基于小波变换的图像空间分层压缩编码新算法

图像压缩算法如EZW和SPIHT都具有较高的压缩率,为了能使图像压缩编码算法同时具有较高的压缩率和良好的压缩性能,分析了SPIHT算法,在相同压缩效率的情况下,将其进一步改进,使其具有空间可分层特性.提出了改进的分层SPIHT算法(SSPIHT).实验结果显示了新算法的有效性.     

基于小波变换的图像空间分层压缩编码新算法

图像压缩算法如EZW和SPIHT都具有较高的压缩率,为了能使图像压缩编码算法同时具有较高的压缩率和良好的压缩性能,分析了SPIHT算法,在相同压缩效率的情况下,将其进一步改进,使其具有空间可分层特性.提出了改进的分层SPIHT算法(SSPIHT).实验结果显示了新算法的有效性.     

基于混沌优化的多层前馈神经网络

BP算法是应用广泛的一种多层前馈神经网络模型,针对算法求解精度低、搜索速度慢、易于陷入局部极值点等问题,根据混沌理论的全局优化思想,提出采用"多次载波"技术将混沌优化和前馈神经网络相结合,利用已找到的近似最优解来启发搜索全局最优解的方法训练神经网络,以布尔函数识别、曲线逼近、模式识别3个典型应用对算法进行验证。研究结果表明,算法具有较好的泛化能力和快速全局收敛的性能,特别是针对中小规模的网络,混沌优化算法在训练时间、全局收敛率等指标方面优于BP算法。     

基于改进BP神经网络面向STEP-NC 2.5D制造特征的智能宏观工艺规划

智能工艺规划是实现智能制造的关键技术。面向新型NC编程数据接口国际标准STEP-NC(STEP-compliantnumerical control, STEP-NC),一种基于改进BP神经网络面向STEP-NC 2.5D制造特征的智能宏观工艺规划方法被提出。在该方法中,用于STEP-NC 2.5D制造特征加工操作方法决策的集成BP神经网络模型首先被建立。考虑到BP神经网络容易陷入局部最优和收敛速度慢,将混沌算法、遗传算法和BP神经网络算法相结合得到用于加工操作方法决策的改进的BP神经网络。在此基础上,将零件的加工信息归一化处理后输入到改进的神经网络中,进而实现了STEP-NC 2.5D制造特征加工操作方法的智能生成。最后,通过实例验证了该方法的有效性和可行性。     

一种高效预测模型在压缩算法中的实现

对当前图像无损压缩的技术进行深入研究，将一种基于神经网络的感知器技术运用于图像压缩，并将其实现，同时提出将改进的RICE算法运用于编码技术，通过实验证明了其可行性和实用性。     

基于改进麻雀搜索算法的带钢面标识别方法

为了解决带钢面标识别精度低、时间长等问题,构建了字符分割和识别模型。在分割模型的多阈值分割过程中,通过改进的麻雀搜索算法(Improved Sparrow Search Algorithm, IMSSA)寻优最佳阈值组向量,提升了图像分割效果。IMSSA在算法改进方面,首先采用Tent映射初始化种群,增强种群多样性;然后利用精英反向学习方法提升搜索能力;最后通过改进的高斯扰动策略增强全局和局部搜索能力。字符识别模型改进了LeNet-5卷积神经网络的网络结构,并增强了激活和损失函数。实验表明,IMSSA在三类基准函数的测试中均表现更好,改进的LeNet-5卷积神经网络结构平均测试精度达到95.0%,识别过程仅2.3 s。该模型耗时少、精度高,满足实时与准确性要求。     

一种新型混沌PSO算法在板形智能控制中的应用

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制。仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统。     

广义同余神经网络在旋转机械常见故障诊断中的应用

通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。     

压电工作台的神经网络建模与控制

建立了压电工作台的神经网络在线辨识模型并设计了相应的自适应控制器以抑制压电工作台迟滞特性、蠕变特性及动态特性对其微定位精度的影响.采用双Sigmoid激活函数对神经网络激活函数进行了改进,同时分析了改进激活函数的神经网络模型与PI迟滞模型在迟滞建模上的异同.设计了基于改进激活函数的3层BP神经网络作为压电工作台的在线辨识模型,推导了网络权值、阈值及激活函数阈值修正公式.最后,基于神经网络模型设计了压电工作台的自适应控制方案,该控制方案利用另外一个神经网络来完成对PID控制器参数的自适应调整.实验结果表明:提出的神经网络在线辨识模型平均误差为0.095 μm,最大误差为0.32 μm;自适应控制方案跟踪三角波的平均误差为0.070 μm,最大误差为0.100 μm;跟踪复频波的平均误差为0.80 μm,最大误差为0.105 μm.实验数据显示压电工作台的定位精度得到了有效提高.     

一种新型混沌PSO算法在板形智能控制中的应用简

提出一种新型混沌PSO算法优化RBF神经网络并对板形进行识别,使用神经网络预测和效应矩阵控制器对板形进行预测控制.仿真过程表明,新型混沌PSO算法对优化神经网络的结构和参数都有明显的效果,使用板形识别模型和带预测过程的效应函数可以有效控制板形系统.     

