基于遗传算法改进的BP神经网络模型的磨损机制智能识别

通过提取磨粒形状特征参数、颜色特征参数和表面纹理等特征参数对磨粒形态进行量化表征,并以此为输入矢量,引入遗传算法(GA)改进BP神经网络对磨粒进行自动分类识别,建立遗传算法改进的BP神经网络模型,并给出具体的算法实现过程。分别应用遗传算法改进的BP神经网络模型和未引入遗传算法改进的BP神经网络模型对磨粒图像进行智能识别。实验结果表明,遗传算法改进的BP神经网络综合了遗传算法的全局优化和BP算法局部搜索速度快的特点,网络识别率较高,具有较好的全局性。     

基于BP神经网络的铁谱磨粒图像识别方法研究

在磨粒识别过程中,铁谱磨粒图像预处理和特征参数提取是关键。应用图像形态学的处理方法对磨粒图像进行预处理,结果表明,利用开运算、闭运算的图像形态学处理方法对铁谱磨粒图像进行预处理,可以消除图像二值化后留下的孤立小碎点、孔洞以及边界断点。通过磨粒图像的统计特征参数和傅里叶特征参数建立BP神经网络,并对磨粒进行识别,结果表明:采用该方法能正确识别磨粒图像,辨别磨损机制。     

一种用于磨粒识别的基于改进PSO 算法的支持向量机模型

为提高磨粒智能识别的准确率,以传统支持向量机和粒子群优化(PSO)算法为基础,提出一种基于改进PSO算法的支持向量机(SVM)识别模型。该识别模型的惩罚参数和核函数参数可同时得到最佳优化,从而可建立模型参数最优的自适应SVM识别模型。采用该识别模型对油液中的磨粒进行智能识别,结果表明该模型识别准确率高达98%,明显优于BP神经网络模型。     

基于BP神经网络的磨粒特征识别系统设计

提高铁谱磨粒识别能力是加强铁谱分析技术的重要手段,神经网络技术的不断普及为铁谱磨粒识别能力的提高带来了新的思路。对神经网络系统的基本原理和BP学习算法进行了叙述,并探讨了基于BP算法的磨粒特征识别系统的设计。     

基于遗传算法的高阶模糊BP神经网络在齿轮故障诊断中的应用

将模糊逻辑理论和遗传算法引入高阶BP神经网络中，讨论了高阶模糊BP神经网络的特征值的提取、结构、特点、二阶算法以及遗传算法，并将该神经网络模型用于齿轮的故障诊断中，试验表明基于遗传算法的高阶模糊BP神经网络对齿轮故障模式具有稳定、准确的识别能力，是一种行之有效的新型诊断方法。     

基于极限学习机的铁谱磨粒模式识别

将极限学习机(ELM)应用于铁谱磨粒模式识别中,从磨粒彩色图像中提取出磨粒的形状尺寸、颜色、纹理3个方面的特征参数作为ELM的输入,以正常滑动磨粒、严重滑动磨粒、球状磨粒、切削磨粒、氧化物磨粒这5种类型磨粒作为ELM的输出,建立基于ELM的磨粒分类器;将3个方面的17个特征参数进行排列组合建立不同的模型,通过对比实验及分析,确定出最优的模型和磨粒分类器;通过实验比较基于ELM与基于BP神经网络的磨粒分类器性能。结果表明:基于ELM神经网络的磨粒分类器的识别速度平均为150 ms,准确率最高为96%,基于BP神经网络的磨粒分类器的识别速度平均为250 ms,准确率最高为90%。因此,基于ELM的磨粒分类器识别速度更快、准确率更高。     

遗传算法与神经网络在语音识别中的应用

为克服隐马尔可夫模型(HMM)在语音识别应用中的缺点和局限性,在语音识别中引入神经网络.采用前馈多层神经网络,用遗传算法和BP算法结合的方式对网络进行训练,克服了传统BP算法收敛速度慢、易陷入局部最小等缺陷.仿真实验结果表明,该模型有效地提高了语音的识别率,并缩短了识别时间,实现了效率与时间的双赢,为算法的实用性奠定了基础.     

基于粗糙集和神经网络的润滑油中磨损磨粒的识别

为了更有效地对润滑油中的磨损磨粒进行识别,探讨了基于粗糙集和神经网络的磨粒识别。它首先利用粗糙集理论对磨粒特征参数进行约简,这样能够大大减少了神经网络的输入维数。然后介绍了一种径向基神经网络,并利用它对磨粒进行分类。对20个磨粒进行识别,磨粒分类分对14个,分错6个,识别率达到70.0%。     

基于人工蜂群-BP神经网络的刀具磨损监测

为了提高刀具磨损状态监测准确度,提出基于人工蜂群-BP神经网络算法的刀具磨损状态监测方法。使用力传感器和振动传感器设计了磨损状态监测平台;使用匹配追踪算法对信号进行了去噪;提取了信号时域、频域、时频域的特征参数,使用核主成分分析法对特征参数进行了降维,确定了反应刀具磨损状态的15个特征参数;提出了人工蜂群-BP神经网络算法的刀具磨损状态识别方法,使用人工蜂群算法优化BP神经网络算法参数;经实验验证,传统BP神经网络识别准确率为78.75%,优化BP神经网络算法识别准确率为100%。     

基于神经网络信息融合的发动机磨损磨粒识别

磨粒识别和分类是铁谱分析技术在发动机故障诊断和状态监测的关键环节.针对单一神经网络模型磨粒识别的局限性,提出了一种基于不同类型神经网络信息融合的磨粒智能识别方法.首先利用径向基函数(RBF)神经网络和反向传播(BP)神经网络对磨粒进行识别,得到2组初始识别结果, 归一化后作为2组基本概率分配函数,然后利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一神经网络模型相比,提出的信息融合方法提高了磨粒识别的区分度和准确率,并具有良好的通用性和容错性.     

