用集成过程神经网络预测民航发动机振动趋势

提出了一种集成过程神经网络预测模型用于民航发动机振动信号趋势预测。首先,对AdaBoost.RT算法的误差函数进行了改进,并采用自适应调整策略在训练过程中自动调节算法的分类阈值;然后,以改进的AdaBoost.RT算法为集成学习框架构建集成过程神经网络(process neural network,简称PNN)预测模型。通过对两组实际民航发动机振动信号序列的预测对集成模型的预测效果进行了评估。结果表明,在具有更加简单网络结构的情况下,集成PNN模型的预测效果好于单一PNN模型。此外,提出的改进AdaBoost.RT算法的效果优于原始AdaBoost.RT以及仅改进了阈值调整方法的AdaBoost.RT算法。对比结果表明,提出的集成PNN模型适用于民航发动机振动信号变化趋势预测。     

用集成过程神经网络预测民航发动机振动趋势

提出了一种集成过程神经网络预测模型用于民航发动机振动信号趋势预测。首先,对AdaBoost.RT算法的误差函数进行了改进,并采用自适应调整策略在训练过程中自动调节算法的分类阈值;然后,以改进的AdaBoost.RT算法为集成学习框架构建集成过程神经网络(process neural network,简称PNN)预测模型。通过对两组实际民航发动机振动信号序列的预测对集成模型的预测效果进行了评估。结果表明,在具有更加简单网络结构的情况下,集成PNN模型的预测效果好于单一PNN模型。此外,提出的改进AdaBoost.RT算法的效果优于原始AdaBoost.RT以及仅改进了阈值调整方法的AdaBoost.RT算法。对比结果表明,提出的集成PNN模型适用于民航发动机振动信号变化趋势预测。     

基于改进EMD与PNN的汽轮机通流部分故障诊断

根据热力参数非线性、非稳态的特点,提出了一种基于改进的经验模态分解(empirical mode decomposition,简称EMD)算法与概率神经网络(probabilistic neural network,简称PNN)的汽轮机通流部分故障诊断新方法。该方法针对EMD存在的端点效应问题,采取基于波形相似度的镜像延拓法进行改进,以得到更准确、更真实的本征模函数(intrinsic mode function,简称IMF)分量,从而有效提取了故障特征信息,并通过PNN训练判别汽轮机通流部分故障类型。以某电厂600MW火电机组实时运行数据为基础进行仿真实验,结果表明,基于改进EMD与PNN的汽轮机通流部分诊断方法能够快速准确地判别汽轮机通流部分的故障类型,其准确率明显高于基于EMD与PNN的故障诊断方法。     

S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合的汽车状态估计算法

精确的汽车状态信息的获取是汽车动态控制系统正常工作的前提。建立了二自由度汽车动力学模型,提出了将S-修正的自适应卡尔曼滤波与模糊卡尔曼滤波相结合进行汽车关键状态估计的方法。模糊卡尔曼滤波利用所设计的模糊控制器通过实时监测信息实际方差与理论方差的比值,实现对时变量测噪声的协方差矩阵的实时在线估计,提高了算法在时变量测噪声情况下的鲁棒性;S-修正的自适应卡尔曼滤波算法基于滤波不发散理论推导得出实时修正因子S,进而对估计误差协方差矩阵直接加权。两种方法的结合在总体上提高了在汽车动力学系统过程噪声与量测噪声协方差矩阵不准确情况下算法的鲁棒性与估计精度,最后通过基于ADAMS的虚拟试验验证了该方法的有效性。     

基于改进粒子群算法的HMM训练研究与应用

针对隐马尔可夫模型常用的Baum-Welch训练算法对初始参数选择依赖大、全局寻优能力不足的缺陷,提出了基于改进粒子群算法训练HMM的新方法。它既结合了经典粒子群算法全局搜索的特点,又通过对全局最优值加入扰动的策略以及对惯性权重加入高斯函数的调整策略增加了群体多样性。实验表明,基于改进训练算法的HMM故障诊断方法算法稳定、训练速度快、分类准确率高,可以用于轴承的故障诊断工作。     

基于SVD-LMD模糊熵与PNN的滚动轴承故障诊断

为了提高轴承故障特征信息提取的有效性,实现轴承故障模式智能识别,提高故障诊断效率。提出一种基于SVD-LMD模糊熵相结合的特征量化和PNN网络识别相结合的滚动轴承故障诊断方法。首先运用SVD降噪技术对原始信号降噪,运用LMD分解将降噪后的非稳定信号分解成若干个稳定的乘积函数分量(PF)。其次利用模糊熵能表征时间序列复杂程度并具有稳定的统计性,提取PF分量的模糊熵,组成N维特征向量,实现故障特征量化。构建PNN网络模型,将特征向量输入PNN训练,实现故障类型识别。最后对比PNN算法与BP算法性能,验证PNN算法的优越性。实验数据分析结果表明,所提方法在少量数据样本情况下故障诊断准确率高达93.75%。     

