基于BP神经网络的公路隧道交通量预测

准确的公路隧道交通量短期预测,可使隧道通风系统获得良好的控制效果,而良好的隧道通风系统能够有效地降低隧道中有害气体难度,对保护人身安全及其降低隧道运营成本有重要意义。本设计采用具有非线性逼近和实现全局优化能力的BP神经网络进行公路隧道交通量的短期预测。通过确定适当的BP神经网络结构,对已知的历史交痛量数据进行网络训练和学习,获得能够预测小时交通量的BP神经网络预测器。运用西门子WINCC组态软件编制界面和神经网络预测器。实验结果表明该神经网络预测器对公路隧道交通量具有较好的预测能力。     

基于BP神经网络的公路隧道视频火焰识别

为提高基于视频图像的公路隧道火灾火焰识别率,在对火焰动态特征研究成果之上,利用BP神经网络融合火焰静态特征,对公路隧道视频火焰进行综合识别.火焰动态特征选取作者研究的火焰边缘运动量(AMFE)和火焰区域跳动特征,火焰静态特征选取前人研究的尖角数目、火焰颜色特征和圆形度.将此5种火焰特征作为BP神经网络的输入,达到融合火焰多特征信息并实现火焰综合识别的目的.实验结果表明,火焰识别率稳定在86.2%~96.5%之间,验证了该方法的可靠性.     

基于遗传算法BP神经网络的零件图特征识别

研究用多层BP神经网络识别二维零件图的形状特征信息.利用遗传算法加快BP神经网络的收敛速度.提出零件图扩展属性矩阵的概念及求法,对AutoCAD R2000进行二次开发,完善了我们开发的二维回转类零件图特征识别和提取系统,具有一定的理论和实用价值.     

BP神经网络在数字识别方面的应用

介绍了一种ＢＰ神经网络数字识别方法，分析了从特征提取、网络模型建立、训练到识别结果的整个过程．由于运用特征提取，加快了网络的训练速度，也使网络更加健壮．通过实验，证明数字识别效果良好．     

基于BP神经网络的汽车牌照识别

提出了一种用BP神经网络实现车牌文字识别的方法。因车牌上文字仅是黑体印刷字体，在特征提取时采用了Fourier投影-变换系数法求得其特征矢量；车牌文字分布具有规律性，采用并行算法对BP网络分类器进行了处理；引入动态因子，动态调整BP算法的学习步长。实践证明，利用BP神经网络可有效识别车牌，且速度快，识别率高，具有较高的实用价值。     

基于遗传BP神经网络的油气识别

为了建立一种有效的油气储层识别模型,使得能够处理大信息量、复杂样本空间油气信息,本文提出遗传BP神经网络模型,利用遗传算法全局搜索问题解的特性对BP神经网络的权值和阈值进行快速优化,约束BP神经网络训练学习过程。研究表明,相对于传统BP模型,遗传BP模型具有效率高、收敛速度快、适应复杂样本空间和大样本空间训练学习等优点。     

基于BP神经网络算法的广电视频QoS控制方法

针对广电网络中用户视频点播延迟时间不能保证、服务质量不稳定的状况,提出了一种新的视频服务器服务质量(QoS)控制方法,基于BP神经网络比例积分微分控制,以响应的延迟率与设定值之间的差值和变化率作为网络的学习依据,通过动态调整BP神经网络学习的方法,依据网络学习的实际情况,快速地调整服务请求的响应时间,保证视频服务器的服务质量。仿真实验表明,BP神经网络能够很好地控制请求的出错率和响应时间,为广电用户的视频点播服务提供更加稳定的服务质量。     

基于卷积神经网络和Transformer的视频行人再识别

为了解决视频行人再识别领域仅使用卷积神经网络进行行人特征提取效果不佳的问题,提出一种基于卷积神经网络和Transformer的ResTNet(ResNet and Transformer network)网络模型。ResTNet利用ResNet50网络得到局部特征,令中间层输出作为Transformer的先验知识输入。在Transformer分支中不断缩小特征图尺寸,扩大感受野,充分挖掘局部特征之间的关系,生成行人的全局特征,同时利用移位窗口方法减少模型计算量。在大规模MARS数据集上,Rank-1和mAP分别达到86.8%和80.3%,比基准分别增加了3.8%和3.3%,在2个小规模数据集上也取得了良好效果。在几大数据集上的大量实验表明,本文方法能增强行人识别的鲁棒性,有效提高行人再识别的准确率。     

