基于BP神经网络的江西省铁路货物周转量预测

采用灰色关联分析法筛选出江西省铁路货物周转量的主要影响因素,在此基础上建立了BP神经网络预测模型,并采用多元线性回归模型、二次指数平滑法、灰色GM(1,1)模型分别对江西省铁路货物周转量进行预测,再对结果进行比较和误差分析。研究表明,BP神经网络模型预测精度明显高于其它三个模型,平均误差为0.76%,可用于实际预测。     

高分辨率气象格点融合产品在河南省的适用性分析

以河南省国家气象站和区域站观测数据为标准，对2020年12月—2021年11月河南高分辨率气象要素逐时距地面2 m温度、24 h累积降水二源及多源格点融合产品，进行误差、均方根误差、相关系数的时间分布和空间分布等检验，同时也对二源和多源融合降水产品在极端暴雨中的适用性进行了评估.结果显示：(1)2 m温度格点融合产品比站点观测温度整体偏暖，平均误差-0.015～0.005℃，整体偏差较小，数据比较准确.(2)二源和多源融合降水产品逐日平均误差-2.5～0.5 mm，大部分时次0.5 mm左右，降水量级较小时误差较小，但特大暴雨量级（250 mm以上）降水时，两种格点融合降水产品对降水有一定的低估，偏差可达50 mm以上.相对而言，多源格点融合降水的准确性优于二源格点融合降水.     

基于BP算法的片上学习CNN硬件加速器

为了适应便携式应用场合卷积神经网络(convolutional neural network, CNN)硬件加速器片上学习功能的需要,文章设计了一种多核并行运算的CNN硬件加速器,利用运算器内嵌缓存结构与运算过程分割和数据复用,减少运算器和存储器之间的数据交互,提高CNN运算的并行度,提升训练和推理过程的效率。该架构包含1组二维运算阵列和激活函数运算模块,以及相应的数据分配器和指令存储器;以1个16单元的CNN加速器设计为例,验证了所设计CNN加速器架构运行多种CNN模型时的性能和运算准确性。实验结果表明,文中提出的加速器架构与Intel9400F CPU相比,最大误差为8.043 7×10~(-6),识别精度下降0.63%,运行速度提高7.67倍。     

铀尾矿库放射性污染无线传感器网络监测改进型加权质心定位算法

针对传统铀尾矿库放射性污染监测定位线路布设成本高、不易扩展等问题,结合带状铀尾矿库坝体环境特点,提出一种改进型加权质心算法(ACA).通过改进权值选择机制,克服了远距离定位误差偏大的缺点,提高了监测定位精度.仿真研究表明:相比极大似然估计法(MLE)加权质心(CA)两种算法,ACA算法平均定位误差分别降低了40.0%和19.5%,最大定位误差分别减少了约1/4和1/6,定位的可靠性和稳定性较高,可满足铀尾矿库放射性污染监测定位要求.     

采用天鹰优化卷积神经网络的精密数控机床主轴热误差建模

针对数控机床因主轴热误差而严重影响加工精度等问题，结合求解最优解能力强的天鹰优化算法(AO)以及自学习和自适应能力强的卷积神经网络(CNN),提出一种采用AO-CNN的数控机床主轴热误差模型。根据磨齿加工过程特点，总结磨齿机主轴系统热变形规律，确定了X方向热误差为影响齿轮加工的主要因素；利用模糊C均值聚类(FCM)和相关系数法筛选出关键温度点；利用AO算法优化CNN结构的卷积核，并且建立AO-CNN的数控机床主轴X方向热误差预测模型。在2种不同转速的工况下对所建立模型的性能进行了验证，结果表明，采用AO-CNN进行热误差建模，数控机床X方向的热变形预测精度相比于CNN模型提高了15%,具有更加优越的预测精度。     

基于小波包与CNN的滚动轴承故障诊断

滚动轴承的振动信号具有较强的非平稳性,小波包(Wavelet Packet,WP)时频分析方法能有效提取非平稳信号的时频特征,具有精细的时频分辨率。而卷积神经网络(Convolutional Neural Network,CNN)强大的特征学习能力使其具有优于浅层网络的故障识别率。为了更准确地诊断出滚动轴承的运行状态,提出一种基于小波包与CNN相结合的滚动轴承故障诊断方法:对采集的轴承振动信号进行小波包时频分析,得到各类信号的时频特征图,采用fine-tuning技术在CNN模型caffe Net上进行微调,解决少量样本训练CNN模型的问题,最终得到了可用于滚动轴承故障诊断的CNN模型。采用小波包与CNN相结合进行故障诊断,故障识别率达到了99.1%,高于连续小波变换(CWT)和短时傅里叶变换(STFT)与CNN相结合的故障识别率。而采用主成分分析(PCA)与支持向量机(SVM)相结合的故障识别率最低,且对复合故障的识别效果明显不足。     