改进的基于小波域隐Markov树模型的图像复原

针对传统的基于小波域隐Markov树模型的图像复原算法运算时间长以及对噪声敏感的问题,提出了一种快速并且鲁棒的复原算法.首先使用改进的ForWaRD算法,由混合线性时不变Wiener反卷积和平稳小波阈值收缩算法对退化图像进行预处理,将其结果作为模型参数训练和隐藏状态概率求取的样本.然后分别通过EM算法和Upward-Downward算法求得模型参数和隐藏状态概率.最终通过小波域的Bayesian方法完成复原.实验结果表明,该方法可大大提高复原算法的运算速度,提高算法鲁棒性,在退化图像被噪声干扰比较严重时,较传统算法具有更好的复原效果.     

基于YOLO神经网络模型的自动喷涂线工件分类识别方法

针对自动喷涂生产线提出了一种基于YOLO-V3模型的改进密集型工件识别方法.介绍了自动喷涂生产线YOLO-V3 dense改进算法的总体方案流程,通过数据增强的方式获取训练集,并利用密集型网络方法改进算法.对训练后的模型,采用多角度测试集对比及不同神经网络模型对比,评估改进的神经网络模型.测试结果表明,提出的YOLO-...     

基于萤火虫优化BP神经网络的数控机床故障诊断

为了提高数控机床故障预测的能力,针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出了一种基于萤火虫算法优化BP神经网络的数据机床故障诊断算法。文章详细介绍了常见的数控机床故障类型和分类,在萤火虫优化算法和BP神经网络的基础上,建立了萤火虫算法优化BP神经网络的数控机床故障诊断模型,并提出了基于该模型的算法。该模型和算法采用萤火虫算法优化BP神经网络的初始权值和阈值,优化后的BP神经网络能对测试集进行更好的预测。实验结果表明,萤火虫算法优化BP神经网络的预测误差明显小于GRNN和PNN算法。该模型和算法具有很好的预测能力,可以快速、准确地完成数控机床故障诊断研究。     

基于噪声方差估计的小波阈值降噪研究

信号中包含的噪声不仅降低了信号的质量,而且还严重影响着各种相关处理算法的有效性,因此,高效稳健的噪声方差估计对于各类信号处理非常重要。提出一种噪声方差估计的新方法,该方法首先应用两状态高斯混合模型对高频系数建模,混合模型的各项参数通过EM(Expectation-maximum)算法迭代估算得到。在建立的高斯混合模型中,当参数满足一定条件时,可以将高频系数分为噪声类和边缘类。基于高频子带内系数的相关性,对噪声类所包含的系数再次应用高斯混合模型的方法分类,并在每个类中分别进行噪声的估计,最后对所得噪声信号计算方差作为原始信号的噪声方差估计。基于这种估计方法,将小波阈值法应用到反求工程的降噪中,实际信号的降噪结果在光滑性和特征保持方面均有较好的效果。试验表明,该噪声方差估计方法对噪声大小具有一定适应性,且小波阈值降噪法简单易行,应用广泛。     

自适应概率神经网络结构损伤检测

由于用人工神经网络进行结构损伤检测会受到环境噪声的影响，故提出了运用概率神经网络（PNN）进行结构损伤检测的方法和基本原理，并通过一个两层框架的模型对PNN和传统的BP网络的损伤识别精度作了对比。针对基本PNN的不足之处，提出了自适应PNN，并将其损伤识别精度与基本的PNN进行比较。研究发现，运用PNN进行结构损伤识别精度要优于传统的BP网络，而且自适应PNN要比基本的PNN精度高。     

基于模糊基函数网络和自适应最小二乘算法的外圆纵向磨削表面粗糙度的预测

建立了外圆纵向磨削表面粗糙度的模糊基函数网络（FBFN）预测模型，网络的训练采用自适应最小二乘算法（ALS）。ALS将最小二乘算法和遗传算法相结合，能够自主学习，不用人为干预，FBFN和粗糙度的分析模型相结合，只需少量实验数据便可完成网络的训练，自动产生模糊规则，确定隐含层的节点数。仿真和实验结果表明，FBFN网络结构非常适合粗糙度的预测和控制，采用ALS学习方法比BP算法、传统的遗传算法和正交二乘法等能产生更好的结果。     

人工神经网络在结构损伤识别中的应用

综合论述了人工神经网络在损伤识别中的作用,主要探讨了分步识别理论和输入参数的选择,并介绍了几种改进的BP算法,最后指出了人工神经网络在高层建筑损伤识别中应用所需要解决的问题。     

