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。     

DHNN优化设计新方法及在板形模式识别的应用

基于离散Hopfield神经网络(DHNN)的联想记忆能力,提出了随机扰动优化设计DHNN的新方法.该方法降低了DHNN对权值矩阵的苛刻要求,避免进入伪稳定点;并将其用于板形模式识别,采用勒让德多项式表示常见的6种板形基模式,不需大量的测试样本来训练网络,是一种更简单、实用的板形模式识别新方法,为实现板形控制提供依据,仿真结果证明了这种方法的可行性     

基于直觉模糊——神经网络的色情图像识别算法

网络中色情图像的传播严重影响了网络信息内容的安全性。为提高色情图像识别的准确度,提出了一种直觉模糊理论和FP（Forward Propagation）神经网络相结合的色情图像识别算法。算法以颜色直方图为底层特征,根据色情图像颜色分布情况,由模糊理论和直觉模糊理论共同构建图像特征矩阵;采用FP网络实现色情图像特征训练过程,其中特征矩阵的权重通过反向传播神经网络训练得到,以加权距离建立球形邻域半径;最后通过球形邻域覆盖情况识别色情图像。实验结果表明,该算法能够在不影响识别速率的前提下,有效的提高识别准确度。     

虚拟维修仿真中手势识别的研究与应用

虚拟维修训练仿真要求良好的逼真性和沉浸感,对训练操作者的动作意图能高效地转化.将手势识别技术应用于虚拟维修仿真作为的获取可以有效满足这种要求.通过装备维修动作的建模研究分析定义了能够体现动作意图的必需手势;之后采用模糊神经网络技术实现对手势的识别并建立基于手势识别的虚拟手交互控制机制.还重点对神经网络的构建以及学习算法进行了介绍,并在现有适用度计算方法的基础上结合网络实际提出了适用度的平均求解法.最后将基于手势识别的虚拟手交互控制方法应用于具体维修训练仿真中并证明了方法的可行性和高效性.     

基于递阶遗传算法的RBF神经元网络板形板厚综合控制

该文首先用递阶遗传算法（HGA）设计RBF神经网络，不仅可以同时确定网络参数（连接权、隐节点中心和宽度），而且解决了网络拓扑结构的优化训练问题，而后针对板带材轧制是一个复杂的非线性过程，板形控制（AFC）和板厚控制（AGC）又是相互耦合的一个综合系统等特点，建立了基于过程最优的权值在线自学习算法的RBF神经元网络的板形板厚多变量综合控制系统，仿真结果证明了此AFC－AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID控制。     

无标定图像视觉伺服控制方法研究

针对视觉伺服控制识别速度慢、精度低的问题，提出一种基于反向传播(BP)神经网络和遗传算法的视觉伺服控制算法。该算法对机器人与图象复合雅可比矩阵建模得到初始的BP神经网络视觉伺服控制器，采用遗传算法对控制器的初始权重和阈值进行训练，得到混合优化的视觉控制模型。该算法可以有效地将遗传算法良好的全局搜索能力与BP神经网络的精确局部搜索功能相结合。实验结果表明，收敛速度加快的同时误差下降为原来的4.6%,为机器人控制提供了一种简单有效的方法。     

基于IGA的板形板厚神经网络分散解耦PID控制

针对板带材轧制是一个复杂的非线性过程，板形控制(AFC)和板厚控制(AGC)又是相互耦合的一个综合系统等特点．该文首先采用神经网络分散解耦方法，对此板形板厚多变量耦合系统进行解耦，而后再应用基于免疫遗传算法的PID控制对解耦后的已近似成为两个独立的SISO系统的广义对象进行控制。从而建立了基于免疫遗传算法的板形板厚神经网络分散解耦PID控制系统。仿真结果证明了此AFC—AGC控制系统具有良好的自适应跟随和抗扰性能，其控制效果优于传统的解耦PID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.     

板形模式软测量方法的研究

针对传统的基于最小二乘法板形模式识别方法抗干扰能力差、精度低,神经网络方法在实际应用中效果不佳的板形识别问题,根据实际生产中带钢板形控制的要求,以勒让德正交多项式作为表述板形缺陷的基本模型,将模糊分类理论与混沌优化算法相结合,建立一种新型的板形模式软测量方法,该方法简单、实用、识别精度较高,效果较稳定。实际应用结果表明,该方法能够满足高精度的板形控制对板形缺陷模式识别的精度和速度的要求。     

一种改进型离散Hopfield学习算法

针对离散Hopfield神经网络(DHNN)的权值设计问题,提出一种改进型学习算法,并在DHNN动力学分析的基础上设计该学习算法.利用矩阵分解的方法(MD)得到正交矩阵,并采用得到的正交矩阵直接计算DHNN的权值矩阵.通过该学习算法得到的权值矩阵,可以很好地存储训练样本的信息,使测试样本收敛到稳定点.该学习算法不需要进行分块计算,减少了计算步骤和计算量,降低了网络的迭代次数,从而提高了网络运行速度.最后,将该学习算法应用于水质评价,验证了其有效性和可行性.     

