基于数字图像处理的二维温度场测量

研究了CCD摄像机进行二维温度场测量问题。分析了彩色CCD摄像机测量机理,推导和分析了相应的三色温度测量模型。由于测量模型的复杂性和非线性,因此利用BP神经网络在函数逼近方面的特性,提出了一种用BP神经网络计算二维温度场方法。试验表明这种方法是可行的、并有较高测量精度,具有工业应用前景。     

基于BP神经网络的车距测量方法

为提高车辆机器视觉测距系统在近距离下的测距精度,在图像处理的基础上,通过BP神经网络建立前方车辆车牌像素尺寸与实际车距之间的隐含关系实现车距测量。以MATLAB软件作为人机交互平台,采用了加权值灰度化、二值化和闭运算等图像处理方法准确定位车牌图像,提出了行列扫描法和连通域标记法计算车牌像素尺寸,利用BP神经网络搭建车距测量模型。结果表明:训练的BP神经网络能满足近距离车距测量需求,其测量值相对误差在5%以下。     

基于萤火虫优化BP神经网络方法的传感器温度补偿策略

为了解决硅压阻式压力传感器温度漂移现象影响工程测量精度的问题,提出一种基于萤火虫优化的BP神经网络温度补偿策略。对一般型BP神经网络利用萤火虫算法进行权值和阈值的优化,进而提高神经网络的泛化性能和搜索速度,并利用优化后的BP神经网络进行压力传感器温度补偿实验。将优化后的BP神经网络温度补偿性能与一般的神经网络和粒子群优化的神经网络进行对比分析,结果表明:萤火虫优化后的BP神经网络补偿效果显著,相比于一般的神经网络补偿误差减少了52%,相比于粒子群优化的BP神经网络补偿误差减少了23%;考虑补偿耗时,萤火虫优化的BP神经网络综合特性表现良好,补偿后的传感器数据满足课题实验需求,补偿算法可行。     

基于BP神经网络的小型组足球机器人视觉子系统的图像分割技术

为解决小型足球机器人视觉子系统图像分割的实时性和光照适应性问题,将BP神经网络技术应用到图像分割中.在图像分割技术和BP神经网络的理论分析基础上,建立了两者之间的关系,并建立了相应的BP神经网络模型.图像像素离散化并将其H、Cb、Cr分量值作为神经网络的输入,将目标像素点分类类别作为神经网络的输出.通过改进神经网络学习...     

MEMS矢量水听器的温度特性及其补偿方法研究

文中以MEMS矢量水听器为研究对象,分析其温度特性,采用BP神经网络方法进行温度补偿。海水的温度范围为-2~30℃,在该范围内对水听器的温度特性进行测试。测试结果表明:随着温度的变化,MEMS矢量水听器产生温度漂移,使其灵敏度发生浮动,这样严重制约了水听器的测量精度和应用范围。采用BP神经网络算法对水听器进行温度补偿,将水听器测量电压值和实时温度进行数据融合,削弱了环境温度的影响。补偿后,水听器的温度漂移显著降低,不同工作温度下的灵敏度曲线高度重合,灵敏度浮动不超过2 d B。     

基于改进GA-BP神经网络的湿度传感器的温度补偿

针对自动气象站采用的HMP45D型湿度传感器测量精度易受温度影响的问题,通过对遗传算法中的编码方式、适应度函数和参数进行改进研究,利用改进的遗传算法(genetic algorithm,GA)对反向传播(back propagation,BP)神经网络的初始权值阈值进行优化,在较大的范围进行搜索,采用反向传播算法在较小范围内进行微调,优化网络结构和参数,提出了用改进遗传算法优化BP神经网络的方法,根据在多温度条件下湿度传感器的实测数据,对利用此方法建立的模型进行温度补偿研究,并结合一般BP神经网络方法进行分析比较.实验结果表明,该方法具有全局寻优能力,补偿精度高,收敛速度快,能够有效补偿温度对湿度传感器的影响,大大提高了湿度传感器的测量准确度.     