一种优化算法在齿轮传动装置故障诊断中的应用

分析了粒子群算法（PSO）和差分进化算法（DE）的特点,提出了一种PSO-DV算法用于优化BP神经网络的权值和阈值,并利用PSO-DV算法优化的BP神经网络进行了齿轮箱的故障诊断。试验结果表明,PSO-DV算法可以避免神经网络陷入局部极小,改善了收敛性能,同时保证了齿轮箱故障诊断的正判率。     

基于自适应标签和稀疏学习相关滤波的红外目标跟踪算法研究

针对背景杂乱、遮挡、热交叉以及目标形变等复杂跟踪场景下目标跟踪算法出现性能严重退化问题,提出一种基于自适 应标签和稀疏学习相关滤波的实时红外单目标跟踪算法。 首先,根据目标响应情况自适应地构造样本标签,通过自适应标签训 练提升相关滤波器的分类能力,抑制干扰区域对跟踪模型的污染。 其次,加入稀疏学习策略,通过目标响应 L1 范数抑制复杂跟 踪场景下目标响应多峰分布,提高跟踪算法的鲁棒性;与基线算法相比,该算法精度和 AUC 分别提升了 19. 3% 和 39. 8% 。 在数 据集 GTOT、RGBT234 和 VOT-2016TIR 上的实验结果表明,该算法对上述复杂跟踪场景具有良好的应对能力,运行速度超过 35 fps,综合性能优于对比跟踪算法。     

基于自学习局部线性嵌入的多幅亚像元超分辨成像

研究了软硬件相结合的亚像元超分辨成像技术。首先通过探测器扫描获得同一场景彼此错位亚像元像素的多帧图像作为训练样本和输入图像;然后针对传统的局部线性嵌入(LLE)实例学习超分辨算法过于依赖外部训练样本,不利于光电成像系统直接处理等缺点,提出了一种基于自学习的改进LLE算法;采用新的LLE权值计算方法获得正数权值,同时对初始估计再次运用自学习LLE方法恢复丢失的高频细节信息。仿真实验结果表明,该算法重构的图像的信噪比比传统LLE超分辨算法提高了0.8dB,运行时间提高了75%,视觉上可感知重构图像的细节信息更丰富。与其它方法相比,用搭载的微位移实验平台运行本文算法所获得重构图像的信噪比和信息熵都有很大提高,表明本文算法能获得高质量和高分辨率的重构图像。     

基于量子蛙跳算法和过程神经网络的抽油机故障诊断

提出了一种量子混合蛙跳算法,该算法采用量子位的Bloch球面坐标编码个体,利用量子位在Bloch球面上绕轴旋转的方法实施优化搜索,采用Hadamard门实现个体变异以避免早熟,增强解空间的遍历性,可以快速逼近全局最优解。对过程神经网络的网络结构、网络参数和展开项数统一编码,并利用该算法进行优化,把优化后的神经网络应用到抽油机故障诊断中,结果表明,用量子混合蛙跳算法优化的神经网络对抽油机进行故障诊断较传统BP算法更具准确性与快速性。     

基于LCD和改进棋盘格模板的摄像机标定

为了克服传统棋盘格模板标定点检测算法对于遮挡、视角、照明和畸变的局限性,提出一种利用基准点标记代替传统棋盘格黑白方块的改进模板,同时提出模板标定点的相应全自动识别算法.为了提高标定模板的质量,标定模板通过LCD(liquid crystal display)显示.因为LCD具有极高的几何精度和纯平面性,从而提高标定精度.传统摄像机标定同时计算针孔模型和透镜畸变模型,从而2种模型耦合在一起,所得到的标定结果仅对训练数据是有效的,而算法对于新数据的标定误差增加.为了克服2种模型的耦合,提出一种分离地标定2种模型的方法.算法利用模板的射影不变量约束,即交比和直线的射影为直线,求解带有畸变的标定点的校正的坐标,然后线性地求解2种模型.实验结果表明算法稳定且精度高.     

基于残差块网络的图像去雨算法

为了从有雨图像中恢复图像质量,提出了一种基于残差块网络的海面图像去雨算法。该算法将两种类型的残差块网络相结合,用于提取有雨图像的深层次信息。在训练过程中,学习有雨图像与原图之间的残差,使算法操作的图像目标值域缩小,稀疏性增强。在训练数据集方面,我们采用室外雨天图像数据集和两种加雨算法进行模拟的海面雨天图像数据集,以此扩充训练样本。测试集图像我们选择3种不同类型的雨天场景图像,雨水的类型包括雨线和雨滴。实验结果表明了本文的去雨算法能够适用于不同的雨天场景,去雨处理后图像信噪比评价指标均在35以上,结构相似度均在0.97以上,总体上提升了图像的清晰度。