利用有限样点重建原木外形的研究

讨论了利用有限样点数据重建原木外形的方法，给出了三次样条函数及抛物线方程的参数向量表达式，并分析了用这两条曲线分别拟合原木长向曲线及断面形态曲线的拟合误差。结果表明，采用抛物线调酸曲线拟合原木断在曲线在采样点为１２时是比较合适的，拟合的最大误差为３．６４％，平均误差为０．９３％；采用样条参数曲线拟合长向曲线在采样点为５１６点时误差水平较低，最大误差不超过５％，平均误差不超过１％。     

一种检测轴类零件扁头对称度的方法

针对现场轧辊等大型轴类零件的扁头对称度进行测量实际困难,比较了组合测量法和百分表配合百分表座测量法,提出一种基于数显高度尺测量的新的对称度检测方法。利用数显高度尺测量两侧弦高,记录最大示数,得到对称度数值,与数控机床测量数据检验对比,单侧的最大误差为0.018 mm,对称度的最大误差为0.011 mm,对称度的平均误差为0.003 mm,仅为允许误差的3%,满足对称度测量要求。     

一种检测轴类零件扁头对称度的方法

针对现场轧辊等大型轴类零件的扁头对称度进行测量实际困难,比较了组合测量法和百分表配合百分表座测量法,提出一种基于数显高度尺测量的新的对称度检测方法。利用数显高度尺测量两侧弦高,记录最大示数,得到对称度数值,与数控机床测量数据检验对比,单侧的最大误差为0.018 mm,对称度的最大误差为0.011 mm,对称度的平均误差为0.003 mm,仅为允许误差的3%,满足对称度测量要求。     

氨水溶液密度计算与实验分析

对文献中常用的4种方程,P-R方程、Rackett方程、Campbell改进的Rackett方程和YenWoods关系式,利用Matlab 7.0软件分别计算了氨和水纯组分的饱和液体密度.计算结果表明,Campbell改进的Rackett方程计算精度最高,对于氨其平均误差为0.38%,最大误差为0.41%;对于水其平均误差为0.58%,最大误差为1.01%.Yen-Woods关系式计算精度比较高,对于氨其平均误差为0.73%,最大误差为1.32%;对于水其平均误差为1.38%,最大误差为3.59%.根据溶液的混合性质和超额性质,提出计算氨水混合溶液密度的公式.同时介绍了氨水溶液密度的实验测量原理及仪器,该方法可以验证密度公式的计算精度.     

一种自适应的EDTLBP人脸识别方法

局部二值模式(local binary pattern,LBP)算子只采用0阈值编码,忽略像素对比度信息,造成了特征提取单一﹑抗干扰能力差的缺点。主要从两方面对以上问题加以改善:为获取光照变化环境下最具有鉴别能力的多元特征空间,采用交叉验证算子筛选出两组最优动态阈值,分别进行LBP编码;为有效融合提取的多尺度特征,引入信息熵估算各阈值编码后的LBP特征权重,作为不同阈值特征融合时的贡献率。所提方法 EDTLBP(entropy dynamic threshold local binary pattern)在各组对比实验中均取得了最优结果,其中,在不可控光照环境下的户外人脸库上更取得了100%的理想识别率。实验结果表明,EDTLBP方法在光照变化环境下具有极强的自适应性。     

六自由度工业机器人运动学标定方法

以SR165型六自由度工业机器人为研究对象,建立了D-H模型和MD-H模型相结合的机器人运动学模型,在运动学方程的基础上运用全微分推导机器人误差方程.运用最小二乘法和Levenberg-Marquardt法分别进行运动学标定仿真,得到Levenberg-Marquardt法的辨识效果更好.利用激光跟踪仪设计了运动学标定实验,标定后机器人末端最大误差和平均误差分别减小86.79%和92.67%.     

基于卷积神经网络的低分辨雷达目标一步识别技术

现有低分辨雷达目标识别通常采用先特征提取、再进行目标分类的两步识别算法,存在识别率难以提高和方法泛化性不足的问题,因此提出了一种基于卷积神经网络(CNN)的低分辨雷达目标一步识别算法。该算法直接将采样数据作为输入,利用设计的一维CNN,通过卷积池化等操作自动获取数据深层本质特征,无需特征提取,实现对目标的一步识别。仿真实验结果表明:基于CNN的低分辨雷达目标一步识别方法的识别率较传统基于提取特征的两步识别方法提高了10.31%,识别时间较传统两步识别方法减少了0.142 s,充分证明了一步识别方法的有效性,为低分辨雷达目标识别问题提供了新的解决途径。     

