A novel RBF neural network for radar emitter recognition based on Rough Sets

With the spreading of radar emitter technology, it is more difficult for traditional methods to recognize radar emitter signals. In this article, a new method is proposed to establish a novel radial basis function (RBF) neural network for radar emitter recognition based on Rough Sets theory. First of all, radar emitter signals describing words are processed by Rough Sets, and the importance weight of each attribute is obtained and the classification rules are extracted. The classification rules are the basis of initial centers of Rough k-means. These initial centers can reduce the computational complexity of Rough k-means efficiently because of a priori knowledge from Rough Sets. In addition, basis functions of neural units of an RBF neural network are improved with attribute importance weights based on Rough Sets theory. The novel network structure makes the RBF neural network more effective. The simulation results show that novel RBF neural network radar emitter recognition can recognize radar emitter signals more effectively than a traditional RBF neural network, because of the improved Rough k-means and the network structure with attribute importance weights.     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及Ti C增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测Ti C增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造...     

样本过滤的基因表达数据分类

针对单个人工神经网络稳定性差、分类精度不高的缺点,提出了基于样本过滤的人工神经网络集成算法,并用于基因表达数据分类.采用基因表达数据集Leukemia进行实验仿真,并与单个BP神经网络、Bagging神经网络集成和支持向量机进行比较.结果表明,样本过滤算法具有更好的稳定性和更高的分类精度.     

Research on automatic identification system of tobacco diseases

In order to improve recognition accuracy of tobacco diseases, an identification method based on multi-feature and genetic algorithms optimizing BP neural network was proposed. First, Otsu method was used to obtain disease location information and GrabCut function was initialized for extracting diseased area effectively. Second, colour moments, disease contour and GLCM were used to get colour, multi-contour and texture features. Once again, BP neural network was optimized by genetic algorithm, and the optimal initial weights and thresholds were obtained, which shortened the training time and improved the accuracy of disease identification. Finally, BP neural network model for tobacco diseases diagnosis was established with the mobile client as input and the user services as output. The field experiment showed that the method could diagnose eight types of tobacco diseases effectively and automatically. The average recognition accuracy rate of selected tobacco diseases was about 92.5%.     

基于WOA–BP神经网络的液滴铺展预测

目的 提高BP神经网络对电喷印过程中液滴铺展行为的预测能力。方法 提出一种鲸鱼优化算法(WOA)优化BP神经网络的液滴铺展预测模型。首先，采用相场方法建立电场作用下液滴铺展的数值模型，并通过实验验证仿真结果的准确性。然后，选取初始直径、撞击速度、接触角和电场强度作为神经网络的输入参数，将最大铺展直径作为神经网络的输出参数，利用鲸鱼优化算法优化神经网络中的初始权值和阈值，构建液滴铺展预测模型。最后，基于仿真结果对预测模型进行训练与测试，并将其与传统的BP神经网络模型进行对比分析。结果 相较于传统BP神经网络预测模型，WOA–BP神经网络预测模型的平均绝对误差、均方根误差分别降低了72.60%、77.60%，而平均绝对百分比误差则从15.029 3%减小为4.585 3%。结论 WOA–BP神经网络预测模型可以更好地预测液滴铺展，可为液滴铺展的预测提供新的方法。     

贝叶斯算法BP神经网络缺陷量化研究

为克服传统BP神经网络中网络训练速度慢、量化精度低、数据过度拟合、容易陷入局部极小点等缺点,该文将贝叶斯算法引入BP神经网络用于基于漏磁检测的缺陷量化,有效地控制网络模型的复杂度,利用不同尺寸的缺陷特征量训练网络,从而实现对缺陷长度、宽度、深度的量化,节约网络的训练时间,提高量化精度。     

Research on Forecasting Flowering Phase of Pear Tree Based on Neural Network

Predicting the blooming season of ornamental plants is significant for guiding adjustments in production decisions and providing viewing periods and routes. The current strategies for observation of ornamental plant booming periods are mainly based on manpower and experience, which have problems such as inaccurate recognition time, time-consuming and energy sapping. Therefore, this paper proposes a neural network-based method for predicting the flowering phase of pear tree. Firstly, based on the meteorological observation data of Shijiazhuang Meteorological Station from 2000 to 2019, three principal components (the temperature factor, weather factor, and humidity factor) with high correlation coefficient with the flowering phase of pear tree are obtained by using the principal component analysis method. Then, the three components are used as input factors for the BP neural network. A BP neural network prediction model is constructed based on genetic algorithm optimization. The crossover operator and mutation operator in the adaptive genetic algorithm are improved. Finally, the meteorological sample data from 2013 to 2019 are used to test and verify the algorithm in this paper. The results demonstrate that, the model can solve the local optimization problem of the BP neural network model. The prediction results of the flowering phase of pear tree are evaluated in terms of relevance and prediction accuracy. Both are superior to the traditional effective accumulated temperature and the prediction results of the stepwise regression method. This method can provide more reliable forecast information for the blooming period, which can provide decision-making reference for improving the development of tourism industry.     

