多偏移遥感图像的BP神经网络亚像元定位

提出了一种借助多偏移遥感图像来改进基于BP神经网络(BPNN)的亚像元定位新方法.不同于原BPNN方法使用单幅低空间分辨率观测图像,新方法利用多幅带有亚像元偏移的低空间分辨图像来确定亚像元属于各类的概率,然后根据概率值和地物覆盖比例确定亚像元类别,以降低BPNN定位模型中的不确定性和误差.实验表明,提出方法在视觉和定量评价上,均能获得更高精度的亚像元定位结果,验证了提出方法的有效性.     

水泥煅烧工段机理分析与神经网络预测方法

采用神经网络的方法建立水泥预分解窑煅烧工段的预测模型。选择合理的状态与控制变量,通过采集实际运行数据来训练神经网络。构建的基于BPNN神经网络的煅烧预测模型能够较好地拟合采样数据,具有较好的泛化能力。     

基于GA-SVR的苹果可溶性固形物质量分数的高光谱检测

以建立一种高精度的无损苹果可溶性固形物含量的检测模型为目标,通过提取高光谱图像中圆形150像素感兴趣区域(ROI)内的平均光谱反射率,分别使用Savitzky-Golay平滑处理(S-G)、标准正态变量变换(SNV)和小波变换(Wavelet-Transform)对原始光谱数据进行预处理,然后利用连续投影算法(successive projection algorithm,SPA)提取特征波长,基于特征波长建立BP神经网络(BPNN)和遗传支持向量机(GA-SVR)预测模型。在GA-SVR建模过程中,采用遗传算法获取支持向量机的最优惩罚参数和核函数参数。研究结果表明,S-G预处理后的GASVR模型预测效果最佳,模型的预测相关系数为0.850 5,预测均方根误差为0.303 1,所以基于该ROI内数据建立的GA-SVR模型在提高模型性能方面是可行的。     

电子鼻检测黄山毛峰茶贮藏时间方法研究

利用电子鼻对6个不同贮藏时间下5个等级黄山毛峰茶进行检测。首先获取反映茶叶香气的原始特征向量,再通过主成分分析法(PCA)提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络(BPNN)的输入,建立黄山毛峰茶贮藏时间预测模型(称为PCA-BPNN)。通过对75个测试样本(每等级15个)实验测试表明:PCA-BPNN对于贮藏0 d的茶叶,最大预测误差为7 d,5个(6.67%)样本预测误差超过10 d;对于贮藏60 d的茶叶,最大预测误差为10 d,4个(5.33%)样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个(9.33%)样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个(10.67%)样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个(10.67%)样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个(8.00%)样本预测误差超过10 d。验证了PCA-BPNN预测模型用于检测黄山毛峰茶贮藏时间的可行性,同时与以原始特征变量作为输入的BPNN预测模型相比,性能更好。     

基于AFSA-BPNN的输电线路外护套故障图像处理

研究一种基于人工鱼群优化 BPNN 网络的输电线路外护套故障图片的处理和识别方法,建立基于人工鱼群的 BPNN 预测回归模型.由试验结果可知,相比于 BPNN 标准模型,AFSA-BPNN 预测模型对应的预测精度更高,将 AFSA-BPNN 模型用于输电线路外护套故障图像处理及识别是可行的。     

茶叶贮藏时间电子鼻检测方法

利用电子鼻对4个不同贮藏时间黄山毛峰茶干茶叶进行了检测。首先根据传感器阵列响应曲线选择了原始特征变量,再通过PCA提取出主特征变量,最后以主特征变量作为输入建立了茶叶贮藏时间的BPNN预测模型。实验结果表明电子鼻用于检测茶叶贮藏时间是可行的。     

基于话者特征图案的BPNN话者模型

该文提出了一种用于说话人识别的基于话者特征图案的BPNN话者模型，该话者模型解决了语音信号的时长变化与神经网络输入层结点数固定不变之间的矛盾。利用VQ技术对所有话者的语音样本训练出话者特征图案，再将语音样本对该特征图案进行映射，在映射域解决了语音样本的时间规正问题。同时，该方法还提高了映射域参数的模式分类能力。     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

基于神经网络的无线信道场景识别

无线信道场景识别对于无线资源调度和系统性能的优化等具有重要意义。文中基于QuaDriGa平台研究了反向传播神经网络（back propagation neural network,BPNN）和卷积神经网络（convolutional neural networks,CNN）在无线信道场景识别中的应用。首先,利用QuaDriGa生成不同场景下的信道冲激响应（channel impulse response,CIR）,并提取时延扩展、角度扩展等信道参数。然后,对于BPNN,直接利用其对不同场景的参数进行训练;对于CNN,需要经过“抽头移动、数量级微调、自相关”等操作将一维的CIR转化为二维图像再进行训练。最后,计算识别准确率并利用K折交叉验证该两种模型的泛化能力。结果表明,CNN比BPNN识别精度高,但BPNN识别效率更高,二者均可用于未来信道场景的智能感知和识别。     

基于Hilbert-Huang变换和BP神经网络的核级电动阀门退化趋势预测

核级电动阀门服役环境恶劣,极易发生退化失效。为准确预测核级电动阀门性能退化趋势,采用Hilbert-Huang变换（HHT）和反向传播神经网络（BPNN）相结合的方法（HHT-BPNN）对核级电动阀门的退化状态进行预测。本文采用某次核级电动阀门可靠性试验的振动信号对电动阀门退化趋势进行预测,结果显示该方法能准确预测出核级电动阀门的3种退化状态,且其相对误差在可接受范围内。研究表明HHT能够有效提取信号的退化信息,BPNN能够准确预测核级电动阀门的退化趋势,HHT-BPNN预测方法能有效解决核级电动阀门性能退化预测困难的问题。