基于自适应BP神经网络的桥梁结构荷载识别

在传统的BP神经网络中引入学习速率自适应调整算法，通过多次数值模拟计算确定学习速率和动量系数等网络 关键参数的取值；分析了学习速率、动量系数等网络参数对网络收敛速度和输出精度的影响；探讨了训练样本容量与网 络识别效果的关系.分别使用挠度、挠度曲率、应变和应变曲率作为输入参数对桁架桥梁荷载进行识别.结果显示以挠度 曲率或应变曲率为输入参数的网络识别效果明显优于以挠度或应变为输入参数的网络，以应变为输入的网络识别效果优 于挠度的情况；学习速率自适应调整算法有效避免了网络训练过程中误差曲线振荡现象的产生，提高了网络的学习效率 ，网络关键参数的最优取值改善了网络的收敛速度和输出精度     

基于BP神经网络的车牌字符识别

自动车牌识别作为高精度的车辆识别中的核心技术,在智能交通中发挥着日益关键的作用．构建一种改进的BP神经网络识别车牌字符,并在VC＋＋6．0环境下测试,实验结果表明系统具有良好的有效性,并能满足实时车牌识别的要求．     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

神经网络在结构损伤识别中的应用研究简

针对人工神经网络具有自主学习、记忆及模式匹配能力,提出建立一个三层BP人工神经网络,并将其应用于结构的损伤识别研究.     

基于BP神经网络的结构系统跟踪辨识方法

针对人工神经网络在结构系统辨识中存在的问题,提出一种基于BP神经网络的跟踪辨识方法.通过将实际结构模型分为一个机理模型和一个实时误差模型,前者基于常规的BP神经网路通过离线训练而成,而后者通过小型的BP神经网络实时辨识系统误差,进而使这种经过改进的系统识别网络能够具有动态递阶识别系统的能力.计算机仿真分析表明,这种方法可有效地减小由于不同外荷载作用引起的结构系统辨识误差,提高人工神经网络在系统辨识中的精度和可靠度.     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于BP神经网络分类器的多目标识别方法研究

文章对多目标进行特征提取,数据作为神经网络分类器的输入,采用不同的算法对多输出型BP神经网络分类器和单输出型BP神经网络联合分类器进行训练,实现多目标的识别。仿真试验结果表明,基于BP神经网络分类器的识别方法具有较高的识别率。     

基于BP网络的指纹识别系统

针对指纹数据库规模不断增大的情况,为了提高指纹识别的速度和准确度,采用BP神经网络先对指纹进行分类,把指纹分成左环、右环、拱、涡、棚状拱和不辨型6种类型,然后在相应的子类库中根据特征提取进行识别。设计并实现了一个指纹识别系统,该系统能够自动地进行指纹分类,而且还能实时地将结果与指纹数据库进行比对。实验结果表明,该系统能迅速地获得被识别人员的身份信息。     

基于遗传BP神经网络的磁流变悬置模型辨识

为克服误差逆向传播算法的多层前馈型BP神经网络收敛速度慢、局部极小化问题,提出用遗传算法(GA)的全局搜索能力寻求最优的BP神经网络权值和阀值,以提高神经网络的收敛速度和克服局部最优。以磁流变液压悬置动态特性试验结果为数据样本,分别用未优化的BP神经网络和优化后的GA-BP神经网络对磁流变液压悬置正、逆模型进行辨识。结果表明,相对于BP神经网络,GA-BP神经网络具有更高的辨识精度、更快的收敛速度,在磁流变液压悬置数学模型辨识方面具备更优的性能。     

一种基于特征的BP神经网络车牌字符识别

字符识别是自动车牌识别系统中很关键的一步.字符识别有以下几步,首先,对车牌图像进行预处理.其次,通过竖直方向投影分割字符.最后,将提取的字符特征输入网络进行训练.在实验中,利用该方法对光照不均、字符大小不一、运动背景的图像,特别是相似字符的识别获得了较高的识别率,并且将其与字符输入BP神经网络进行对比分析.实验结果表明,该方法对字符识别有很好的鲁棒性、有效性.     

基于PCA的BP神经网络分类器

由于入侵检测处理的多为高维数据,为了提高入侵检测的效率和准确率,提出了一种基于主成分分析(PCA)的特征提取方法,对数据源进行特征降维,将获得的主成分作为BP神经网络的输入进行数据识别.同时介绍了M atlab中相关函数,并与传统入侵检测方法进行了比较.实验结果表明:基于主成分分析的特征提取方法在简化BP神经网络规模的同时,显著提高了入侵检测识别效果.