基于GA-BP神经网络的结构损伤位置识别

针对传统BP神经网络训练中存在的一些问题，提出了一种基于遗传算法(GA)-BP神经网络混合技术识别结构损伤位置的方法。该方法利用基因实数编码的遗传算法优化BP网络的结构及初始参数，从而大大提高了神经网络的训练精度。运用GA-BP网络与传统BP网络技术分别对两个算例进行了结构损伤定位的识别仿真，结果表明遗传BP稳定性好，精度高，对噪声有很好的鲁棒性，便于工程应用。     

动态定量称量包装系统BP神经网络PID控制算法

目的针对动态定量称量包装控制系统具有大惯性、滞后、非线性且无法建立精确数学模型等缺点,研究提高动态定量称量包装系统控制精度的方法。方法提出了一种改进型BP神经网络PID的定量称量包装控制系统,将BP神经网络与PID控制方法相结合,通过神经网络的自学习、加权系数的调整,优化PID控制器参数K_i,K_p,K_d,并将粒子群算法引入到神经网络中作为其学习算法,以有效提高BP神经网络算法的收敛速度。结果仿真和实验结果表明,改进型BP神经网络PID控制响应速度快、超调量较小,系统称量误差得到大幅度减小。结论所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

遗传算法和BP神经网络在电机故障诊断中的应用研究

人工智能方法在电机故障诊断中的应用,使得电机故障能够得到及时准确的预测和诊断,保障了电机的安全运行。介绍了BP神经网络及遗传算法的基本原理及组成结构,针对BP神经网络容易陷入局部极小点及收敛速度慢的问题,利用遗传算法对BP神经网络的权值和阀值优化,改善了BP神经网络的诊断性能;通过GA-BP网络对电机的三种故障模式进行了诊断识别,其实验仿真结果表明：无论是在诊断速度上还是诊断精度上,GA-BP神经网络诊断性能都比单独的运用BP网络有了很大提高。     

基于感性意象和BP神经网络的产品CMF决策模型研究

目的 为实现特定感性意象下的产品CMF精准选定与量化,结合BP神经网络和线性回归提出一种产品CMF决策模型。方法 通过文本挖掘形式确定用户感性意象,根据HSV色彩模型与选定的康复辅具的材质与工艺构建CMF要素空间,并基于设计要素空间形成海量CMF方案,同时根据选定感性意象对方案加以评价,获得感性意象与CMF单一设计要素的定性映射关系。将CMF方案编码后与感性意象评价值结合,并通过BP神经网络以定量方式构建CMF决策模型,筛选出最优色彩区间、材质及工艺。对选中色彩区间再次细分出设计方案并进行评价,通过线性回归得到色彩回归方程,从而构建产品CMF的综合决策模型。结果 以膝关节支具为例进行实例研究,通过BP神经网络构建的一阶CMF决策模型预测值与期望值的均方误差MSE为0.038 13,且预测结果与定性映射关系基本一致,表明该阶模型可信度较高且精度良好。利用线性回归构建的二阶决策模型P值小于0.01,表明H、S、V的数值与感性意象评价值具有显著相关性,证明了该CMF决策模型的可行性。结论 构建的CMF决策模型在产品设计领域具有一定的通用性,能够有效实现康复产品CMF的精准选择与量化,在定性和定量层面指导康复产品CMF决策的优选和创新。     

基于蚁群算法优化BP神经网络的港口吞吐量预测

利用蚁群算法优化反向传播神经网络的初始权值、阈值,建立预测模型,对港口货物吞吐量进行预测。蚁群算法具有全局搜索能力,分布式计算和鲁棒性强等特点,有利于加快反向传播神经网络的收敛速度,避免易陷入局部极值的问题,提高建模精度。在港口吞吐量预测中的应用表明:蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%;同时,蚁群算法优化BP神经网络模型收敛速度最快。与传统BP神经网络、RBF网络及模糊神经网络相比,蚁群算法优化BP神经网络模型、模糊神经网络预测模型、RBF预测模型及BP预测模型的平均绝对百分比误差分别为2.826%、3.734%、4.990%和6.566%。     

