基于神经网络的自动化生产监控系统

为了使自动化生产系统始终处于高效的工作状态,在工作过程中就必须对其进行实时监控,以及时地发现系统中的故障情况和异常现象并进行诊断和处理。基于多层感知器和线性联想记忆的神经网路提出了一种新的自动化生产系统的故障发现及诊断的理论方法。运用这种理论方法,我们可以很方便地对自动化生产系统中的多特征复杂故障、多故障及多过程故障模式进行监测和诊断。同时,这种方法解决了以往所用方法算法复杂和难于实现的困难,且对于多过程的自动化生产系统,这种方法不存在优先权的选择问题,克服了以往所采用的方法不能同时监控多个过程的局限性,增强了系统监控的实时性。经仿真研究表明:这种方法较为理想和实用。     

故障诊断知识获取的一种神经网络理论方法

基于神经网络的竞争学习机制,提出了一种新的基于神经网络专家系统的自动化生产过程监控的知识获取理论方法.这种理论方法在故障诊断的知识获取上是通过竞争学习机制来实现的,与以往人们一般较常采用的BP学习算法相比,具有算法简单、易于实现及无需教师进行监督等特点.利用此方法,经在一个铣削加工过程监控系统上进行仿真研究表明:这种理论方法是非常有效的.     

线性模式分类器的进一步研究

本文在最小均方误差的准则下,推导出了模式分类中样本特征向量的均值、方差及协方差与超平面之关系方程式。利用此方程式,不仅可立即将分类中的超平面求出;而且对于样本的特征向量以一定规律变化的情况,也能较快地确定其超平面。对于其他准则,这种方法是较实用的。     

Hu不变矩在图像识别中的应用与实现

Hu不变矩是图像的一种统计特征,因其具有平移、旋转与比例不变性而被广泛应用于图像识别领域。该文以MATLAB作为技术实现平台,以Hu不变矩作为判断依据,配合数字形态学、欧氏判据等数学方法,通过基于MATLAB的算法进行程序设计,实现区域图像特征数据获取,并与库内图像特征数据进行对比,选出与最接近的一组数据,实现图像识别的目的。计算机模拟结果表明该方法的有效性和可行性。