基于小波包分析和BP神经网络的字符识别方法

利用小波包分析具有提取图像时、频两域细节和局部特征的能力,提出了将字符图像的小波包分析和BP神经网络相结合以达到识别字符的新方法。该方法首先对字符图像进行小波包分解,然后对分解系数进行重构,求得重构图像的能量;然后提取了不同字符图像的能量构造成能量特征向量,作为神经网络的输入;然后通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络;最后通过神经网络模型进行训练。实验证实该方法具有识别正确率高、速度快等优点。     

高压输电线路除冰机器人障碍物识别方法研究

障碍物检测识别是高压输电线路自主除冰机器人的关键技术之一.针对220 kV输电线路特殊的机器人工作环境,提出一种基于视觉的障碍物识别方法.首先对拍摄的障碍物图像进行中值滤波、膨胀腐蚀等预处理,经OTSU阈值优化计算后,用小波模极大值算法提取图像边缘.然后计算障碍物边缘图像的联合不变矩特征,再把矩特征输入小波神经网络进行障碍物图像的分类识别.并选取防震锤、悬垂线夹、耐张线夹三类障碍物做识别试验,还把小波神经网络与普通BP神经网络识别性能进行了比较,实验表明:以联合不变矩作为障碍物识别特征具有良好的可靠性和稳定性;小波神经网络识别分类的性能良好,比普通BP神经网络具有更快的收敛速度和更高的识别精度.     

BP神经网络信息融合的汽车载重测量方案

针对当前汽车载重量测量精度低的问题,;提出了基于BP神经网络信息融合算法的汽车载重测量方案。首先分析了现有的两种载重测量方法,即叠板弹簧形变量测量法和胎压变化量测量法,并分别建立了汽车载重量与叠板弹簧变化量、轮胎气压变化量的数学模型;然后提出了使用BP神经网络算法将这两种测量方法的测量信息进行融合;通过样本数据的训练,确立了BP神经网络三层网络拓扑结构和参数。设计了10组载重试验对此算法进行验证,结果表明基于BP神经网络信息融合的汽车载重测量方法可以有效地测量汽车载重,最大测量误差为0.91%。     

基于AFSA-BP神经网络的湿度传感器温度补偿

针对HMP45D型温湿一体化传感器在使用中受温度影响的问题,提出了基于人工鱼群算法(AFSA)的BP神经网络温度补偿方法,用AFSA算法优化BP网络的初始权阈值并用该值训练BP网络。根据湿度传感器在多温度下所测数据,建立AFSA-BP神经网络模型实现温度补偿,与传统BP神经网络方法对比。结果表明,与传统BP神经网络相比,AFSA-BP神经网络的误差绝对值之和降低了6.14%,改善了BP神经网络易陷入局部极小的缺陷,提高了补偿精度。     

基于贝叶斯神经网络的机床热误差建模

热误差严重影响着机床的加工精度,对机床关键部件进行热特性分析是开发精密机床的重要环节.通过测量包括数控机床的特殊位置温度和定位误差在内的热特性,研究了温升与定位误差之间的关系,提出了一种基于贝叶斯神经网络的热误差建模方法.通过K-means聚类和相关系数法来选择温度敏感点,可以有效地抑制温度测量点之间的多重共线性问题....     

基于BP神经网络的计量器具信息编码识别

根据国家工作计量器具命名与分类代码规范,结合企业实际,选用5层信息混合字符编码方法,形成丰富的质量信息载体;采用CCD传感器接收图像信息、BP神经网络识别的方法,实现计量器具信息自动与人工双重识别功能;结合具体案例进行训练与测试,获得较好的识别精度。     

利用BP神经网络识别图像基点

论述了运用BP神经网络对图像进行识别.介绍了BP神经网络的算法设计、隐层节点的选取等问题.结果表明,BP神经网络有很强的自适应性,对大量样本识别后,能将图像中需要的基点有效地识别出来,且达到较高的准确率.     

