基于视频图像的火焰多特征检测

根据火灾发生时火焰的颜色、面积变化和火焰的纹理特征,提出一种基于视频图像的火焰多特征检测方法.着重介绍了对采集到的视频图像中的火焰进行颜色、面积变化的分析,并通过BP神经网络进行火焰纹理相似性的识别,以便得到更准确的火焰识别效果.     

多装配特征影响下的装配质量特性预测方法

针对现有产品装配过程中一次装配成功率难以保证的问题,以灰熵关联分析与粒子群—BP神经网络为建模工具,采用灰熵关联分析对装配特征进行筛选,找出影响产品装配质量的关键装配特征,缩减预测模型的规模,应用粒子群—BP神经网络实现产品装配质量的预测.以某型外圆磨床的砂轮架装配为例,验证了该方法的有效性.     

轴承表面缺陷类型识别算法

针对生产和装配过程中轴承表面缺陷检测传统方法的不足,提出一种新的轴承表面缺陷类型识别算法。首先改进 Canny 算子以提高轮廓识别度,将 Sift 算法应用于缺陷区域提取,对轴承表面缺陷图像和无缺陷图像进行 Sift 图像匹配以定位缺陷区域,运用像素点的异或运算以精确提取缺陷区域。选择部分 Hu 矩值和几何特征值准确描述缺陷区域,将其作为 BP 神经网络算法的输入,从而最终识别出缺陷类型。实验表明,该方法提高了识别率,且具有非接触、速度快、精度高和抗干扰能力强等优点,较好地实现了轴承表面缺陷类型的检测。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于LBP统计特征的低分辨率安全帽识别

针对工地进出口的视频监控录像,考虑远距离低分辨率安全帽识别问题,探讨了低分辨率安全帽识别方法,分析了提取不同的特征和应用不同的分类器与识别率的关系.首先截取视频中的人头,获得大小为22*22的图像,然后分别提取图像的统计特征、局部二进制模式特征、快速主成分分析特征,再利用分类器和反向人工神经网络进行分类预测,最后计算测试样本的识别率.实验结果表明,提取图像的二进制模式统计特征,再结合反向人工神经网络的识别率效果最佳,识别率可达87.27%.     

基于改进的BP神经网络车牌识别的研究

近年来,城市智能交通系统发展的很快,车牌识别系统作为城市智能交通系统中信息采集的一种重要手段,也引起越来越多关注.本文对车牌识别的形态进行深入研究,应用了改进的BP神经网络算法.实验结果显示这个方法可以更高效的识别车牌并且建立一个良好的未来车牌识别技术的基础.     

基于灰色神经网络的汽车动态称重数据处理

针对目前汽车动态称重方法称量精度低和所需数据样本数量大的缺陷,提出了一种新的动态称重数据处理方法,通过GM（1,1）模型对车辆动态称重数据进行预处理,获得每个称重数据的误差补偿量,建立了以车辆速度、加速度、动态称重残差序列为输入变量的灰色神经网络模型,使系统称量误差小于1%,称量准确度等级达到1级指标。研究表明,该方法在动态汽车衡数据处理中的可行性强,实现了在贫信息、少数据情况下对动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于BP神经网络的手势识别系统

给出了采用ADXL335加速度传感器来采集五个手指和手背的加速度三轴信息,并通过ZigBee无线网络传输来提取手势特征量,同时利用BP神经网络算法进行误差分析来实现手势识别的设计方法。最后,通过Matlab验证,结果表明,该系统在测试中识别率较高,系统稳定。     

基于PCA-BPNN的膨胀土自由膨胀率预测

为了准确地对膨胀土进行分类,将主成分分析方法（PCA）和BP神经网络方法（BPNN）相结合,进行膨胀土自由膨胀率预测研究。首先,对影响自由膨胀率的几个物性指标数据进行主成分分析,得到主成分数据序列;然后,根据主成分数据序列建立输入样本并应用BP神经网络进行训练,得到PCA-BPNN预测结果,从而预测自由膨胀率。采用南阳膨胀土数据进行实例分析,结果表明,该模型比单一BP神经网络预测方法的效果更好。