基于神经网络的集装箱箱号智能识别系统研究

针对我国集装箱运量快速增长,而集装箱码头不能实现全计算机化管理这一问题,提出了一种利用神经网络分析字母和数字的特征来智能识别集装箱箱号的方法,分析了集装箱箱号的特点,提出了提高识别率的方法。     

结合独立与连续字符识别的集装箱号识别技术

针对集装箱号字符排列方式多样、字符间隔随机、且存在字符紧密排列难以分割开的情况,提出一种将独立字符识别与连续字符识别结合起来应用于集装箱箱号识别的方法。在字符提取阶段,将相互间存在一定间隔的字符作为单个字符进行提取;将紧密排列的字符作为连续字符串进行整体提取。在字符识别阶段,对于单个字符采用基于神经网络的独立字符识别方法进行识别;而对于连续字符串,则利用基于HMM的连续字符识别技术进行识别。通过对1040幅集装箱号图像进行实验,识别率达92.5%。实验结果表明本文方法能够有效地对各种情况(包括字符紧密排列)的集装箱号图像进行识别。     

基于改进Faster R-CNN的集装箱箱号定位算法

集装箱箱号自动识别系统在海运港口作业和陆运装卸作业中发挥着重要作用,其箱号定位的准确与否对后续的箱号识别来说至关重要。针对目前箱号定位技术无法满足现今箱号识别领域智能化和自动化的需求,基于深度学习在目标识别领域的优越性,提出了一种基于改进Faster R-CNN的集装箱箱号定位算法,先利用特征提取网络CNN进行箱号特征提取,再采用区域建议网络RPN提取箱号区域的候选区域建议,最后利用检测网络Fast R-CNN在候选区域基础上进行更精准的箱号区域定位,此外对数据集进行数据增强以提高网络模型的泛化能力和鲁棒性。实验结果证明,该算法可以有效实现箱号区域的定位,且定位正确率比直接应用原始Faster R-CNN算法提高了5.3%,检测速度为每幅240 ms,满足实际应用中的实时性要求。     

集装箱堆场不确定提箱次序与卸船箱位分配

为优化卸船箱箱位分配,减少集装箱码头堆场卸船箱翻箱率,考虑客户提箱次序随机和不确定性,提出了利用箱组存箱时间构建客户提箱次序的方法,探讨了基于提箱次序的集装箱翻箱量求解,并建立了集装箱码头堆场卸船箱箱位整数规划模型,在堆场区段内为卸船箱分配箱位,降低提箱时的翻箱量.考虑到模型较优解箱组堆放特点,设计了求解模型的启发式算法.实验结果表明,提出的模型和启发式算法能反映决策者的风险态度,目标函数较参考算法有10%以上改善.     

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。     

基于随机交箱序列的集装箱堆场出口箱箱位优选

为了优选客户提交箱时间不确定条件下的集装箱堆场出口箱箱位,降低作业成本,提出了基于随机交箱序列的堆场箱位优选方法,即两阶段随机规划模型和基于禁忌搜索的启发式算法.模型通过优选贝位和堆栈最小化堆场龙门吊行车成本和翻箱量,探讨了随机交箱序列条件下的翻箱量和龙门吊行车成本求解方法,并针对模型最优解特点开发了基于禁忌搜索的启发式算法.模拟实验表明,该方法能够有效利用不确定集装箱交箱序列信息改善调度效果,算法能够在合理时间内获得满意解.     

基于概率统计的集装箱龙门起重机生产率研究

针对集装箱龙门起重机的实际装卸作业过程,在技术生产率的基础上,提出了拓展作业周期的概念,以及基于古典概型(某概率分布时)的集装箱龙门起重机在倒箱作业和大车移动作业时的生产率计算方法,为集装箱龙门起重机技术参数的确定或论证提供了理论依据.     

基于DPCA-BP的故障诊断方法

针对动态主元分析(DPCA)在故障识别方面的缺点,引入了BP神经网络,将DP-CA与BP神经网络相结合,增强了对故障的辨识能力。该方法通过对各测量变量的自相关性分析,来降低动态主元分析中增广矩阵的维数,从而降低了分析过程的计算量。最后,将DPCA-BP应用于田纳西-伊斯曼过程的故障诊断中,验证了所提出方法的有效性。     

基于混堆模式的集装箱堆场空间分配研究

在分析国内外港口集装箱堆存策略研究现状的基础上,提出了必须将集装箱箱区贝位作业平衡率及集卡在泊位与箱区贝位运输距离这两个矛盾目标置于同一个目标函数,并构建了相应的非线性整数规划模型。然后通过Lingo语言,应用文献算例中的数据对模型进行求解分析,得出在港口集装箱堆存时同时考虑箱区贝位作业平衡率和集卡运输距离能够获得系统整体最优。     