自动定量称量包装传感器信号去噪算法

目的为了有效滤除自动称量控制系统中的噪声信号,提升称量系统的稳定性和精确度,提出一种基于BP神经网络粒子滤波的称量信号去噪方法。方法在粒子滤波算法中映入了BP神经网络,利用BP神经网络的非线性映射特点,对权值进行分裂和选择,将观测值看作神经网络的目标信号,通过神经网络中的多次训练增大小权值粒子的权重,从而提高粒子滤波算法的多样性。结果仿真和实验结果表明,BP神经网络粒子滤波方法能有效滤除称量包装系统中的噪声信号,提升传感器信号品质。结论该滤波方法大大提升了称量系统的稳定性,有效提高了称量包装的精度,所述控制方法可以明显提高定量称量控制过程的稳定性、精确性以及鲁棒性。     

A Direct Data-Cluster Analysis Method Based on Neutrosophic Set Implication

Raw data are classified using clustering techniques in a reasonable manner to create disjoint clusters. A lot of clustering algorithms based on specific parameters have been proposed to access a high volume of datasets. This paper focuses on cluster analysis based on neutrosophic set implication, i.e., a k-means algorithm with a threshold-based clustering technique. This algorithm addresses the shortcomings of the k-means clustering algorithm by overcoming the limitations of the threshold-based clustering algorithm. To evaluate the validity of the proposed method, several validity measures and validity indices are applied to the Iris dataset (from the University of California, Irvine, Machine Learning Repository) along with k-means and threshold-based clustering algorithms. The proposed method results in more segregated datasets with compacted clusters, thus achieving higher validity indices. The method also eliminates the limitations of threshold-based clustering algorithm and validates measures and respective indices along with k-means and thresholdbased clustering algorithms.     

塑料包装材料表面大肠杆菌滋生影响因素研究

目的 选择大肠杆菌为典型致病菌,分析不同塑料包装材料(聚乙烯、聚丙烯、聚酰胺、聚对苯二甲酸乙二酯)、营养状况与温湿度下包装表面大肠杆菌的滋生情况。方法 通过正交试验法分析各因素对大肠杆菌在包装表面滋生的影响规律。着重研究不同塑料材料表面大肠杆菌生物膜附着的影响因素,通过相关性分析确定模型输入参数;并基于这些参数采用反向传播神经网络(BP神经网络)建立不同塑料材料表面大肠杆菌菌落数的预测模型。结果 温度对大肠杆菌在材料表面的生长影响最大,其次为营养状况,材料和相对湿度的影响相对较小。塑料材料的水接触角、表面能、粗糙度和营养肉汤接触角是影响材料表面大肠杆菌生物膜附着的主要因素,基于这些因素建立的塑料材料表面大肠杆菌菌落数的神经网络预测模型的R²超过0.95,具有极高的预测精度。结论 该研究提出了塑料包装材料表面大肠杆菌滋生的关键环境控制因素,并为食品包装材料的选择提供了参考,从而为提升食品安全提供理论依据。     

基于遗传算法优化BP神经网络的SCR脱硝系统催化剂体积设计

火电厂SCR脱硝系统的设计需要在满足脱硝效率的同时,尽可能节约成本,因此需要准确预测SCR脱硝所需的催化剂体积。火电厂的烟气条件复杂多变,烟气温度、烟气流量、出入口NO_x浓度等参数都会影响SCR催化剂的体积设计,因此催化剂体积预测是一个多因素耦合的问题。针对这一特点,使用BP神经网络对催化剂体积设计进行了预测,并针对该模型结构上的缺陷,进行基于遗传算法优化的神经网络建模研究。结果表明,遗传算法优化后的BP神经网络模型预测精度和数据拟合能力均有提高,为脱硝系统的催化剂体积设计提供了新思路。     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

基于BP 神经网络的颜色测量仪器台间差自适应修正模型

依据明度值对色块进行分区处理,按各区占总样本的百分比选取训练样本,采用BP 神经网络模型进行X-Rite 530 与SP60 测量数据的拟合。仿真结果及主观评价Z 得分显示,基于BP 神经网络的X-Rite 530 与SP60 台间差自适应修正模型优于三维空间拟合修正方法。提出的自适应修正模型为实现由低精度到高精度颜色测量仪器色度值的转换提供了理论依据,提高了印刷质量检测精度。     

双目视觉摄像机神经网络标定方法

摄像机标定是精密视觉测量的基础。为了描述双目视觉中三维空间物点坐标和两个摄像机像面像点坐标间的非线性关系,传统的标定方法需要建立复杂的数学模型。而神经网络可以有效地处理非线性映射问题,笔者介绍了一种BP(ErrorBackPropagation)神经网络,并且为了提高网络的学习能力引入了动态因子。用相同的参考数据,将神经网络标定方法与线性标定方法比较,实验结果表明基于神经网络的双目视觉标定方法能获得较高的标定精度。