基于人工神经网络的板形模式识别方法

根据带钢板形控制的要求,运用人工神经网络理论,提出了一种新的板形识别方法,代替了传统的多项式最小二乘拟合法,该法具有很强的容错性和抗干扰能力,编制了板形模式识别软件,识别效果很好。     

基于分层神经网络模型的数据挖掘算法

介绍了建立带钢板形缺陷模式识别的数据挖掘过程。针对普通神经网络识别精度较低的缺陷,提出一种基于分层神经网络进行数据挖掘的新方法。该方法采用二叉树型结构,通过分层来细化预测范围并选用多个神经网络进行递推。实验结果证明了分层神经网络模型比普通神经网络模型的预测精度有较大提高,完全可以满足实际生产需要。     

一类轧机的板形最优化控制方法

分析了常规四辊CVC轧机板形控制的原理,结合生产实际给出了板形的最优化控制策略及其数学模型,该方法具有不需对板形缺陷进行识别,不用基于最小二乘法的曲线拟合的方法进行板形缺陷的识别的特点.对调节装置的调节量及多个调节装置的调节量采用联合求解方法,具有快速达到最佳优点,可推广到其它同类轧机的板形控制中去.     

基于小波分析和神经网络的板形模式识别方法

板形模式识别是板形高精度控制过程中的技术难点之一.本文提出了一种基于小波分析和神经网络相结合的方法,可以较好地解决这个难题.首先利用非线性小波变换阈值法有效去除板形检测数据中噪声干扰,从而提高模式识别系统的准确率;然后利用神经网络的鲁棒性使目标的识别更加接近实际.该方法不仅能有效地对复合板形进行正确分类,而且能分辨出所属类型的程度,为制定出相应的优化控制策略提供了重要的依据.     

基于PSO-BP网络的板形智能控制器

为了解决传统的板形识别与控制中的识别精度低,控制速度慢等问题,将粒子群优化(particle swarm optimization,PSO)算法和误差反传递(back propagation,BP)算法混合训练的PSO-BP网络引入到板形的识别与控制中.首先根据板形轧制的历史数据,建立预测板形的神经网络,得到反映板形控制手段对板形特征参数影响的效应矩阵,同时根据理论数据建立对板形进行模式识别的神经网络.这些都是离线进行的,而且对一批板材只需训练一次神经网络,在线轧制过程中只需要根据识别网络的识别结果和效应矩阵,便可以很快的得到需要的控制量.这种方法可以简化板形控制过程,提高控制速度,最后的仿真实验进一步说明了这种方法的有效性.     

热轧带钢中板形的计算和控制

热轧带钢中保持良好的板形是生产过程中极其重要的问题。首先,介绍了板形的基础知识包括板形的概念和计算,以及目前生产中板形控制方面实际存在的问题。在此基础上,讨论了影响板形的因素和控制策略,并对由带钢温度引起的缺陷,经过层流冷却获得良好板形的策略做了重点的讨论。从预防的角度阐明了板形的控制方法,并且介绍了一种实际生产中热轧带钢中浪板形控制方法,即PC设定控制方法的具体流程和实际应用效果。     

基于云自适应差分和BP神经网络的板形动态影响矩阵控制方法

为了克服传统板形控制中产品质量差、控制速度慢、生成效率低,以及静态影响矩阵控制信息不足等缺点,将云自适应差分算法(CADE)优化的BP神经网络应用到板形控制中,建立板形预测神经网络,并在离线状态下,根据板形轧制的历史数据和板形调控机构中的关键影响因素建立动态影响矩阵表。在线轧制过程中只需要与板形控制关键影响因素对应的动态影响矩阵表和板形识别变化量,就可以很快得到主要板形控制手段的控制量。该方法避免了神经网络的在线训练,提高了板形的控制速度和轧制精度。仿真实验表明,该方法稳定性好,控制精度高,适合用于板形的在线控制。     

基于卷积神经网络的板形缺陷识别

板形缺陷识别对于矫直机在矫直过程中具有重要意义,针对传统板形缺陷识别精度低、操作繁琐等问题,以AlexNet模型为基础,提出一种基于卷积神经网络的板形缺陷识别模型(OP-AlexNet).在预处理阶段利用双立方插值算法对数据集中的图片进行尺寸的统一并进行标准化操作.对AlexNet模型结构进行优化,包括调整卷积核大小并减少两层卷积层,删除一层全连接层降低网络复杂度;对卷积层提取的特征批量归一化(batch normalization,BN)以加快网络的收敛速度,激活函数选择LeakyReLU(Leaky Rectified Linear Unit)替换原结构的ReLU(Rectified Linear Unit)激活函数以减少静默神经元的出现.实验结果表明该模型最终识别精度达到91.3％,相比AlexNet模型提高了16.2％,并具有更好的鲁棒性,能够满足板形缺陷识别的要求.     

