基于小波概率神经网络的控制图模式识别

提出了控制图模式识别的基本框架,描述了控制图异常状态的三种形式,即基本模式、特殊模式和混合模式.针对特殊模式和混合模式,提出了将输入数据经小波分解后的近似,系数与各层细节系数的能量成分组成的特征向量作为概率神经网络的输入进行控制图模式识别的方法.仿真实验结果表明,该方法结构简单、收敛速度快、识别精度高、Ⅰ型错判和Ⅱ型错判低,适合于控制图模式识别.     

基于神经网络的控制图模式识别和参数估计

建立了神经网络模型，使其可以估计趋势模式的斜率，阶跃模式的幅度以及周期模式的振幅和周期，为了避免不同模式间的相互干扰，分别采用3个网络对各种模式的参数进行估计，仿真结果表明该方法具有很高的识别能力和很快的识别速度。     

基于神经网络的控制模式识别技术研究

控制图是统计质量控制 (SQC)的重要工具 ,而控制图模式识别是计算机辅助质量控制系统中的难点之一。本文详细探讨了采用神经网络技术进行控制图模式识别的关键技术与实现方法     

小波与神经网络在模式识别中应用的研究

通过各种方法利用小波变换和神经网络相互结合进行模式识别,不仅可以提高识别的准确率,还可以充分利用神经网络的鲁棒性使目标的识别更加接近于实用.本文论述了小波和神经网络相互结合进行模式识别的方法,并提出并采用推选体制小波变换和图像识别中的7个不变矩得出特征值,再用BP神经网络进行识别的方案,得出很好的结果.     

方向基概率神经网络的模式识别

针对方向基函数神经网络与概率神经网络的优缺点,提出了方向基概率神经网络的基本模型,并讨论了它用作模式分类时的相关原理及算法。以焊缝中裂纹和气孔缺陷的分类为例,用方向基概率神经网络对缺陷进行模式识别。结果表明：该网络应用于模式识别,较方向基函数神经网络和概率神经网络不仅在速度上有较大的提高,而且在分类性能上也有明显的改善。     

基于小波神经网络的木质材料缺陷模式识别

利用小波和神经网络对木质材料中密度纤维板的不同缺陷进行智能模式识别,研究采用Daubechies小波包对振动信号进行3层分解,计算信号在各频段所占的能量率,并以此作为样本对拓扑结构不同的BP神经网络进行训练,然后利用训练好的网络对缺陷的种类进行分类识别。结果表明,性质相近的两种贫胶缺陷应作为一类缺陷模式进行识别,单隐层和双隐层的BP网络对没有缺陷、鼓泡缺陷和贫胶缺陷3种模式的识别都很理想,但双隐层BP网络的推广性能较好,网络输出的波动性小。对中密度纤维板没有缺陷、鼓泡缺陷和贫胶缺陷智能识别的最佳网络是双层BP网络,网络第1隐层节点和第2隐层节点分别为20和6,对中密度纤维板缺陷模式识别的准确率为90％。     

小波包神经网络在轴承故障模式识别中的应用

基于不同点蚀模式的轴承振动信号的频域能量分布差异性,提出了基于小波包正交分解和BP神经网络的轴承点蚀故障模式识别技术。对轴承振动信号进行小波包正交四层分解,实现了信号空间完整拆分的同时得到了第四层由低频到高频的小波包分解系数,再分别进行单支重构得到各频段的成分。利用信号各频段的能量组成特征矢量作为神经网络的输入样本,对BP神经网络进行训练,获得模式识别网络;再用新数据进行网络的检验,结果证明网络的性能良好。     

基于磁场刺激与神经网络肌电信号的模式识别

针对表面肌电(SEMG)信号的非平稳特性,采用bior3.1小波对在磁场刺激下从掌长肌、肱桡肌、尺侧腕屈肌和肱二头肌四块肌肉上采集的四路表面肌电信号进行了分析,并用小波变换方法提取其肌电信号的特征,构成特征矢量,输入Elman神经网络分类器进行模式识别,经过训练能够成功地识别出握拳、展拳、腕内旋、腕外旋、屈腕、伸腕、前臂内旋、前臂外旋八种运动模式.实验表明,该方法识别率高,为肌电信号的模式识别提出了一种基于磁场刺激的新方法.     

