共查询到18条相似文献,搜索用时 718 毫秒
1.
引入一种小波分析结合神经网络的桩基检测方法,根据桩基中超声波传播的特点,利用小波分析对采集的超声波信号进行小波包分解,对分解后的信号进行归一化处理,将超声波信号矩阵化,构建表征桩基缺陷信息的特征向量;再取多组特征向量作为神经网络的训练样本,对特征向量进行训练学习,并将未诊断样本输入神经网络进行识别验证。试验数据表明,通过小波分析方法获取超声波信号特征向量并构建的神经网络可以有效识别出桩基缺陷以及缺陷类型。 相似文献
2.
小波神经网络的数据压缩技术在超声自动探伤系统中的应用 总被引:1,自引:0,他引:1
为了实现对大型回转体零件内部缺陷的检测与识别,研制了超声波自动检测系统.系统主要完成超声信号的采集和处理、数据的实时存储、缺陷的在线分析与识别等功能.要实现缺陷的在线检测与识别,必然需要大量的原始数据,为了减少数据的存储量,通过小波神经网络提取相应的权重因子,构成小波基的尺度参数和与之对应的平移参数,实现缺陷有用信息的压缩;在缺陷数据重构中,利用上述特性参数并结合信号的特征值,对信号进行拟合.解决了缺陷检测现场大量数据的保存问题,为缺陷的进一步识别提供了基础. 相似文献
3.
4.
应用超声波探伤仪系统对合成大颗粒金刚石缺陷进行检测,针对缺陷信号特点提出利用小波包分析提取缺陷特征值,应用小波神经网络进行模式识别的方法,实现了从检测到的超声信号中提取出反映缺陷性质的相关信息,并通过这些信息对其进行分析,建立了网络模型以实现缺陷定性识别。实验结果表明,小波包分析能够挖掘利用缺陷回波信号时域和频域的信息,通过多层次划分频带,使在多分辨分析过程中未进行划分的高频区间再次分解,还可依据小被分析信号特征自适应挑选相对应的频带,达到和信号频谱相互配合,进而达到使时-频分辨率显著提高的效果,可见小波神经网络的良好局部放大特性和多分辨率学习特性,可使合成金刚石缺陷的定性分类获得较高的准确率。 相似文献
5.
6.
7.
8.
小波神经网络遗传算法及其在矿山压力预报中的应用 总被引:2,自引:0,他引:2
张玉祥 《中国有色金属学报》1999,9(2):448-452
为了克服BP网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,将遗传算法、小波分析、人工神经网络和模拟退火思想结合起来,提出了一种遗传小波网络:即用遗传算法来学习小波神经网络层间的权值、尺度参数和位置参数。用两维和三维XOR问题对其性能分别进行了测试,取得了理想的效果;将其应用于矿压预报,得到了比传统神经网络更优的效果。 相似文献
9.
利用小波分析和神经网络智能技术,针对凸轮轴铸造充型凝固过程的温度场数值求解问题,提出了小波神经网络算法.用热电偶对凸轮轴铸造温度场进行了实测,并以实测数据为样本进行小波神经网络学习和训练,由训练后的神经网络仿真了凸轮轴铸造过程的温度分布.实践表明,小波神经网络数值仿真快速、准确、合理,仿真结果与实测数据相比最大相对误差为1.83%,可为铸造工艺参数确定提供理论依据. 相似文献
10.
基于小波网络的砂轮状态监测方法 总被引:1,自引:0,他引:1
提出了一种基于小波神经网络和模糊控制的砂轮状态在线监测方法,该方法通过提取磨削加工过程中有关砂轮状态的声发射信号和功率信号,利用小波神经网络,实现砂轮状态的在线智能化监测;针对多输入输出带来的网络规模增大、收敛速度缓慢等问题,提出采用尺度参数的自适应调整法及平移参数的寻优搜索法,寻找最优小波基元,同时采用模糊自适应BP算法对训练速率系数η和惯性系数α进行在线调整,从而简化了小波网络,减少了学习次数,加快了网络的收敛速度,仿真结果证明了该方法的有效性。 相似文献
11.
提出了一种基于小波神经网络的磨削质量在线智能监测及模糊综合评判方法,即通过提取反映磨削质量的多种AE信号特征参数,利用小波神经网络的非线性模型和学习机制,实现磨削质量的在线监测,同时,根据监测结果,利用模糊综合评判方法,对磨削加工质量进行在线综合评判,定出磨削质量等级,为进一步调整加工参数提供信息。 相似文献
12.
针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。 相似文献
13.
14.
本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型-深度循环神经网络模型的大规模风力发电功率预测模型(MHMM-DRNN)。实例验证相对误差平均值:BP神经网络模型约为31.56%,在预测过程中误差最大,ARMA模型约为23.20%,小波分析约为26.11%,而MHMM-DRNN预测模型约为16.85%,具有较好的实用性。 相似文献
15.
神经网络是当前最主要的智能控制技术,它是模拟人脑的结构以及对信息的记忆和处理功能,具有擅长从输入输出数据中学习有用的知识的特性。发动机性能预测是根据发动机结构参数和运转参数来估算推测发动机的各种性能指标,因此可以利用神经网络的学习性的特点,借助神经网络,将各种影响汽油机燃烧过程的主要参数对汽油机的非线性影响以网络模型的形式表示出来。本文讨论了如何抛开数学建模的方式,选用广义回归神经网络进行发动机动力性、经济性的预测,并应用了MATLAB软件工具箱编程,给出一个两缸电控汽油发动机的动力性、经济件预测模型的实例。 相似文献
16.
异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性 相似文献
17.
针对传统基于小波变化的图像超分辨率重构问题,提出了一种结合小波去噪和广义回归神经网络的图像重构算法。首先通过整数小波变换将图像的低频和高频部分进行分解。然后利用中值边缘检测作为预测器并在编码之前设置了误差映射。最后对传统广义回归神经网络的原理进行了分析,并设计了相应的广义回归神经网络。此外,利用期望值最大算法对广义回归神经网络模型参数估计进行了优化。通过超分辨率图像重建仿真实验对提出算法的有效性进行了验证。实验结果表明:提出算法具有较好的去噪能力和较高的重构精度。 相似文献