基于BPNN的造纸纤维特性与纸页抗张强度性能关系分析

纸页抗张强度是衡量纸制产品质量的一项核心指标,为了对纸页抗张性能进行高水平的模型预测,提出了一种基于BPNN的造纸纤维特性与纸页抗张强度性能关系分析模型,详细介绍了该模型的运行流程和基本结构,并通过317组生产实践数据对该模型进行训练和验证,最后将其应用于纸页抗张强度性能分析。经实验研究发现,该模型能够较为精确地描述出造纸纤维特性与纸页抗张强度性能之间的关系,具有一定的应用价值。     

微小型结构件显微图像边缘的自动识别

在前一阶段的研究工作中,针对微小型结构件的显微图像边缘提取,作者提出了一种基于工艺匹配的显微图像边缘提取算法（Micro Processing Technology Matching based Micro Image Edge Detection, MPTM-MIED）。使用MPTM-MIED提取图像边缘之前,需要手工从零件显微图像中选取边缘过渡区域,这一操作将极大影响微小型零件的检测速度,从而使MPTM-MIED不能应用在实时自动检测中。针对MPTM-MIED的这一不足,本文利用BP神经网络技术重新设计并实现了MPTM-MIED,提出了一种新的自动提取显微图像边缘的方法（An Automated Micro Image Edge Detection Method,AMIED）。为了验证该方法的有效性,本文还利用AMIED对4种工艺微小型结构件显微图像的边缘进行了提取,并对线切割工艺零件的尺寸进行了测量。边缘提取的分析结果表明：AMIED提取出的显微图像边缘与MPTM-MIED提取出的基本一致;与常用的边缘检测算法相比,AMIED提取出的显微图像的边缘线形连接程度较好。测量尺寸的分析结果表明：MPTM-MIED和AMIED测量的尺寸基本相同,与Canny测量的相比,更接近万能工具显微镜测得的尺寸。     

基于机器学习和卫星图像的路径损耗预测

基于反向传播神经网络（back propagation neural network,BPNN）构建了一种路径损耗预测模型. 通过卫星图像的红、绿、蓝（red, green and blue,RGB）通道的颜色信息来表征无线通信电波传播路径的环境特征,结合路测点与基站的距离特征构建数据集,迭代训练网络参数,以预测传播路径损耗. 结果表明,对跨基站路测点的预测结果与实测数据之间的相关系数达到0.83,绝对平均误差控制在0.66 dB,标准差控制在6.65 dB,说明在缺乏某一场景的详细模型和材质参数时,本文模型也能可靠预测无线通信电波的传播路径损耗. 此外,本文信道模型与传统信道建模方法多方面的对比与分析表明,本文模型在相同计算资源下可以提供和传统信道建模方法相差很小的预测结果,同时大大缩短预测所需的时间,说明本文模型对传播路径损耗做出快速预测的能力可以用于无线通信网络系统的优化.     

混沌理论与BPNN耦合的径流中长期预测模型

受诸多因素的影响,径流时间序列具有非线性和混沌特征。单一的BPNN模型可以进行径流的中长期预测,但存在对径流影响因素量化不够的缺点;单一的混沌模型可以量化径流的影响因素,但只能实现短期预测。为此建立了混沌理论与BPNN耦合的径流中长期预测模型。针对黑河上游莺落峡水文站1944-2017年的径流序列,利用混沌理论计算了径流序列的延迟时间τ、嵌入维数m和最大Lyapunov指数λ_(max),并进行了径流序列的相空间重构,以此确定BPNN的输入层神经元个数、取值和预测的周期时长;利用BPNN对1944年1月-2012年12月的径流量数据进行训练,建立了混沌-BPNN和混沌-BPNN等维递补两种预测模型;以2013年1月-2017年12月(5 a)的径流量进行模型验证。结果表明:混沌-BPNN等维递补模型的预测精度达到了91.84%,预测效果较好。混沌理论与BPNN耦合的径流预测模型将两种方法的优势互补,尤其是混沌-BPNN等维递补模型,在补充新信息的同时剔除因系统发展而使特征意义降低的老数据,减小了BPNN训练的时间跨度,提高了预测精度,为径流的中长期预测提供了新的有效方法。     

Application of improved BPNN in image restoration-learning coefficient

A new method of artificial intelligence based on a new improved back propagation neural network (BPNN) algorithm is partially applied in the problem of image restoration. In order to overcome the inherited issues in conventional back propagation algorithm i.e. slow convergence rate, longer training time, hard to achieve global minima etc., different methods have been used including the introduction of dynamic learning rate and dynamic momentum coefficient etc. With the passage of time different techniques has been used to improve the dynamicity of these coefficients. The method applied in this paper improves the effect of learning coefficient η by using a new way to modify the value dynamically during learning process. The experimental results show that this helps in improving the efficiency overall both in visual effect and quality analysis.     

Greyscale based learning in BPNN for image restoration problem

A new method of back propagation learning with respect to the problem of image restoration which is named as greyscale based learning in back propagation neural networks ( BPNN) is investigated. It is observed that by using this method the value of mean square error ( MSE) decreases significantly. In addition,this method also gives good visual results when it is applied in image restoration problem. This method is also useful to tackle the inherited drawback of falling into local minima by reducing its effect on overall system by bifurcating the learning locally different for different grey scale values. The performance of this algorithm has been studied in detail with different combinations of weights. In short,this algorithm provides much better results especially when compared with the simple back propagation algorithm with any further enhancements and without going for hybrid solutions.     

一类大规模系统神经网络自适应控制方案设计

针对一类大规模非线性机械系统,如自动化高速公路汽车空位调节和连续搅拌反应釜等系统,设计了一套基于前向神经网络的分散自适应控制方案以实现对其有效控制．作为直接自适应控制器,神经网络被用于逼近未知函数,所设计的两个鲁棒控制项分别用于消除互连效应和干扰项．系统稳定性得到严格证明,通过仿真进一步验证了方案的有效性．     

Mechanism Analysis and Neural Network Predictive Method for Cement Calcination Process

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RBM-BPNN的民航潜在高价值旅客预测

目前常用潜在客户发现方法多为基于统计特征的行为分析方法,这种方法对所提取的特征具有很强的依赖性并且容易受到人为主观性影响。针对这一问题,结合受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)与BP神经网络(Back Propagation Neural Network, BPNN),提出基于RBM-BPNN的民航潜在高价值旅客发现方法。设置民航旅客类别标签;利用RBM自动提取旅客行为特征;利用BPNN对旅客未来价值类型进行分类预测,从而发现民航潜在高价值旅客。实验结果表明,相对于基于统计特征的行为分析方法,该方法具有更高的分类预测准确率和民航潜在高价值旅客预测效果。