基于灰色BP神经网络的质心数据处理方法

为减小传感器的随机误差对三点支撑小型农业机质心测试系统质心高度数据的影响,同时提高质心高度的测试效率和安全性,对该类测试系统在有限次、小角度条件下测试获得质心高度的数据处理方法进行了研究。提出灰色GM(1,1)模型与BP神经网络相结合的灰色BP神经网络模型的构建方法,采用该方法构建的预测模型,对质心高度测试获得的数据进行处理可以获得较高精度的质心高度数据,并搭建了小型试验台对预测模型进行验证。结果表明,采用该方法构建的质心高度预测模型得到的质心高度数据相对误差为0.759%。     

基于IA-PSO-BP模型的电主轴热误差预测方法

针对电主轴在运作时因为温升而产生热误差的问题,提出一种基于免疫粒子群优化BP神经网络（IA-PSO-BP）的电主轴热误差预测模型。通过测量电主轴在工作过程中的温升以及热位移,获取建立预测模型所需的数据,使用IA-PSO-BP模型在MATLAB中建立热误差预测模型,并与未经过优化的BP神经网络所建立的模型进行测试对比。结果显示,经过优化的BP神经网络对热误差的补偿能力高达98.4%,和当前工程常用的BP神经网络相比,平均预测误差下降了62.6%,预测误差的均方差下降了66.4%,可见其预测精度得到了显著提升。     

数控慢走丝线切割机床热变形补偿方法的研究

由实验测得专家经验测点的温度与热形变误差量,通过模糊聚类的分析方法找出影响误差精度的主要温度测点,分别利用多元线性回归的分析方法和遗传算法优化BP神经网络法建立热变形误差的数学模型,将两种方式进行对比分析哪种方式更优.     

Research on image reconstruction algorithms based on autoencoder neural network of Restricted Boltzmann Machine (RBM)

Aiming at the problem of low quality in image reconstruction of traditional image reconstruction algorithm of electromagnetic tomography(EMT), an EMT image reconstruction algorithm based on autoencoder neural network of Restricted Boltzmann Machine (RBM) is proposed. Firstly, the basic principles of EMT system and autoencoder neural network are analyzed. Autoencoder neural network is a deep learning model, which contains two parts: encoder and decoder. The encoding process of the encoder is equivalent to the object field detection process in the EMT system; the decoding process of the decoder is equivalent to the image reconstruction process. On this basis, an autoencoder neural network model is built. In this model, the RBM is used for layer by layer pre-training to obtain the initial weight and offset, and the global weight and offset are adjusted by BP algorithm. The parameter file generated in the trained autoencoder neural network is used to construct a decoder. Finally, the detected voltage value output by the EMT system is input into the decoder network to obtain the reconstructed image of the EMT. Furthermore, data with Gaussian noise and data regarding flow pattern not in training dataset are used to test the generalization ability and practicability of the network, respectively. The experimental results show that the method in this paper is a kind of EMT image reconstruction method with higher accuracy, which also provides a new means for EMT image reconstruction.     

BP神经网络在多位置捷联寻北系统中的应用

为了精确拟合多位置捷联寻北系统采集的数据的曲线,计算陀螺初始位置和真北方向的夹角,简要介绍了多位置捷联寻北系统的工作原理,推导了寻北测量的数学模型,并分析了影响测量精度的因素,分别采用了最小二乘法和BP神经网络法,对两种方法的拟合精度和最终计算得到的寻北结果进行了比较。实验结果表明：与最小二乘法相比,BP神经网络拟合精度较高,拟合残差和较小,达到0.06位,残差的均方差达到34.45位,在计算相位角时,多次寻北结果的均值基本一致,但均方差明显由于最小二乘法,达到8″。满足寻北系统对数据拟合精度的要求。