基于小波分析与概率神经网络的化工过程故障诊断

针对复杂化工过程,提出了一种结合小波分析与概率神经网络（PNN）的故障诊断方法（HWPNN方法）,即利用Haar小波分析对过程原始数据进行消噪处理,然后将重构的逼近系数作为输入样本送入概率神经网络完成故障诊断。将HWPNN方法应用于TE过程（一个化工生产过程,由Tennessee Eastman公司控制小组提出）的15种故障进行实验,并与将原始数据直接送入概率神经网络作故障诊断的PNN方法进行了比较,实验结果表明HWPNN方法的故障诊断的准确率明显高于PNN方法。HWPNN方法的诊断准确率达到了100％,是一种可行而有效的化工过程的故障诊断方法。     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。     

基于小波变换和模糊神经网络的人脸图像识别方法

提出了小波变换技术和模糊神经网络技术相结合的人脸识别方法。小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。模糊神经网络具有很强的分类能力,并且可以运用神经网络的学习算法。实验表明,二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

改进的BP算法用于控制图模式识别

研究3种改进的BP算法在控制图模式识别中的应用。应用Matlab神经网络工具箱对神经网络进行仿真，为了提高网络的运行速度，对样本数据进行预处理。仿真结果表明尺度共轭梯度下降算法的训练速度最快，识别的准确率也最高。     

基于小波和自组织网络的电缆故障识别

为实现电力电缆早期故障在线识别的目的,提出了一种基于小波能量函数和自组织网络的识别方法。首先,提取在线电缆早期故障状态与正常状态的零序电流差的小波能量函数作为输入特征,用自组织神经网络实现故障识别。用欧式距离比较了自组织特征映射神经网络与反向传播（Back Propagation,简称BP）神经网络对电缆故障识别的稳定性。仿真试验结果表明,该识别方法对在线电缆早期故障类型的识别正确可靠,系统具有较好的稳定性。这为电力电缆早期故障的在线诊断提供了理论支持。     

基于神经网络的板形信号模式识别方法的研究

为了提高带材板形识别的精度，应用神经网络和最优化方法，构建了一种新的板形信号模式识别方法。该方法克服了现有板形识别方法的不足，具有较强的抗干扰能力，有效提高了识别的精度和速度，可以满足板带轧机高精度板形控制的要求，易于在实际板形控制系统中实现。     

基于混合模型与改进多分类马田系统的控制图模式识别

为提高生产过程中产品质量的智能监控水平,提出基于时间序列混合模型及改进多分类马田系统的控制图模式识别算法。选用时间序列混合模型对控制图实时数据进行特征提取;改进马田系统的阈值计算方法并制定多类判别准则,将表征的特征向量代入改进多分类马田系统分类器中进行特征约减及模式识别。最后,将该识别算法应用于控制图公开数据集及生产案例中,以验证算法的有效性,并与其他算法对比了分析,结果表明,基于时间序列混合模型及改进多分类马田系统算法能简化识别系统,识别精度高,是一种更为有效的控制图模式识别方法。     

基于小波变换和BP神经网络的视觉诱发电位识别

结合小波变换和误差逆传播(Error Back Propagation,BP)神经网络对视觉诱发脑电信号(visual evoked potential,VEP)进行分类而产生脑机接口控制信号.利用一维离散小波变换提取强噪声背景下的低频微弱脑电信号,获取特征向量输入BP神经网络进行事件相关电位模式识别.实验表明,小渡变换特征向量提取方法能有效地实现信号的去噪、降维和特征提取,BP神经网络能比较准确地从VEP中识别出事件相关电位,进行10次测试的平均识别正确率为99.375%,有利于产生脑机接口控制信号.