the literature also indicate that the trained neural network model gives reasonable predictions in comparison to the actual measured values. The trained model can serve as a simple and reliable prediction tool to enable estimates of maximum wall deflection for preliminary design of braced excavations in clay. The model is able to take into consideration various factors such as the wall stiffness, support stiffness, the in-situ stress state, non-homogeneous soil conditions, and the variation of soil properties with depth. An added advantage of this approach is that it provides meaningful error bars for the model predictions.     

采用性别相关的深度神经网络及非负矩阵分解模型用于单通道语音增强

为了从带噪信号中得到纯净的语音信号,提出了一种采用性别相关模型的单通道语音增强算法。具体而言,在训练阶段,分别训练了与性别相关的深度神经网络-非负矩阵分解模型用于估计非负矩阵分解中的权重参数;在测试阶段,提出了一种基于非负矩阵分解和组稀疏惩罚的算法用于判断测试语音中说话人的性别信息,然后再采用对应的模型估计权重,并结合已训练好的字典进行语音增强。实验结果表明所提算法在噪声抑制量及语音质量上,均优于一些基于非负矩阵分解的算法和基于深度神经网络的算法。     

Hierarchical community classification and assessment of aquatic ecosystems using artificial neural networks

Benthic macroinvertebrate communities in stream ecosystems were assessed hierarchically through two-level classification methods of unsupervised learning. Two artificial neural networks were implemented in combination. Firstly, the self-organizing map (SOM) was used to reduce the dimension of community data, and secondly, the adaptive resonance theory (ART) was subsequently applied to the SOM to further classify the groups in different scales. Hierarchical grouping in community data efficiently reflected the impact of the environmental factors such as topographic conditions, levels of pollution, and sampling location and time across different scales. New community data not included in the training process were used to test the trained network model. The input data were appropriately grouped at different hierarchical levels by the trained networks, and correspondingly revealed the impact of environmental disturbances and temporal dynamics of communities. The hierarchical clusters based on a two-level classification method could be useful for assessing ecosystem quality and community variations caused by environmental disturbances.