一种改进的神经网络板形模式识别方法

本文提出了一种改进的神经网络板形模式识别方法,该方法基于支持向量机(SVM)与径向基(RBF)网络的结构等价性,利用SVM的回归确定RBF网络较优的初始参数,解决了传统神经网络模式识别方法存在的网络学习时间长,易陷入局部极小值等问题。此外,由于板形标准模式具有两两互反性,将输入样本与基本模式的模糊距离差作为网络输入,使输入节点减少一半,近一步实现了网络结构的固定化和简单化。实验表明,它提高了板形识别精度和速度,可推广到其他标准模式具有两两互反性的模式识别中。     

适应智能质量控制的多分类支持向量机

分析了现有控制图识别器在实际应用中存在的缺陷，并提出了一种基于支持向量机(SVM)的新方法．为了克服HAH多分类SVM(HAH SVM)的缺陷，提高识别速度和准确率，设计了一种有针对性的SVM多分类器进行模式识别．仿真实验结果表明，该方法相对现有的BP和HAH SVM方法能得到更高的识别率和识别速度，适合于工序的实时在线控制．     

基于融合特征与支持向量机的控制图模式识别

为了提高控制图模式识别的精度, 将控制图模式的原始特征与形状特征相融合得到分类特征, 并采用支持向量机进行模式分类的控制图模式识别。融合所得特征既保持了控制图模式的原始特征所蕴涵的模式全局特性信息, 又通过引入形状特征对部分易混淆模式的局部几何特性进行强化, 使不同模式间的区分度得到有效提高; 而以支持向量机作为模式分类器保证方法在高维度特征和小样本条件下也能获得较好的识别性能。仿真实验结果表明所提方法的识别精度相比其他几种基于形状特征的控制图模式识别方法有明显提高。     

基于LSM和RELBP的煤岩识别方法探讨

对当前煤岩识别方法的研究现状进行了介绍,并提出将最小二乘法模型(Least square model,LSM)和融入平滑滤波思想的鲁棒扩展局部二值模式(Robust extended local binary Pattern,RELBP)融入煤岩识别领域。对基于LSM和RELBP的煤岩识别方法的煤岩自动化识别技术(RELBP-LSM)进行了探讨。结果表明:(1)当前的煤岩识别方法大多存在效果较差、稳定性欠佳、适用范围小等缺点,同时易受人为因素的影响;(2)以最小二乘法和局部二值模式为理论基础,建立起RELBP-LSM煤岩识别方法,并通过参数敏感性分析,确定正则化参数λ的最佳取值为10-3.5,优选模式数d的最佳取值为500;(3)对不同方法的准确识别率进行对比分析,认为RELBP-LSM法不仅具有较高的准确识别率,同时能大大降低内存占用率,加快识别速率和效率。     

基于SVM与Inception-v3的手势识别

针对传统机器视觉的手势识别方法识别准确率低,抗干扰能力差等问题,提出了一种基于支持向量机（Support Vector Machine,SVM）手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型,利用SVM对样本进行手势分割,将Inception-v3模型作为卷积神经网络模型基础,对网络参数进行fine-tuning,将预先经过手势分割处理后的样本导入模型训练,调整超参数得到新的最优手势识别模型,并在一定干扰环境下测试,得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法,能高效识别手势,满足实际应用需求.     

基于MYO和Android的肌电假肢手控制系统设计与实现*

针对目前假肢手控制系统成本高、操作不灵活、实用性差等问题,设计了一种基于MYO和Android的肌电假肢手控制系统。在Android平台上,开发了一款智能终端应用,实现了对MYO臂环采集的表面肌电信号进行数据处理和模式识别,并实时控制假肢手完成五种模式。实验结果表明,系统的在线识别率可达98.2%,并可在300ms左右完成一次识别过程,满足了假肢手控制的精度和实时性要求。该系统设计成本低廉、方便携带且易于扩展,很好地满足了截肢患者对假肢手控制的需求。     

