基于卷积神经网络的白酒上甑探汽方法

针对白酒“探汽上甑”工艺在实现自动化过程中出现的探汽准确率低的问题,提出一种基于卷积神经网络的探汽方法。通过红外热成像仪采集甑锅内酒醅表面的红外图像并做预处理,再结合上甑工艺特点将图像分类,利用卷积神经网络训练得到探汽模型。训练结果表明,AlexNet、VGGNet-16、GoogLeNet、ResNet-18、DenseNet-37的探汽准确率分别为0.997 0、0.998 0、0.994 2、0.989 8、0.997 0,综合考虑选用DenseNet-37做模型评估,测试集测试的精确率为0.997 0,召回率为0.997 0,F1分数为0.996 9,表示该模型性能表现好,故能满足探汽上甑要求。     

基于支持向量机的白酒上甑探汽方法研究

针对白酒"探汽上甑"工艺在实现自动化过程中出现的探汽准确率低的问题,提出了一种基于支持向量机的探汽方法。使用红外热成像仪采集甑桶内酒醅表面的红外灰度图像并进行直方图处理,再提取多个特征,结合工程经验添加标签构成训练集,通过支持向量机训练得到上甑过程中的探汽模型。通过测试,该方法的探汽准确率高达96%,能满足白酒生产工艺要求。     

基于BP神经网络的维修性评估方法

装备维修性评估目的是评估装备的维修性水平是否达标,为装备设计定型及其维修性设计改进提供重要依据。维修性评估除了有量化指标要求外,还有很多是一些非量化和无法量化的要求和指标。针对以上情况,建立了维修性定性评估指标体系,提出了运用BP神经网络(Back-Propagation Network,即反向传播网络)进行维修性评价的模型,并给出了评价结果。研究表明,BP神经网络用于维修性评估具有一定的实际意义。     

基于BP神经网络的纸病分类器设计

不同造纸生产线产生的纸病往往会有不同的特点,即使同一生产线在不同工艺参数,或在工艺参数相同而生产条件不同情况下产生的纸病也有区别,因此纸病往往具有多样性、复杂性的特点.为此,利用BP神经网络建立了纸病分类器,取得了较好的识别效果,识别率达91%.     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

棉纺成纱质量预报的BP神经网络方法

简要介绍了BP神经网络，利用该方法建立成纱质量预报模型，并提出了预报模型的实现方法。     

基于BP神经网络的白酒评判模型的MATLAB实现

根据粗集理论和神经网络的结合,对浓香型白酒的成分做了定量的研究.由于BP神经网络在解决实际问题时,其模型结构的确定、每层神经元个数的选择无现成的规律可遵循,必须由实验数据来确定.为此通过对浓香型白酒的实验数据分析,确定所需要的元素,然后对其建模.经过多次的实验仿真,训练了1个BP网络,并对该网络进行误差分析,并使结果一目了然.     

基于BP神经网络的葡萄气体射流冲击干燥含水率预测

为实现葡萄气体射流冲击干燥过程中含水率的预测,本文探究了不同烫漂前处理时间(30、60、90和120 s)和干燥温度(55、60、65和70℃)对葡萄干燥时间和干燥速率的影响,建立了输入层为烫漂时间、干燥温度和干燥时间,隐藏层节点数为7,输出层为葡萄含水率,结构为"3-7-1"的BP神经网络模型。结果表明:烫漂预处理时间和干燥温度均对葡萄干燥速率有影响,增加烫漂时间和提高干燥温度能够有效的缩短葡萄干燥时间,提高干燥效率。采用Levenberg-Marquardt(LM)算法为训练函数,选择tansig-purelin为网络传递函数,经过有限次训练得到的BP神经网络模型,其预测值与实测值之间的决定系数R~2为0.9915,均方根误差RMSE为0.03376,预测快速且准确,为葡萄在干燥过程中的含水率在线预测提供理论依据和技术支持。     

基于BP神经网络的谐波检测方法的研究

针对电力系统谐波的特点,提出了一种基于BP神经网络的谐波检测方法,阐述了该神经网络的结构、学习算法及训练方法,并进行了仿真和实验验证。仿真和实验结果均表明,该方法能够实时而准确地检测出三相电路中的谐波分量,具有延时小、精度高的优点。     