基于RBF神经网络的电阻层析成像算法的研究

本文提出了一种基于RBF神经网络的ERT图像重建算法,并用作者开发的ERT仿真软件得到了数据进行图像重建,与其它传统的成像算法作了对比。研究表明,RBF神经网络适合解决ERT图像重建的非线性问题,该算法具有速度快、精度高的优越性。     

中速磨存煤量软仪表监测

利用混沌运动初值敏感性,能在一定范围内按其自身规律不重复的遍历所有状态获取全局最优值的特点,在电厂现有的DPU中编程实现基于混沌优化BP网络的中速磨存煤量软仪表。离线训练与计算机仿真结果表明,本软仪表具有可行性和有效性,对实际生产具有指导意义。     

Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM)

Aiming at the problem of low quality in image reconstruction of traditional image reconstruction algorithm of electromagnetic tomography(EMT), an EMT image reconstruction algorithm based on autoencoder neural network of Restricted Boltzmann Machine (RBM) is proposed. Firstly, the basic principles of EMT system and autoencoder neural network are analyzed. Autoencoder neural network is a deep learning model, which contains two parts: encoder and decoder. The encoding process of the encoder is equivalent to the object field detection process in the EMT system; the decoding process of the decoder is equivalent to the image reconstruction process. On this basis, an autoencoder neural network model is built. In this model, the RBM is used for layer by layer pre-training to obtain the initial weight and offset, and the global weight and offset are adjusted by BP algorithm. The parameter file generated in the trained autoencoder neural network is used to construct a decoder. Finally, the detected voltage value output by the EMT system is input into the decoder network to obtain the reconstructed image of the EMT. Furthermore, data with Gaussian noise and data regarding flow pattern not in training dataset are used to test the generalization ability and practicability of the network, respectively. The experimental results show that the method in this paper is a kind of EMT image reconstruction method with higher accuracy, which also provides a new means for EMT image reconstruction.     

Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection

— Ball valve is a key fluid control equipment used extensively in oil and gas pipelines. The online detection and failure diagnosis of the internal leakage of the ball valve is of great significance to ensure the safety operation of natural gas transmission pipelines. This paper proposes a prediction method of the internal leakage rate and a diagnosis method of the failure mode of the buried pipeline ball valve based on valve cavity pressure detection. Firstly, the valve cavity pressure signal generated by the internal leakage of the ball valve is detected by the pressure sensor, and the valve cavity pressure signal is denoised by wavelet threshold denoising. Then, the back propagation (BP) neural network has the disadvantage of unstable learning ability, so the BP neural network is optimized by chaos sparrow search optimization algorithm (CSSOA-BP). Finally, the prediction model of the ball valve internal leakage rate and the diagnosis model of the ball valve failure mode are established by using CSSOA-BP neural network and the characteristic parameters of the valve cavity pressure signal. To verify the performance of the prediction model and the diagnosis model of CSSOA-BP neural network, the predictive results and diagnostic results are compared with those of the sparrow search algorithm optimization BP (SSA-BP) neural network and BP neural network. The experimental results show that the maximum prediction error of CSSOA-BP neural network is the smallest, which is 13.6%. The accuracy of the diagnostic results of CSSOA-BP neural network is the highest, which is 83.3%. It indicates that the proposed method can achieve better predictive results of the ball valve internal leakage rate and more accurate diagnostic results of the ball valve failure mode.     

基于栈式自编码器的磁探测电阻抗成像算法研究

针对目前磁探测电阻抗成像算法图像重建分辨率不高、精确度低的问题,提出了一种基于栈式自编码(SAE)神经网络的磁探测电阻抗成像算法。使用方形成像体进行仿真实验,通过训练样本建立SAE神经网络模型,确定神经元权重和偏置值。利用该网络模型重建成像体内部的电导率分布;并在异质体中心位置、算法的抗噪性能等方面将重建结果与基于Levenberg-Marquardt算法的反向传播神经网络的重建结果进行对比。结果表明栈式自编码神经网络算法显著提高了磁探测电阻抗成像的重建精度、抗噪性能。最后,通过仿体实验验证了SAE算法的可行性。根据实际测得的磁场,使用神经网络算法重建电导率,准确定位异质体位置。SAE神经网络算法的提出对于磁探测电阻抗成像技术的广泛应用具有重要意义。     

基于混沌神经网络的异步电主轴转速辨识

针对BP神经网络易陷于局部最优,且学习速度慢的缺陷,研究了采用混沌优化算法改进BP神经网络并应用于异步电主轴转速辨识的方法.该方法使用新的混沌自映射函数取代一般的有限折叠次数的Logistic自映射函数,使其兼具了混沌优化算法的全局寻优与BP算法局部寻优的优点.借助MATLAB/Simulink软件对无传感器电主轴转速辨识系统进行数值仿真.仿真结果表明,采用新方法使整个系统的辨识性能更优,学习速度更快.     

带收缩因子的PSO算法在齿轮箱故障诊断中的应用

应用带收缩因子的粒子群优化算法训练神经网络的权值矩阵，使神经网络的收敛速度大大提高，避免了其陷入局部最优解的缺陷；根据振动实验室齿轮箱实验数据，分析研究故障信号的特点，提取相应的特征参数，应用训练后的神经网络诊断齿轮箱的故障，实验表明故障诊断率较高。     

基于Le Gall 5/3小波的图像无损压缩算法研究

对一种无损压缩算法进行了研究,该算法采用整数小波对图像数据进行变换,对小波子带数据进行多级树集合分裂排序(set partitioning in hierarchical trees,SPIHT)编码,实现图像的无损压缩。探讨了图像无损压缩的极限问题,并对图像信息熵进行了估算。采用六幅标准灰度图像对该算法的压缩效果和时间消耗进行测试,结果证明,该算法运算速度快,并能获得较高的压缩比具有一定的实用价值。