基于概率神经网络的控制图模式识别

近年来,人工神经网络被广泛应用于复杂过程质量异常的监控中.文献表明人工神经网络方法存在结构选择困难的问题,其解决主要通过研究人员的经验,耗时多且识别率低.本文提出使用概率神经网络来识别六类典型控制图模式,以改进神经网络识别器的设计效率.研究和仿真试验结果表明,概率神经网络不仅拓扑结构设计简单,而且识别率高.     

基于聚类分析原理建立化学反应速度方程

基于建立化学反应速率方程是对化学反应进行分类的观点,提出了应用聚皙榱的相似系数法和距离法确定化学反应级数和速率常数的方法。该方法具有可靠性高,易于编程的特点,并可用于确定非整数型反应级数。     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

基于Bi-LSTM的质量控制图模式识别

为提高制造过程质量智能控制的控制效果,提出了一种基于双向长短时间记忆网络(Bidirectional LSTM,Bi-LSTM)的控制图失控模式识别方法。文中分析了其分类的基本原理,构建了控制图模式识别模型,并通过蒙特卡洛仿真方法生成仿真数据集,进行仿真实验验证。仿真实验结果表明,Bi-LSTM用于控制图模式识别,准确率相对多层感知机(MLP)、贝叶斯分类器有了显著提升,相比支持向量机(SVM)具有效率上的明显优势,且在大样本下识别准确率更高。     

基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。     

基于多元数据图表示的可视化模式识别

现代统计模式识别以数据满足一定的统计分布规律(一般为正态分布)为前提。然而现实问题研究中存在大量不满足任何已知统计模型的情况,同时也有很多小样本情况,以上显然不适合统计方法。本文提出对非高斯信息进行基于多元数据多元图表示原理的可视化模式识别方法,并通过算法实现多元数据多元图分析过程的客观化和自动化,最后基于UCI数据对该方法进行了数据实验。     

基于核主元分析的神经网络控制图模式识别

针对异常特征之间存在较大的相似性而带来的网络结构复杂和识别精度不高的问题,提出一种基于核主元分析的神经网络控制图模式识别方法。先通过核方法将低维空间中的非线性特征转化为高维空间中的线性特征,再将其进行线性组合并向低维空间投影,然后用BP神经网络分类器对控制图模式进行识别。通过仿真进行验证,结果显示该方法对控制图各个模式能够有效聚类,并且识别精度得到提高。     

基于Simulink仿真的质量控制图不确定异常模式识别

当控制图上出现点子临界、点子数接近判异规则规定的数目或多种异常模式并发时,控制图呈现不确定异常状态,常规的方法无法正确完成异常识别。针对趋势模式与周期模式并发的情况,提出了应用小波分解原始信号,选用相应系数重构不同频率的异常信号,并对重构信号进行拟合,以拟合度作为异常模式的特征数,作为模式发生度隶属函数的输入,获取控制图不确定异常模式的发生度,最后在Matlab/Simulink环境下,建立了上述方案的仿真模型,并以具体的应用实例验证了方案的可行性。     

基于多元图结构子模式表示的模式识别方法*

针对统计模式识别和结构模式识别方法各自的局限性,提出一种基于多维数据多元图结构子模式表示（包括图形基元和特征基元表示）的模式识别方法,它体现了模式识别问题研究的一种新思维,具有鲜明的可视化特点。应用多维数据多元图表示原理实现无结构数据的结构化表示,提取出表征多元图图形的图形基元和特征基元,将对象表达为多元图结构特征子模式进行分类识别。利用UCI机器学习数据库中的Iris数据进行了分类实验,实验对比结果显示该方法具有较好的识别效果。     

基于聚类分析原理建立化学反应速率方程

基于建立化学反应速率方程是对化学反应进行分类的观点， 提出了应用聚类分析技术中的相似系数法和距离法确定化学反应级数和速率常数的方法。该方法具有可靠性高、易于编程的特点， 并可用于确定非整数型反应级数。     

化学模式识别在石油炼制过程中的应用

应用面向显示的模式识别方法，对石油炼制中的加氢裂化装置等生产过程进行研究，在高维模式空间中，分割优类状态点的聚集区域，建立区域化数学模型，据此指导生产操作，使生产过程获得优化控制，经济效益显著。     

基于遗传算法的模式识别方法在石油地质录井中的应用

为了解决曲线相似性的模式识别问题,提出了一种基于遗传学习算法的模式识别方法,即层次逐级分解法.应用该方法解决了石油地质录井中地层参数问题.结果表明,该方法确定含地层参数不仅是可行的,而且提高了参数的计算精度.     

基于信息融合的模式识别方法研究

将多特征多分类器的模式识别看作信息融合问题,提出了一种基于支持向量机理论的决策级信息融合模型,并讨论了基于该模型的识别精度以及学习样本数之间的关系.通过对ORL人脸图像库、CENPAMI手写体数字数据库这两类不同样本问题的识别实验表明,基于信息融合的模式识别方法可以取得较高的整体识别性能.     

基于模糊模式识别的漏钢预报

提出了一种基于模糊模式识别和采用学习方法的模糊决策网络的漏钢预报方法，同时对热电偶测温系统做了改进．实验表明该模糊漏钢预报系统不但可以准确对温度模式进行分类和预测拉漏事故，而且对于连铸生产过程故障诊断和产品质量评价也有一定的指导意义     

应用神经网络的理论对动态心电信号模式分类的研究

本文主要讨论基于神经网络的模式分类方法,首先针对原始心跳信号,进行有效的滤噪,使得在特征空间中把真正的心跳信号区别开来。然后应用神经网络的方法,建立模型。最终能够应用模型达到心跳信号与病变信号自动区分的目的。     

多层前馈模糊神经网络进行图像识别

神经网络和模糊技术在模式识别领域中已有了广泛应用,两者有着各自的优势。针对神经网络模式识别中所遇到的问题,为了进一步提高分类器在样本分布不清晰情况下的识别能力,本文提出了两各将模糊机制引入神经网络的方法－输入模糊化方法和隐层模糊化方法,并在此基础上分别构造了模糊神经网络。实验结果表明,模糊神经网络较好地结合了神经网络和模糊技术的优点,取得了比传统网络更好的识别结果。     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型...     

模式识别分析在氧化铝溶出中的应用

我们尝试用模式识别方法初步研究了烧结法熟料成份对氧化铝溶出率(标溶)的影响,使用九个变量建立了模式空间,并通过映射降维在模式空间中找到一个区分高溶出区和低溶出区的判别面。发现各样本点离判别面的距离与氧化铝标溶有很好的相关。由此得出的数学模型有益于辅助生产工艺优化。     

基于改进的LBP方法相结合的尿液细胞识别研究

分析和比较在RGB和HSI两种不同色彩坐标系统下使用支持向量机对尿液细胞进行识别分类的效果,以及使用色彩特征参数与纹理特征参数进行综合识别分类尿液细胞的效果。提出一种改进的局部二元模式(LBP)纹理特征提取方法。实验结果表明提出的HSI颜色特征、基于改进的LBP法提取的纹理特征与支持向量机(SVM)相结合的方法在尿液细胞识别分类中效果良好。