钢铁件缺陷的电磁无损检测

简述了基于初始磁导率法的ＷＧＦ─１型微机式钢铁材质自动分选仪的原理和现场实际应用的结果．应用表明，用螺线管式探头可检测距表面深达２５ｍｍ处的内部裂纹等缺陷，用笔式探头可检测距表面深达１００ｍｍ处的裂纹等缺陷，从而为钢铁件的表面和深层内部探伤提供了一种分选速度可达１５００件／ｈ的新方法．     

多层BP神经网络在钢铁材质裂纹检测中的应用

用设计好的电磁检测设备测得长螺栓的初始磁导率后,对所获得的模拟数据进行数字化处理得到磁导率特征值。设计了多层BP神经网络对钢铁材质长螺栓进行裂纹检测,实验数据表明,分类算法实现简单、分类准确,较容易应用在钢铁材质无损检测的实时系统中。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

动量法改进的BP神经网络及其在疲劳裂纹预测模型中的应用

BP神经网络是人工神经网络中的一个典型代表,分析了BP神经网络算法收敛速度慢的原因,研究了一种提高其收敛速度的方法,即将动量法和批处理方法结合起来对BP算法进行改进。建立了低碳钢疲劳裂纹神经网络预测模型,并将改进后的算法应用在模型中,结果表明改进后的算法可以提高学习速度,提高仿真测试结果可靠性。BP神经网络是描述疲劳裂纹演化行为的有效工具,并且可以取得较好的预测精度。     

基于BP神经网络的船舶焊缝缺陷图像识别

提出了一种基于BP神经网络的船舶焊缝缺陷图像识别的方法,通过对船舶焊缝图像进行预处理,提取出有用的目标缺陷,再进行缺陷特征参数计算,将特征参数和焊缝缺陷类型分别作为输入层和输出层,利用BP算法设计3层结构的神经网络,对样本进行训练和识别。实验结果表明,BP神经网络能较准确地识别出船舶焊缝缺陷。     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

基于Web方式的神经网络智能预测系统设计与应用

针对传统BP神经网络的一些缺陷,设计一种综合改进的BP神经网络算法。在此基础上,采用．NET架构以及Web Services等技术,用主成分分析算法和置信度区间算法对BP网络结构进行全后处理,以经济预测为例,设计开发了一个基于B／S结构的智能经济预测系统。该系统具有较好的易用性和一定的通用性,提高了预测结果的准确度和神经网络的泛化能力。     

基于小波神经网络的房地产价格指数预测研究

要对非线性趋势房地产价格指数进行预测,就必须利用模拟非线性的模型。应用BP神经网络来对房地产价格指数进行预测,精度和收敛的速度都不是很理想,这主要是因为BP神经网络本身存在着缺陷。为了克服BP神经网络的缺陷,本文将小波变换和BP神经网络结合起来,运用小波神经网络来对房地产价格指数进行预测,并与BP网络的预测结果进行了比较,最后发现用小波神经网络进行经济预测可以达到很好的效果。     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

烧结料加水混合过程的改进神经网络建模

针对烧结料加水混合过程自动控制,采用改进的BP神经网络建立该过程的模型。仿真结果证明了改进BP神经网络建模可以很好地逼近实际烧结料加水混合过程,并克服基本BP神经网络学习时间长的缺陷。     

应用BP网络预测部分预应力矩形截面梁的裂缝宽度

采用BP神经网络，对受弯部分预应力混凝土矩形截面梁裂缝宽度进行预测，通过理论分析并带入网络模型进行试验，找出影响裂缝宽度的主要因素，并建立了优化的BP神经网络模型．用该模型对不同的样本集合分别进行学习与仿真，结果与试件实际参数吻合良好．表明应用人工神经网络预测部分预应力矩形截面梁的裂缝宽度不仅可行，而且精度较高．     