基于EAIDK的智能煤矸分拣系统设计

现有基于图像识别的煤矸石分拣方法实时性较差且整体分拣准确率不高,而基于密度的分拣方法适用于井下初选,成本较高。针对上述问题,设计实现了一种基于EAIDK的智能煤矸分拣系统。采用嵌入式人工智能开发平台EAIDK构建矸石识别和分拣控制硬件平台,在嵌入式深度学习框架Tengine下利用深度学习算法搭建卷积神经网络,建立端到端可训练图像检测模型,并利用智能摄像机获取的图像数据训练模型;通过手眼标定获得摄像机坐标系与机械臂坐标系之间的关系,控制机械臂进行矸石追踪和分拣。实验结果表明,该系统矸石识别准确率稳定保持在95%以上,机械臂跟踪时间小于30 ms,执行误差为1 mm左右,可以满足煤矸分拣工艺要求。     

飞翼飞机嵌入式大气数据系统算法研究

为适应新型作战飞行器平台高隐身、高超声速、高机动性等方面的需求,嵌入式大气测量技术不断发展。分析对比类球头集中式和飞翼飞机分布式两大类嵌入式大气数据传感（FADS）系统的研究情况及差异性。针对高隐身的飞翼布局飞机,以类X-47B飞机气动外形为研究对象,参考其测压点选位布局,开展了FADS算法模型的研究,提出一种适合工程应用的飞翼布局飞机FADS算法模型。算法采用最小二乘法拟合流场样本数据,通过迭代计算解耦各大气参数。仿真验证表明：该算法具有较高的解算精度,且迭代计算稳定收敛。     

一种基于靶标识别定位算法的视觉测量技术

视觉测量在飞行试验高精度测试中发挥着重要作用。针对常规视觉测量中多标志点识别定位存在误识别、定位精度低等问题,设计了一种新的环形编码对角标志,并提出了一种基于环形编码对角标志识别定位算法的视觉测量技术。重点介绍了基于EDCircles圆检测算法的标志点识别、基于Harries角点检测算法的亚像素级定位和基于坐标变换的编码信息解码等技术的实现。经过实验验证,研究成果编码标志点识别定位算法识别准确、鲁棒性强、定位精度高,在大投影角度下仍能达到92%的识别率,可以满足飞行试验动态视觉测量任务相关需求。     

基于DSSD的静态手势实时识别方法

手势识别作为一种自然和谐的人机交互方式,具有广泛的应用前景,而传统手势识别方法准确率不高、实时性较差。为此,在DSSD网络模型的基础上,提出一种静态手势实时识别方法。自制手势数据集,通过K-means算法及手肘法选取先验框的宽高比,采用迁移学习的方法解决数据量小导致的检测精度低的问题,同时根据识别精度选择ResNet101为DSSD模型的基础网络,经DSSD模型的反卷积模块融合各个特征提取层的语义信息,加强对小手势目标的检测能力。实验结果表明,该方法识别静态手势的识别率达到95.6%,较基于Faster R-CNN、YOLO和SSD的手势识别方法分别提高了3.6%、4.5%及2.3%,其检测速度为8 frame/s,能够满足实时检测要求。     

形状的全尺度可视化表示与识别

目的视觉目标的形状特征表示和识别是图像领域中的重要问题。在实际应用中,视角、形变、遮挡和噪声等干扰因素造成识别精度较低,且大数据场景需要算法具有较高的学习效率。针对这些问题,本文提出一种全尺度可视化形状表示方法。方法在尺度空间的所有尺度上对形状轮廓提取形状的不变量特征,获得形状的全尺度特征。将获得的全部特征紧凑地表示为单幅彩色图像,得到形状特征的可视化表示。将表示形状特征的彩色图像输入双路卷积网络模型,完成形状分类和检索任务。结果通过对原始形状加入旋转、遮挡和噪声等不同干扰的定性实验,验证了本文方法具有旋转和缩放不变性,以及对铰接变换、遮挡和噪声等干扰的鲁棒性。在通用数据集上进行形状分类和形状检索的定量实验,所得准确率在不同数据集上均超过对比算法。在MPEG-7数据集上精度达到99.57%,对比算法的最好结果为98.84%。在铰接和射影变换数据集上皆达到100%的识别精度,而对比算法的最好结果分别为89.75%和95%。结论本文提出的全尺度可视化形状表示方法,通过一幅彩色图像紧凑地表达了全部形状信息。通过卷积模型既学习了轮廓点间的形状特征关系,又学习了不同尺度间的形状特征关系。本文方法...