一种无刷直流电机转子位置检测方法的研究

位置检测和换相准确与否,对无刷直流电机的运行有非常关键的影响。通过分析无刷直流电机间接位置检测原理,本文提出了一种新的方法来实现转子位置的检测。该方法构建一个以相磁通和相电流为输入,转子位置为输出的小波神经网络模型,并采用遗传算法来训练网络参数。经仿真验证该模型能有效地控制电机换相。     

基于神经网络的速度传感器幅频特性改进

为了降低磁电式振动速度传感器的下限测量频率,以实现超低频振动速度测量,提出改进其幅频特性的函数连接型人工神经网络(FLANN)方法。该方法以磁电式振动速度传感器动态试验数据为基础,通过FLANN训练来确定传感器动态补偿网络,以改善它的幅频特性。介绍了原理和FLANN权值调整的算法,给出用FLANN建立的磁电式振动速度传感器动态补偿网络的数学模型。结果表明:这种幅频特性的改进方法具有精度高、鲁棒性好,并能在线修正等优点,在工程测试领域有重要的实用价值。     

求解随机机会约束规划的混合智能算法及应用

为更有效地求解随机机会约束规划问题,提出一种基于克隆选择算法(CSA)、随机模拟技术及神经网络的混合智能算法。采用随机模拟技术产生随机变量样本矩阵训练反向传播(BP)网络以逼近不确定函数,之后在CSA中利用神经网络检验个体的可行性、计算适应度,从而得到优化问题的最优解。为保证算法搜索的快速性和有效性,CSA采用双克隆和双变异策略。仿真结果表明,与已有算法相比,混合智能算法在500代时已取得比较满意的结果,且其精度在单目标优化问题中提高了2.2%,在多目标优化问题中提高了65%;将该算法应用于求解水库优化调度的难题上,结果也表明所建立的模型及算法的可行性和有效性。     

基于优化卷积神经网络结构的交通标志识别

现有算法对交通标志进行识别时,存在训练时间短但识别率低,或识别率高但训练时间长的问题。为此,综合批量归一化（BN）方法、逐层贪婪预训练（GLP）方法,以及把分类器换成支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化,提出基于优化CNN结构的交通标志识别算法。其中：BN方法可以用来改变中间层的数据分布情况,把卷积层输出数据归一化为均值为0、方差为1,从而提高训练收敛速度,减少训练时间;GLP方法则是先训练第一层卷积网络,训练完把参数保留,继续训练第二层,保留参数,直到把所有卷积层训练完毕,这样可以有效提高卷积网络识别率;SVM分类器只专注于那些分类错误的样本,对已经分类正确的样本不再处理,从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别,新算法的训练时间相对于传统CNN训练时间减少了20.67%,其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化,极大地缩短了训练时间,并具有较高的识别率。     

Parallel implementation of multilayered neural networks based on Map-Reduce on cloud computing clusters

To meet the requirements of big data processing, this paper presents an efficient mapping scheme for a fully connected multilayered neural network, which is trained by using back-propagation (BP) algorithm based on Map-Reduce of cloud computing clusters. The batch-training (or epoch-training) regimes are used by effective segmentation of samples on the clusters, and are adopted in the separated training method, weight summary to achieve convergence by iterating. For a parallel BP algorithm on the clusters and a serial BP algorithm on an uniprocessor, the required time for implementing the algorithms is derived. The performance parameters, such as speedup, optimal number and minimum of data nodes are evaluated for the parallel BP algorithm on the clusters. Experiment results demonstrate that the proposed parallel BP algorithm in this paper has better speedup, faster convergence rate, less iterations than that of the existed algorithms.     

Combined learning and pruning for recurrent radial basis function networks based on recursive least square algorithms

This paper discusses a way to combine training and pruning for the construction of a recurrent radial basis function network (RRBFN) based on recursive least square (RLS) learning. In our approach, a RRBFN is first trained using the proposed RLS algorithms. Afterwards, the error covariance matrix which is directly obtained from the RLS computations is used to remove some unimportant radial basis function (RBF) nodes. We propose two algorithms: (1) a “global” version which is suitable for low dimensional input space situation, and (2) a “local” version which can be applied in situations when the input dimension is large. In both cases, it is shown that the error covariance matrix, obtained from the RLS algorithms, can be used as a means for pruning the trained RRBFN. Simulation examples are presented to illustrate the proposed approaches.     

一种开关磁阻电机建模方法的研究与实现

由于开关磁阻电机的非线性特点,难以建立一个精确的开关磁电机的模型,为了精准建立开关磁阻电机模型,利用径向基函数神经网络良好的非线性映射能力在获取准确磁链样本数据基础上训练神经网络,利用训练的径向基神经网络构建开关磁阻电机非线性模型.在此基础上,采用角度位置控制和电压脉宽调制控制相结合的方法搭建开关磁阻电机驱动控制系统的仿真框架.仿真结果表明:利用径向基函数神经网络的方法可以克服开关磁阻电机的非线性问题,所建立的开关磁阻电机模型可以正常稳定运行.从而证明上述方法的合理有效性.     

基于GA优选参数的RBF神经网络水质评价

为进一步提高多光谱图像水质反演的评价精度,提出一种基于遗传算法(GA)优选参数的径向基函数(RBF)神经网络水质评价方法.利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,得到符合条件且具有代表性的4类水质变量,对RBF神经网络进行训练和测试,用遗传算法对RBF神经网络的参数进行优化.在训练好的RBF神经网络模...     

利用单形进化优化的BP神经网络学习算法

在BP神经网络训练算法中,针对权值的优化学习容易陷入局部极值点、收敛速度慢等问题,很多研究引入智能优化算法对其进行改进,但传统的智能优化算法通常有多个控制参数,若不能正确选取参数,或者没有适当选择初始点位置,则很难搜索到最优的神经网络权值。为了解决这些问题,提出一种基于单形进化的BP神经网络学习算法,它通过全随机搜索减少算法的控制参数,利用群体的多角色态保持粒子的多样性,避免算法陷入局部的极值点,减少了对初始值的依赖。在应用中,将该算法应用于神经网络的训练算法中,通过对UCI数据集和人脸图像的测试,实验结果表明,上校算法训练的神经网络有效提高了识别率与训练效率。