基于BP神经网络的手写数字识别

数字识别是模式识别领域中重要研究方向之一,具有广阔的应用前景。文章在对BP神经网络基本原理研究的基础上,提出了利用BP神经网络方法来实现手写数字识别的方案。通过MATLAB仿真实验表明,基于BP神经网络的数字识别系统取得了良好效果。     

基于机器视觉的电厂数字仪表识别算法研究

数字仪表读数识别技术被广泛应用在电厂中,但是电厂中复杂环境为仪表读数获取带来了很大困难。为了解决光照不均、仪表倾斜、尺度变化、图像模糊、预处理繁复等问题,本文设计了一种基于深度学习的电厂数字仪表识别算法。在YOLOv5模型上加入CBAM注意力模块加强特征提取,同时为了强化利用底层特征,使用BiFPN结构代替PANet结构。实验表明,本文提出的改进YOLOv5在实际电厂现场95%以上准确率,对小数点也敏感,成功应用于现场生产环境中。     

基于模糊神经网络的磨粒识别专家系统

智能型磨粒识别是铁谱分析技术中的重要内容,模糊神经网络技术为解决以上问题提供了一条新的途径。本文介绍模糊神经网络专家系统的基本原理,叙述BP学习算法及过程,最后介绍基于本算法的磨粒识别模糊神经网络专家系统。     

基于图像识别的变电站巡检机器人仪表识别研究

目前变电站仪表识别方法易受到电信号干扰,导致识别图像中存在噪声。该文结合图像识别与中值滤波方法除去图像噪声,提高仪表识别准确性。根据图像识别预处理巡检机器人采集到的仪表图像;利用颜色图像区域搜索进行目标仪表图像区域定位,依据中值滤波去除目标图像噪声;采用脉冲耦合神经网络对仪表图像数字显示盘中的数字字符实行分割和二值化处理;通过样本匹配算法匹配仪表图像样本的数字字符,实现变电站仪表数据识别。通过实验表明,基于图像识别的方法可有效识别模糊以及缺失变电站巡检机器人仪表读数,且识别准确性高。     

基于D-S理论和BP网络的驾驶行为识别技术研究

提出了BP神经网络与D-S证据理论相结合的驾驶行为识别、预测方法;将汽车行驶过程中人-车-路的信息作为BP神经网络的输入,利用BP神经网络对驾驶行为进行初步识别,并将BP神经网络输出的结果归一化处理后作为D-S证据理论的基本概率分布;利用证据距离理论对证据进行证据冲突处理,通过D-S证据组合理论对输入信息进行综合分析处理,决策识别出当前的驾驶行为;利用MATLAB语言编写了仿真测试程序,仿真结果表明该方法能够准确的识别出当前的驾驶行为。     

基于不变矩及模糊神经网络的螺纹识别研究

根据概率论的基本原理 ,分析了图形的矩表示法 ,利用七个不变矩作为图形的描述子 (特征量 ) ,提出基于七个不变矩及模糊神经网络的螺纹识别方法 ,采用了L M(Levenberg Marquardt)算法训练网络。七个不变矩可以作为一幅图形的特征量进行图像识别 ,模糊L MBP网络收敛较快。     

基于卷积神经网络的工业仪表读数识别

当前工业信息化飞速发展,很多生产设备更新换代效率低,同时某些关键位置的数据采集不适合采用数字化仪表,许多含有仪表的老式设备无法直接将表盘示数传入计算机中。因此,本文提出了基于卷积神经网络的工业仪表读数识别方法,利用核相关滤波算法确定表盘位置,利用卷积神经网络识别仪表读数。本方法的识别准确率可达96%,具有较高的收敛速度。     

汽车仪表的识别、使用与发展趋势

本文介绍了汽车上的常见仪表及其正确使用。展望了汽车仪表的数字化发展趋势，重点介绍了步进式电动汽车仪表的特点和应用前景。     

基于粗集理论故障特征值提取模糊识别变速箱故障方法的研究

运用粗集理论简化所提取变速箱部分特征值，提高了变速箱故障诊断的效率。将模糊数学理论应用到变速箱故障识别中，模糊故障识别是利用的模糊集合论中的隶属函数及模糊关系矩阵的概念，解决故障与征兆间关系的模糊不确定性进行故障种类的识别。构造隶属函数及分段函数区间的确定是诊断成败的关键。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发,提出了基本概率分配构造和多源零件图像特征识别的方法。首先,对多源零件图像分别进行小波分解和多尺度边缘检测,获取零件图像的小波分解系数和相对边缘像素系数。然后,将它们作为神经网络的输入,获取多源零件图像识别的基本概率分配。最后,依据证据理论的合成规则得到零件的识别结果。实验结果表明,所提出的方法是有效的。     

