基于BP神经网络的船舶焊缝缺陷图像识别

提出了一种基于BP神经网络的船舶焊缝缺陷图像识别的方法,通过对船舶焊缝图像进行预处理,提取出有用的目标缺陷,再进行缺陷特征参数计算,将特征参数和焊缝缺陷类型分别作为输入层和输出层,利用BP算法设计3层结构的神经网络,对样本进行训练和识别。实验结果表明,BP神经网络能较准确地识别出船舶焊缝缺陷。     

基于BP神经网络的陶瓷产品质量检验专家系统

介绍一种对陶瓷产品质量进行检验的神经网络专家系统。选用快速傅立叶变换 (FFT)进行特征提取 ,应用专家列表法进行特征参数确定 ,最后由BP神经网络进行状态识别     

基于图像处理的小麦水分含量识别方法研究

研究了一种基于小麦图像特征和模式识别的小麦水分含量快速识别方法.将小麦水分含量分别调至10%、11%、12%、13%和14%,然后采集小麦不同含水量单籽粒和整批籽粒图像.单籽粒图像,提取其形态、颜色和纹理共62个特征参数,整批籽粒图像提取其颜色和纹理共48个特征参数.最后采用逐步判别分析对提取的特征参数进行筛选,分别建立线性参数统计分类器和BP神经网络模型实现小麦不同水分含量的检测识别.结果表明,BP神经网络模型对小麦水分的识别率高于统计分类器;与单籽粒图像相比,使用整批籽粒图像的特征参数能更好地对小麦水分进行有效识别.使用BP神经网络模型对整批籽粒图像水分进行识别,其识别正确率为90%⁹5%,整体判别正确率达到了92%.     

基于BP神经网络的陶瓷产品质量检验专家系统

介绍一种对陶瓷产品质量进行检验的神经网络专家系统。选用快速傅立叶变换（FFT）进行特征提取，应用专家列表法进行特征参数确定，最后由BP神经网络进行状态识别。     

钢筋混凝土雷达信号的BP人工神经网络识别

在混凝土雷达检测中,钢筋直径的识别是一个难点,因此探求使用人工神经网络的方法来解决。试验制作了一系列埋有钢筋的混凝土试件,这些埋置的钢筋直径在8~25 mm间且埋深在15~125 mm之间。这些试件经探地雷达检测后,雷达信号被提取出几个特征参数,这些参数包括雷达波的峰值、能量、波宽以及斜率,然后将这些参数作为BP神经网络识别的特征参数,并通过对神经网络进行有针对性地细分以提高网络识别精度,网络识别的结果表明BP神经网络能成功地识别钢筋的直径。     

基于计算机视觉的大米粒形识别方法

提出了利用计算机视觉系统代替人眼识别整粒大米和碎大米粒形的方法。设计了一套基于计算机视觉技术的大米粒形识别装置,采用灰度变换、阈值分割、平滑处理等图像处理方法获取大米的粒形图像,然后根据大米的粒形特点提取了米粒的面积、周长、长、宽等16个特征参数,采用主成分分析方法对提取的特征参数进行处理,以前三个主成分综合所有粒形特征参数,作为BP神经网络的输入特征值对网络进行训练和大米粒形识别。试验结果表明:该方法对整粒米识别的准确率为98.67%;对碎米识别的准确率为92.09%。     

基于粗集的PNN结构损伤识别方法

目的 为有效利用监测系统大量冗余、互补数据,对结构的工作状态展开评估.方法 运用粗集进行属性约简达到海量数据的降维工作,进而提取有效的特征参数,运用概率神经网络(PNN)良好的处理噪声等不确定信息及概率推理能力,进行推理计算和损伤识别.结果 对某12层钢筋混凝土框架不同噪声水平下的三种损伤模式进行了识别,识别精度均在85%以上,并与PNN损伤识别方法进行了比较,其识别精度高于PNN.结论 提出了一种基于粗集与PNN的结构损伤识别新方法,该方法不仅可以降低数据的空间维数.减少冗余属性和不确定性,而且可以提高损伤识别精度.     