基于PCA-BP神经网络的磨粒自动识别

以航空发动机润滑油液中的磨损微粒为研究对象,提出一种采用PCA-BP分类器对磨粒类型进行自动识别的方法。该方法通过对磨粒图像进行预处理并提取一些特征参数,采用PCA对所提取的特征参数进行优选,采用BP网络分类器对磨粒类型进行计算机自动识别。结果表明,相对于传统型BP分类器的识别准确率,此分类器的识别准确率更高。     

改进的BP算法在磨粒识别中的应用

本文提出用改进的神经网络算法，建立适于磨粒分析的AWPRM模型，设计了智能磨粒识别分类器，实例表明，用该方法可以准确识别磨粒类型，并具有较好的推广能力。     

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。     

基于改进算法BP神经网络的软测量技术

利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并把改进算法后的BP神经网络在盐酸浓度的软测量中做了仿真实验,实验结果表明陡度因子的引入不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于IGA和LS-SVM的航空发动机磨粒识别

针对磨粒识别中的LS-SVM分类器性能参数难以选择的问题,提出一种改进的遗传算法(IGA)对其进行优化选择。该算法将轮盘赌选择法与最优保留法相结合,采用一种随世代数增加而不断自动调整的交叉概率和变异概率,既提高了收敛速度,又易得到全局最优解。基于IGA的LS-SVM分类器磨粒识别方法为,利用主成分分析法(PCA)优选磨粒特征参数,并将结果作为样本训练LS-SVM分类器;通过改进遗传算法优化分类器参数,并通过测试样本测试分类器性能。仿真实验结果表明,此分类器的分类精度高,分类速度快。     

基于自适应遗传BP算法的混合气体定量检测研究

针对混合气体检测问题,利用误差反向传播(BP)算法和遗传算法,提出了用自适应遗传算法优化BP神经网络的方法来实现定量检测.即利用遗传算法的全局搜索能力,对神经网络连接权值和阈值进行优化,再以优化后的初值作为BP神经网络的初始连接权值和阈值,最后用附加“动量项”的误差反向传播算法训练BP网络.设计了一个结构为7×18 ×3的3层BP网络用于一组含有5个样本的混合气体识别试验.结果表明:将自适应遗传神经网络算法应用于混合气体定量识别的训练中,收敛速度比附加“动量项”BP算法要快,而且学习精度更高,识别效率也提高了2/3.     

基于PCA-改进算法BP神经网络的软测量技术

本文在利用动量法和自适应改变学习率改进BP神经网络算法的基础上,针对网络权值调整时不容易跳出误差平坦区的问题,进一步对神经网络的学习算法进行了改进,引入一个陡度因子.并与主元分析相结合,形成了PCA-改进算法的BP神经网络.通过在塑料缠绕过程塑料张力预测中的仿真实验结果表明PCA-改进算法后的BP神经网络不但可以提高模型的精度而且也使网络的泛化能力得到了增强.     

基于EMD分解和BP神经网络的发动机故障诊断

本文对发动机缸盖振动信号进行EMD分解,求出各分量的能量作为特征参数,应用BP神经网络算法对发动机活塞销不同程度的故障进行识别。实验结果表明:基于EMD分解和BP神经网络能够对发动机活塞销不同程度的故障进行识别。     

基于改进BP神经网络的货车车载称重方法

为了实现准确测量货车载重量以更加有效地控制货车的超载,提出了一种基于改进BP神经网络的货车车载称重方法。首先设计了测试方案,采集了不同载荷状况下的货车上各组钢板弹簧变形量和整车载重量数据,并对数据进行预处理,构建了样本数据集。其次,搭建了基于BP神经网络的货车载重量检测模型,在模型构建过程中探讨了隐含层神经元个数的确定方法,并对传统BP算法进行改进,在权值调整时加入了动量因子和自适应调节学习率以优化模型性能。最后,对模型的识别结果进行分析,并与传统BP算法进行对比。研究结果表明,与传统BP算法相比,基于改进BP算法的货车载重量检测模型的识别精度更高,相对误差在5%以内;该方法实现了通过测量钢板弹簧变形量就可以精确检测货车载重量。     

基于形态谱的磨粒图像特征参数提取方法

为提高磨粒识别的精度,提出一种基于形态谱磨粒图像特征参数提取新方法,给出磨粒图像的归一化形态谱的计算方法,并将磨粒的形态谱作为其特征向量,采用径向基函数神经网络对磨粒进行自动识别。结果表明:利用磨粒的形态谱实现了对球形磨粒、切削磨粒、严重滑动磨粒、疲劳剥块4种典型磨粒的分类识别,磨粒的形态谱可以作为磨粒的有效特征参数。