基于证据理论的零件图像识别

从零件图像的小波分解系数和图像相对边缘像素系数作为零件特征的方法出发，提出了基本概率分配构造和多源零件图像特征识别的方法。首先，对多源零件图像分别进行小波分解和多尺度边缘检测，获取零件图像的小波分解系数和相对边缘像素系数。然后，将它们作为神经网络的输入，获取多源零件图像识别的基本概率分配。最后，依据证据理论的合成规则得到零件的识别结果。实验结果表明，所提出的方法是有效的。     

基于图像分割和证据理论的零件图像识别

提出了一种零件图像识别的方法,即对零件图像进行二值化处理,分割成若干个区域并统计各区域的相对像素系数,作为神经网络的训练样本和测试样本。神经网络的输出作为D—S证据推理的基本概率分配,依据证据理论的合成规则可提高零件的识别结果。     

基于BP神经网络的计量器具信息编码识别

根据国家工作计量器具命名与分类代码规范,结合企业实际,选用5层信息混合字符编码方法,形成丰富的质量信息载体;采用CCD传感器接收图像信息、BP神经网络识别的方法,实现计量器具信息自动与人工双重识别功能;结合具体案例进行训练与测试,获得较好的识别精度。     

基于神经网络颜色识别在RoboCup中的应用

提出了在visualC＋＋环境下的基于神经网络颜色识别方法，并将其应用到RoboCup中。该方法首先在visualC＋＋中提取颜色的YUV值，然后设计神经网络并处理YUV值，网络最后输出颜色对应的ID值。该方法极大地提高了颜色提取和识别效率。     

基于HMM的下肢表面肌电信号模式识别的研究

采用隐马尔科夫(HMM)的信号分类识别方法,用以实现下肢步态中各细分动作的更好识别和描述。首先将待分类的肌电信号进行预处理,按等时间间隔对每通道的肌电信号划分不同的段,采用小波变换方法对每个数据段内肌电信号进行多尺度分解,并提取小波分解系数的奇异值构成观察值序列。将步态周期的四种运动模式与HMM状态一一对应,用Baum-Welch算法对HMM参数进行重估训练,再用标定技术处理的前向后向算法和Viterbi算法进行识别,得到的平均识别率高于90%。然后在四种运动模式中分别提取小波特征组成特征编码,送入概率神经网络(PNN)中进行识别。证明HMM的识别效果优于概率神经网络,能够更好地应用于假肢的控制研究。     

基于反向传播神经网络的数字化工厂数据预测

数字化工厂数据涉及产品全生命周期,研究将反向传播神经网络应用于数字化工厂数据的预测。介绍了数字化工厂数据的组成,建立了反向传播神经网络,并分析了梯度下降的应用。通过运行程序得到预测结果,确认预测准确率达到95%。基于反向传播神经网络,可以对最终产品合格率、机器设备投资回报率及人力资源投资回报率进行预测。     

基于粒子群理论的板形模糊模式识别方法

带钢板形的模式识别是板形闭环控制的关键环节,板形模式的识别结果直接影响着板形控制精度.随着板形控制手段的不断更新,对板形模式识别方法提出更高的要求.为克服传统板形模式识别方法抗干扰能力差、逼近阶难以确定的缺点,依据模糊分类原理,运用欧式距离的择近原则对板形模式进行分类,完成板形信号的模式识别.在此基础上,为进一步提高识别精度,将20世纪90年代发展起来的具有全局优化能力的粒子群理论应用于板形模式识别,对模式识别的结果进行优化,并将其与单纯形法优化结果进行对比.试验结果证明了粒子群优化算法的有效性,该算法能够提高识别精度,使优化后的结果能更精确地控制板形调控机构,以适应高精度板形控制要求.     

一种单入口匝道自适应模糊控制算法研究

高速公路入口匝道控制系统是一种非线性时变系统。本文基于BP神经网络和自适应模糊控制，结合MATLAB仿真工具，对一种单入口匝道自适应模糊控制算法进行了研究。深入阐述了单入口匝道自适应模糊控制算法的三层BP神经网络结构、数学模型、仿真以及其他相关算法中存在的缺陷。通过仿真实验得出结论，这种控制算法在高速公路控制上能够达到理想的效果。     

基于贝叶斯网络的草图识别研究

针对大多数草图识别算法笔画分组精确率低和用户适应性较差的问题,提出了一种基于混合特征的笔画分组方法,并在笔画的分组信息基础上构建了贝叶斯网络模型识别用户绘制的语义符号。该方法首先将用户绘制的笔画分组,每个分组代表一个独立的语义符号,然后提取分组的特征向量,最后通过贝叶斯网络模型推理出分组对应的语义符号。通过实验验证和数据分析,表明该方法具有良好的用户适应性、笔画分组能力及符号识别能力。