基于计算机视觉的大米粒形识别方法

提出了利用计算机视觉系统代替人眼识别整粒大米和碎大米粒形的方法。设计了一套基于计算机视觉技术的大米粒形识别装置,采用灰度变换、阈值分割、平滑处理等图像处理方法获取大米的粒形图像,然后根据大米的粒形特点提取了米粒的面积、周长、长、宽等16个特征参数,采用主成分分析方法对提取的特征参数进行处理,以前三个主成分综合所有粒形特征参数,作为BP神经网络的输入特征值对网络进行训练和大米粒形识别。试验结果表明：该方法对整粒米识别的准确率为98．67％;对碎米识别的准确率为92．09％。     

基于BP神经网络算法的手写数字识别技术研究

BP神经网络由于具有高度的并行结构和并行处理能力,以及固有的非线性特性和自学习、自组织、自适应能力等,特别适合应用于模式识别。以BP神经网络为背景,研究手写数字识别技术,在考虑诸多因素的情况下,最终设计一种能够提供良好识别的方法。根据研究目标,设计BP神经网络模型,并针对BP神经网络的缺陷提出BP神经网络算法的改进,提高了神经网络的性能。MATLAB仿真实验表明,改进后的BP神经网络可以对手写数字进行快速、准确地识别,具有广泛的应用前景.     

基于BP神经网络的储粮害虫分类识别研究

基于图像处理技术的储粮害虫检测过程中,需要解决多种害虫多特征的识别分类问题。提出运用BP神经网络来进行害虫特征分类的方法。通过对储粮害虫图像的预处理,获取并优化提取5个特征参数输入BP网络进行训练。仿真结果表明,训练网络对粮仓中4类常见害虫的识别率达到了95%,得到了较好的识别结果。     

基于遗传算法的神经网络油水层识别

文章研究了基于遗传算法的神经网络油水层识别方法,针对神经计算存在因输入信息空间维数较大而使网络结构复杂、训练时间长,以及因冗余属性使网络拟合精度不高等缺点,提出了基于粗集属性约简方法降低了输入信息的空间维数、减少了运算量和简化了神经网络的拓扑结构,利用遗传算法提高神经网络的训练速度。实验结果表明：将混合智能计算方法应用于油水层识别中效果显著,其学习训练速度和拟合精度远优于传统BP神经网络算法。     

RS与FNN集成在焊接缺陷识别中应用

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重,以及现有的识别算法准确率低的问题,提出了一种粗糙集(RS)和模糊神经网络(FNN)集成的缺陷识别算法.首先使用模糊C-均值聚类算法对样本属性离散化,然后使用RS对离散化后的样本数据进行属性约简得到决策规则,并使用π函数根据聚类的中心和半径对属性进行模糊化,克服RS对噪声敏感问题;根据得到的精简模糊决策规则和模糊逻辑推理确定FNN的结构,使用依赖度和规则的条件覆盖度确定网络的初始参数,考虑到样本中数据的可信度问题,用加权代价函数调整模型参数.仿真实验表明,本算法解决了分类过程中样本数据受到噪声干扰引起的不确定性、FNN结构难以确定的问题,能有效地提高焊缝图像缺陷的识别能力.     