基于作业均衡的集装箱堆场箱区场桥作业调度

为了提高集装箱堆场场桥作业量分布的均衡性,进而提高作业人员任务分配的均衡性和作业资源的利用率,提出集装箱堆场箱区场桥均衡作业的调度问题。根据集装箱场桥作业特点及其关联性,以集装箱堆场箱区作业箱量均衡和作业时间均衡两个均衡调度为目标,建立了集装箱堆场箱区场桥均衡调度模型,并设计遗传算法求解。通过设计均衡度评价指标,对不同均衡目标与所得方案效果之间的关系进行分析,得到均衡度改善的比率。最后通过输入场桥数量参数的变化得出场桥数量与均衡性之间的关系,为场桥配置与调度工作提供理论依据。     

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。     

Modeling and Simulation of Time Series Prediction Based on Dynamic Neural Network

Molding and simulation of time series prediction based on dynamic neural network(NN) are studied.Prediction model for non-linear and time-varying system is proposed based on dynamic Jordan NN. Aiming at the intrinsic defects of back-propagation (BP) algorithm that cannot update network weights incrementally, a hybrid algorithm combining the temporal difference (TD) method with BP algorithm to train Jordan NN is put forward.The proposed method is applied to predict the ash content of clean coal in jigging production real-time and multistep. A practical example is also given and its application results indicate that the method has better performance than others and also offers a beneficial reference to the prediction of nonlinear time series.     

BP神经网络预测方法的改进及其在隧道长期沉降预测中的应用

对已有的BP神经网络预测方法做了进一步的改进,通过对比选取了最优的网络训练模式和传递函数;利用反复训练和统计学原理推导了适用于确定单个隐含层神经元个数的解析式,并提出了与其相适应的归一化方法、最优归一区间和最优隐层神经元个数的取值范围;指出当输入神经元大于3个时,采用具有双隐含层结构的BP神经网络进行预测的效果远好于单个隐含层结构.对隧道结构整体沉降进行了预测,效果满意,为合理选择后续施工工艺提供了依据.     

基于nu-SVM的三坐标测量机空间相关动态误差建模

为了建立高精度的三坐标测量机动态误差修正模型,分析了三坐标测量机空间动态误差相关性的特点,介绍了所采用的建模方法支持向量机（nu-SVM）的基本原理和算法。利用双频激光干涉仪建立了MC850移动桥式三坐标测量机的单向动态误差分离装置,分离了不同空间位置下的单向动态误差。分别应用BP神经网络、nu-SVM建模方法和误差数据建立了测量机的空间三维动态误差模型,进行了验证和比较,nu-SVM的建模精度比BP神经网络高。     

基于人工神经网络的相位跟踪研究

本文介绍了一种基于人工神经网络的相位跟踪控制方法,当电网并网时,用于对控制电流与电网电压进行同相位跟踪,以实现对电网电压的同步跟踪。经MATLAB电力系统动态仿真,验证了该文提出的BP控制方法,跟踪性能良好,具有较强地自适应能力。     

基于改进BP神经网络算法的短期负荷预测

分析了BP神经网络的特点,从学习速率的角度讨论了BP算法的改进方法,并用加州负荷数据进行24h负荷预测及算例分析.仿真结果表明,改进BP神经网络算法预测的平均误差比常规算法降低了0.445％,并且克服了当接近最优解时易产生波动和振荡现象的问题,训练速度也有所提高.     

BP算法执行过程中的平台现象及其减少方法的研究

基于对ＢＰ算法执行中存在的平台现象的分析，从神经元作用函数的总输入，作用函数的选择，作用函数的自适应调整和网络初始权值的选择几方面，分析和研究了减少平台现象的措施，提出了神经元作用函数的选择方法，给出了具有作用函数自适应调整的ＢＰ算法，得到了４种减少平台现象的措施。     

动态T-S递归神经网络及其应用

基于递归神经网络和模糊系统,给出了一种动态T-S递归模糊神经网络(DTRFNN)。该神经网络用BP算法进行网络权值的学习,并在权值学习的基础上采用改进的BP算法克服局部极小。以动态系统的辨识为例进行仿真实验研究,并与一般的模糊神经网络进行了比较。结果表明,DTRFNN的辨识误差较小,取得了很好的辨识效果。该神经网络应用于某金属温度软测量时,能很好地实现温度的在线检测。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于BP神经网络算法的结构振动模态模糊控制

为了更合理、方便地控制土木工程结构地震动力反应,提出基于反向传播(back propagation, BP)神经网络的结构振动模态模糊控制算法。以结构地震动力反应数据训练神经网络建立结构分析模型,以时域模态坐标作为被控变量,实现系统降阶,使建立模态模糊控制规则所需要的模糊推理数量处于可接受范围内,并以体系能量最小作为控制目标制定控制规则。建立结构动力反应模糊控制数值模型,根据计算地震动力反应评价所提出算法的减震效果。结果表明:经过训练的BP神经网络可以准确地预测结构的地震动力反应,并可以据此建立模糊控制规则。仅对结构第一阶振型采用模态模糊控制就能达到满意的减震效果。采用主动质量驱动(active mass driver, AMD)最优控制力幅作为各楼层控制力的论域时,模态模糊控制减震效果与其存在差距;增大控制力的论域,可以得到更好的减震效果。