基于遗传算法与BP神经网络的支架跟机自动化研究

针对综采工作面液压支架跟机自动化过程中移架动作存在的丢架、推移不到位等问题,提出了基于遗传算法(GA)与BP神经网络组合模型的控制方法。通过建立BP神经网络控制器为主体的反馈控制,将支架的运动参数输入模型,神经网络控制器计算实际输出与理想输出之间误差,判别是否需要回调控制,并添加遗传算法来优化更新模型的各层阈值和权值,从而得到网络模型的最优解,最终由执行部分来完成输出动作。组合网络模型具有良好的非线性特性,可以更好的满足非线性环境,利用神经网络的预测值与实际输出的差值来得到拟合曲线。通过对BP神经网络模型、GA模型、GA-BP组合模型的均方误差(MSE)分析,判断出GA-BP组合模型具有更快的训练速度和更高的预测准确率。相比较于单一的BP神经网络模型和GA模型,GA-BP组合模型可以很大程度地提高液压支架跟机过程中的推移精度,从而更好地适应综采工作面的环境和设备变化。基于对模型稳定性的分析,绘制组合网络的适应度曲线,种群在第5次迭代后趋于收敛,在第5次到第15次迭代的适应度值就已基本达到稳定,在迭代第15次后种群已达到最优参数集且恒定不变。采用上述方案的液压支架电液控制系统能够自主感知设备各项运动参数的变化,实现支架自身的静态调整和动态演化,可为综采工作面无人化建设提供技术支撑。     

造纸机真空系统节能优化的研究

纸机真空系统相关的研究通常是定性的,没有与具体的生产数据联系起来,不能给出具体真空度设定值,所以指导实际生产的能力差。本课题提出了一种建立真空系统优化模型的方法,先是建立了真空度数组与能耗成本的关系以及真空度数组与脱水能力的关系,然后从这些关系中求解出了不同工况下最节约能源的真空度的数组。采用珠海某造纸厂的生产数据来说明和验证该方法。研究结果表明,模型精度高、可靠性好,可以在实际生产中用于优化真空系统的运行。     

语音编码算法的神经网络增益滤波器

增益-波形乘积码书结构广泛用于 CELP 语音编码算法, 它们使用 Levinson-Durbin(L-D)方法更新增益滤波器系数. 本文对 BP 神经网络算法与 L-D 方法进行了比较. 用 BP 神经网络增益滤波器进行语音编码, 其计算量仅为 G.728 的 L-D 方法的 6.7%, 但平均分段 SNR 高出 G.728 算法 0.156 dB. 同时, 用 BP 神经网络算法评价了 16 和 20 样点激励矢量增益滤波器, 效果同样很好. 但是, 由于考察增益预测器时量化器还不存在, 因此无法用量化信噪比评价滤波器性能. 本文提出一种信噪比估计方法, 可使增益预测器的优化与量化问题分开处理. 实验表明用这种信噪比估计方法选择增益滤波器十分有效.     

基于BP神经网络的定子绕组智能观测器的研究

在直接转矩控制系统中,异步电动机定子电阻在低速时受温度影响而变化,从而影响了控制系统的低速性能.介绍、分析了人工神经网络的特性及其算法,设计了一种基于BP神经网络的定子绕组智能观测器来估计运行中定子电阻的变化,并借助MATLAB辅助工具进行仿真.仿真结果表明该神经网络观测器检测误差在工程允许的范围之内.     

用于视频交通检测监控系统的车牌自动识别算法研究

针对视频交通检测监控系统对车牌自动识别算法的要求,提出了基于Hough变换改进的几何失真矫正方法以及基于马尔可夫随机场模型和遗传算法的函数优化二值化算法.实验表明,采用这两项改进算法能够有效地提高车牌自动识别的正确率和识别速度,其功能和技术指标满足视频交通信息检测监控系统的要求.     

基于VMD和ReliefF算法的汽车鸣笛声识别方法

传统梅尔频率倒谱系数（MFCC）和线性预测倒谱系数（LPCC）特征的汽车鸣笛声识别方法在识别模型中分辨力不足,针对此问题,提出了一种基于变分模态分解（VMD）和ReliefF融合特征的汽车鸣笛声识别方法。该方法将变分模态分解所得的前四个模态分量进行信号重构,提取重构信号的MFCC、LPCC、声谱图特征参数。通过ReliefF算法融合MFCC和LPCC特征,并输入识别模型,实现汽车鸣笛声的准确识别。结果表明,该方法在BP模型中的识别率、识别速度均优于其他特征在BP、支持向量机、卷积神经网络识别模型中的识别效果,在汽车鸣笛声识别领域具有一定应用价值。     

基于BP神经网络的防汛应急物资需求预测研究

提高应急物资需求量预测的准确性,能够加强我国对突发洪涝灾害的应急救援能力。基于此,通过分析影响灾后紧急转移安置人口的相关因素,最终选取洪涝等级、降雨等级、降雨持续天数、最大降雨量、受灾范围、人口密度、房屋倒塌数量以及受灾人口数量为主要指标,建立相应的反向传播（BackPropagation,BP）神经网络模型,并预测灾后紧急转移安置的人口数量,同时结合安全库存理念间接预测防汛应急物资需求量。实验结果表明,模型预测结果较为准确,可为后续应急救援体系建设提供参考依据。     

基于复合人工神经网络的核电站实时故障诊断方法研究

针对核电站运行时故障或事故状态的在线实时判定,提出了一种基于复合人工神经网络的故障诊断和事故判定方法.其基本思想是:首先应用BP网络对事故进行成组快速诊断,而后应用RBF网络对BP网络的诊断结果进行区分和检验.利用核电站正常状态和多种事故状态下各故障特征参数输出的仿真计算结果,对所提出的方法进行了检验.结果表明,通过BP网络和RBF网络的优势互补,不仅能对学习过的故障进行快速、正确的诊断,对不同工况下的故障以及未定义的新故障也能够有效地识别.该方法采用的是随时间序列输出诊断结果及其可信度的方式,操纵员容易接受推理结果.     

BP神经网络改进算法在核电设备故障诊断中的应用

根据训练误差大小自适应调整神经元输入特性参数,并应用改进的遗传算法对神经网络的权值和隐含层数目进行优化,对传统的人工神经网络误差反传算法进行了改进,使训练算法的收敛速度大大提高.将人工神经网络技术和改进的BP网络训练算法应用于核电设备故障诊断,并以核电蒸汽发生器U形管破裂为例,建立了故障诊断模型.仿真结果表明,该算法的应用是可行的.     

5 DOF穿戴式上肢康复机器人控制方法研究

提出了一种面向偏瘫患者,可实现单关节和多关节运动的5自由度穿戴式上肢康复机器人的控制新方法.根据偏瘫患者上肢单侧受损的特点,该机器人利用偏瘫患者的健肢运动的表面肌电信号(sEMG)驱动康复机械臂辅助患者患肢实现康复训练.利用肌电绝对值积分(IAV)和自回归参数模型法(AR model)对选定的上肢四块肌肉运动产生的sEMG信号进行分析,所提取的特征分别作为基于Levenberg-Marquardt算法的反向传播神经网络的输入,6个上肢运动作为输出建立表面肌电信号与上肢康复动作之间的关系.试验结果表明该方法利用sEMG准确地完成了对上肢康复动作的识别.这一方法有利于提高患者运动积极性,保持正确运动的感觉,并为研究患者受损上肢表面肌电信号与肌肉运动的关系打下了基础.