基于小波网络的矿井提升机运行故障趋势预测研究

采用小波网络方法，通过对矿井提升机钢丝绳磨损度、空动时间、衬垫磨损寿命、闸瓦间隙、残压、制动盘偏摆度等关键特征参数的时间序列预测，实现了其特征参数的故障预报，由于小波网络比一般神经网络具有更多的自由度，从而使其具有更灵活有效的函数逼近能力，小渡神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配，使得小渡网络有更强的自适应能力、更快的收敛速度和更高的预报精度，仿真和实验结果表明，预报精度满足要求。     

神经网络算法在弹性限位浮筏系统中的应用

具有弹性限位器的浮筏隔振系统受冲击后,在运动的过程中会发生限位器接触状态的不断变化,由于接触位形的多样化,因此寻求一种快速决策限位器接触状态的算法是非常必要的。本文在建立含有接触力的弹性限位浮筏系统的动力学方程的基础上,利用高斯原理构造目标函数,求出神经网络状态方程,给出网络参数。通过神经网络算法对含有多个限位器的弹性浮筏系统的限位器接触状态进行决策,使得接触计算得以实现,同时还可以大大地减少CPU时间。最后通过计算分析,得到对工程有指导意义的结论。     

基于神经网络的可控整流主电路故障诊断实现的研究

介绍了如何构建故障诊断目的的神经网络,模拟故障的实际采集数据和采用BP算法实现了神经网络的学习即神经网络的权值和阈值参数的确定,测试样本的输出结果表明构造网络的实用性和学习训练参数的正确性.     

Identification of Driving Intention Based on EEG Signals

The driver''s intention is recognized by electroencephalogram(EEG) signals under different driving conditions to provide theoretical and practical support for the applications of automated driving. An EEG signal acquisition system is established by designing a driving simulation experiment, in which data of the driver''s EEG signals before turning left, turning right, and going straight, are collected in a specified time window. The collected EEG signals are analyzed and processed by wavelet packet transform to extract characteristic parameters. A driving intention recognition model, based on neural network, is established, and particle swarm optimization (PSO) is adopted to optimize the model parameters. The extracted characteristic parameters are inputted into the recognition model to identify driving intention before turning left, turning right, and going straight. Matlab is used to simulate and verify the established model to obtain the results of the model.The maximum recognition rate of driving intention is 92.9%. Results show that the driver''s EEG signal can be used to analyze the law of EEG signals. Furthermore, the PSO-based neural network model can be adapted to recognize driving intention.     

基于ANN-GA的注塑参数优化系统及其应用

在以人工智能技术为基础的注塑工艺参数优化系统的开发方面进行了研究．构建了以混合神经网络与遗传算法方法为基础，并结CAE技术的参数优化系统，编制了应用程序，通过工程实例，将参数优化系统的预测结果与CAE模拟结果进行比较和误差分析，显示出优化系统的稳定性和可靠性；优化结果与CAE模拟结果及实验验证的结果具有一致性，证明优化结果是正确的，表明基于混合神经网络与遗传算法方法的注塑工艺参数优化系统具有工程应用价值。     

人工神经网络及其在非线性系统控制中的应用

本文介绍了人工神经元和人工神经网络的基本结构,并在此基础上分析了人工神经网络的特性、学习和训练,说明了两种典型网络BP网络和Hopfield网络的工作原理,对人工神经网络在非线性系统控制中的应用进行了探讨.     

神经网络用于系统辨识的一种最小二乘法

讨论了用多层前向神经网络建立非线性系统模型的机理,然后通过对多层前向神经网络特点的分析,给出了一种基于线性最小二乘法的神经元网络训练方案。在该方案中,通过梯度法获取隐层神经元的输入,使用线性最小二乘法训练各神经元的权值和阈值。仿真结果表明该方案具有精度高、收敛速度快等特点。     

基于神经网络的过程系统动态建模

针对生产过程中参数容易受外界影响而改变,传统的系统辨识方法难以得到精确的数学模型的实际情况,提出利用神经网络的自学习、自适应功能实现动态在线建模。本文对这种方法进行了仿真研究。由计算机产生仿真输入信号：随机信号或Ｍ序列伪随机信号,输入到生产过程中普遍存在的一阶纯滞后对象。通过三层ＢＰ神经元权值的不断调整,实现离线辨识和在线辨识,直到神经网络的阶跃响应曲线几乎和实际系统的阶跃响应重叠。仿真结果表明,