织物柔软度等级评价的BP网络方法

文章基于织物柔软度等级评价体系,建立一个织物力学指标与柔软度关系的BP神经网络模型,对织物柔软度进行评价。借助KES-F风格仪测得的12组数据对BP神经网络进行训练,训练好的模型对织物进行检验。结果表明：网络迅速完成训练,误差平方和低于10^-3;对检验用的织物进行等级评价,其输出等级与综合评价等级保持一致。此方法客观、准确、简捷。     

BP神经网络分类器在储粮害虫图像检索中的应用研究

针对储粮害虫图像检索特点,将BP神经网络分类器技术应用于储粮害虫图像检测和识别,成为近年来的一个研究热点.对采集到的包含储粮害虫的图像使用基于BP神经网络分类器的图像的储粮害虫图像检索方法,可以在线将储粮害虫从图像背景中分离出来,很好地保留了储粮害虫各个部分的纹理特征,并将信息分类存储以备查询.试验和仿真结果证明该算法不仅在线计算量小、便于实时控制,而且能够快速、高效地检测到储粮害虫的有效特征,同时进行分类检索.     

BP 神经网络在大豆油酸价近红外光谱检测中的应用

对于大豆四级油,采用BP 神经网络对其近红外光谱数据建模,对系统的结构及参数选取进行了分析,对样本训练集的设计和网络输入端的主因子方面进行了处理。对于其他的多变量建模方法,分析了其对近红外光谱有用信息的提取作用。结果显示：多元线性回归、主成分回归和偏最小二乘法对大豆四级油酸价预测的标准偏差分别为0.1472%、0.1801% 和0.1576%,BP 神经网络的预测标准偏差为0.1387%。     

基于颜色特征和BP神经网络的大米加工精度判别方法研究

提出了基于颜色特征和BP神经网络判别大米加工精度的方法。设计了基于机器视觉的大米加工精度检测装置采集大米图像,利用图像处理技术对获取的大米图像进行预处理,提取大米籽粒目标图像;在大米籽粒腹部确定半径为R的圆形区域作为颜色特征值提取区域,将颜色特征值提取区域按面积平均分成5个同心圆子区域,提取每个子区域的R、G、B颜色值,并将颜色值转成色调H值作为描述大米籽粒表面加工精度的颜色特征值,以5个颜色特征值作为输入值,采用BP神经网络对大米的加工精度进行检测。试验结果表明:该方法对4种不同加工精度大米样品籽粒检测的平均准确率为92.17%。     

基于BP神经网络的办公椅触觉舒适性评价

为分析办公椅触觉舒适性的影响因素,采用办公椅温觉特性和体压分布实验,提取相应评价指标及其参数,最终构造BP神经网络模型。通过BP仿真测试,网络训练成功,验证了各个样本的预测值与真实值十分相近,表明BP网络经有效训练后可应用于办公椅触觉舒适性评价。     

基于神经网络的图像标注模型研究

对图像进行准确标注是提高图像检索率的有效手段,针对目前图像标注的相关研究存在的问题,本研究提出了一种基于神经网络的图像标注模型,此模型由一个自适应分类网络和一个非线性相关网络组成。模型进行图像标注分为两个阶段:第一阶段,从输入图像分割出的不同区域提取特征信息传送到自适应分类网络,以产生分类标签;第二阶段,非线性相关网络以通过训练图像学习的关键词的相关性为依据来细化分类结果。为验证模型标注的准确性,选取LabelMe和Caltech-101图像数据库中的图像进行相关实验,结果表明本研究提出的模型提高了图像标注的准确率。     

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题.以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好.     

BP神经网络在液浆浓度检测中的应用

针对液浆浓度检测系统中,浓度与折射率、温度之间的非线性关系问题,以实验数据为基础,采用了多元线性回归建模和BP神经网络建模2种方法,分别建立了检测系统的数学模型。利用MATLAB进行仿真,研究了采用不同的数据处理算法的差异,通过误差对比分析,得出了应采用BP神经网络技术建立智能化液浆浓度测量模型,提高测量精度,克服温度变化的非线性影响的结论。