基于神经网络的印制线路板图件识别研究

对基于人工神经网络的印制线路板（PCB）图件识别进行了研究。识别过程主要分为两个阶段：图像的预处理和模式识别。图像预处理阶段运用数字图像处理技术，从原始PCB图中提取出待识别的图件对象；在模式识别阶段，采用BP神经网络模型对PCB图件图像进行识别，为降低网络规模，经深入分析比较，提出了一种行、列扫描提取图件图像特征向量的算法，并对标准BP学习算法进行了改进，获得了较好的效果。     

基于BP神经网络的计算机油墨配色系统的研究

计算机配色可提高油墨配色的速度和精度,具有重要作用．基于两种颜色空间和BP神经网络的计算机配色系统被研究．实验结果表明基于光谱颜色空间配色系统的配色精度更高,可应用于目前的各种印刷方式中．基于BP神经网络的配色系统具有很强的适用性,推进了印刷的数字化流程．     

基于RBF神经网络的金属应力状态系数模型

以4200 mm轧机轧制71块钢板的实测数据为基础,利用Matlab人工神经网络工具箱,建立了轧制变形区的应力状态系数的RBF神经网络预测模型.通过分析应力状态系数的影响因素,结合传统的数学模型,确立了网络的输入层参数,并对函数newrb()中宽度系数spread的试验调整,确定了最佳的网络结构形式,提高了模型的预测精度以及网络的泛化能力.测试结果表明,RBF网络模型具有很好的推广能力.与传统的BP神经网络模型相比较,结果表明,RBF网络具有更高的精度和更好的泛化能力.     

基于BP神经网络的焊管厂库存预测研究

提升企业竞争力是管理科学的研究前沿,提高顾客满意度和降低库存成本是2个重要手段,库存控制已成为提高企业竞争力的关键因素.通过运用学习率自适应算法改进BP神经网络,然后用改进的神经网络并运用Matlab工具箱仿真实现对钢铁厂生产数据的网络训练,利用训练好的网络预测模型对焊管厂的实际安全库存进行预测.仿真及实际运行结果表明:该方法能够准确高效地预测焊管厂所需安全库存,可以为合理的库存提供决策支持,有效提高库存控制的效率.     

基于径向基神经网络的加速度计随机误差处理

神经网络应用于加速度计的随机误差处理,更接近真实值,因而比线性方法更优越近年来,BP神经网络受到了广泛重视,但径向基神经网络尚未得到重视径向基神经网络具有比BP神经网络更快的收敛速度,但是径向基神经网络能否达到全局最优解尚没有理论上的判别方法对BP神经网络和径向基神经网络在加速度计输出数据处理方面的优劣势进行了分析,分析时既考虑了数据量的增加,也考虑了优化性未来,对数据以最优化的方式进行大量处理将成为发展的趋势,也是走向实用化的切实可行的发展路径     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.     

改进BP神经网络在水轮机特性数据处理中的应用

针对原有的水轮机特性数据处理方法的不足,提出了一种改进的BP算法对水轮机特性数据进行处理.采用改进BP神经网络算法进行数据处理时,不需要依赖于具体的函数关系表达式,即可对已知离散数据进行拟合,并将提出的改进BP算法与元胞自动机理论所建立模型的计算结果进行了分析比较.计算结果表明:改进的BP神经网络算法不仅能够有效处理水轮机特性数据,而且具有很高的计算精度,可应用于水轮机的控制和优化运行当中,为进一步研究水轮机的运行性能奠定了理论基础.     

基于有限元法的转轴裂纹故障诊断研究

采用有限元方法建立转轴的模型,并求解不同裂纹位置和不同深度的裂纹转子前三阶固有频率值.将裂纹位置、深度、前三阶固有频率作为BP神经网络的学习样本,训练出定量诊断裂纹的神经网络.以不同工况固有频率作为输入,用训练好的神经网络即可预测裂纹的位置、深度.研究表明:该裂纹诊断方法精度较高,稳定性较强,易于在工程实践中进行转子裂纹定量诊断.