强迫选择实验中的心理测量函数研究

为了评价观察者在视觉检测实验中的感知能力,提出一种含约束条件的最大似然拟合方法.该方法通过强迫选择实验获得不同视觉刺激强度下的主观识别率,通过离差分析筛选出有效的实验数据,然后采用最大似然准则拟合出识别率与刺激强度的函数关系.实验建立了2选项和4选项强迫选择实验的心理测量函数,其中刺激信号的面积覆盖100~400 mm2.实验结果表明:拟合的均方误差在0.05附近,决定系数近似为0.9;两位观察者的心理测量函数的最大误差是0.046 6;相比非线性最小二乘拟合,最大似然拟合具有更高的拟合准确率.     

基于Halcon的蒸汽发生器堵板操作机器人视觉定位算法

蒸汽发生器的工作环境复杂、危险,施工人员在完成堵板螺栓紧固时存在一定的风险。介绍了一种基于图像识别的螺栓紧固方法。机器人自主作业平台主要包括机器人系统和图像采集系统两个部分,采用图像处理软件Halcon,实现基于灰度值的图像阈值分割,利用圆形曲线算法得到圆后,最终得到圆的几何中心。此外,还显示了采用扭矩和时间控制方法的紧固螺栓方法。最后通过螺栓实验和精度验证了图像识别和螺栓紧固的过程。结果表明针对堵板机器人螺栓定位问题采用的基于阈值分割的定位算法识别率为100%,定位最大误差为1.10mm,最小误差为0.92mm,满足堵板机器人螺栓自主定位的精度要求。     

一种10 kV配电网的相间短路故障定位方法

针对当配电网线路相间短路故障点前存在分支负荷时,阻抗法难以准确定位的问题,提出二次定位算法以减小相间短路故障定位的误差。首先,对阻抗法原理进行分析,对故障类型进行判别。然后,通过一次定位算法对故障点进行定位,当故障点前存在分支负荷时,结合线路拓扑结构对一次定位结果进行修正。最后,通过算例分析,对二次定位算法的可行性及准确性进行了检验。研究结果表明:故障距离在20 km内时,二次定位算法的定位误差小于1 km,误差率小于10%,定位精度高,具有良好的工程实用性。     

基于冗余距离筛选的UWB定位优化方法

超宽带(ultra wide band, UWB)定位技术根据距离参量建立标签定位的数学模型。由于测距误差的存在，标签定位的精确求解问题转换为非线性方程组的优化问题。在某项距离误差较大时，现有的优化方法可能会失效。该文提出基于冗余距离筛选的优化方法，以多个定位标签的间距为约束条件，对冗余距离设置权值进行筛选，使用梯度下降法优化Caffery方法计算的坐标初值。该方法在仿真实验中定位误差仅为Caffery-Taylor (CT)方法的70%,在真实数据实验中优化效果明显好于CT方法。     

局部特征映射与融合网络的人脸识别优化算法

针对传统特征提取算法的局限性,提出基于深度神经网络DeepLab v2的人脸识别改进算法。首先,对图像中人脸进行定位,采用DeepLab v2改进网络提取人脸的面部特征,通过加入压缩激励(SE)模块细化多角度纹理特征。其次,采用局部二值模式(LBP)特征映射对目标图像进行补充特征提取,细化纹理结构并减少光照噪声的干扰,提升识别的鲁棒性。最后,进行特征信息融合,采用分类模块对融合特征识别并分类处理。结果表明：对比经典目标检测算法YOLOv1和传统DeepLab算法,改进算法识别出多角度的人脸局部特征,且在正常光照下改进算法的识别精确度分别提高了3.1%和5.9%,在强光照下改进算法的识别精确度分别提高了9.5%和13.6%。     

室内区域性WiFi定位EKNN算法设计

WiFi由于应用广泛而被作为室内定位的热门技术之一,而定位精度与速度向来是研究的焦点.文中针对室内感兴趣区域(ROI)的定位问题,提出了一种证据理论K近邻(EKNN)算法.首先以接收信号强度指示作为指纹,在各区域分别建立无线指纹数据库作为识别的类;然后利用证据理论在各类别内进行近邻证据组合、类别间进行证据融合;最后确定目标所在ROI类,并在类中进行精定位.与其他算法相比,文中设计的EKNN算法的最佳区域类识别率可以达到97%,最大定位误差约为2.2 m,定位效率也有较大提高.     

基于CNN-GRU的冷水机组传感器偏差故障诊断方法

针对冷水机组传感器偏差故障识别率低的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控递归单元(Gated Recurrent Unit,GRU)融合网络模型(CNN-GRU)的冷水机组传感器偏差故障诊断方法.该方法利用GRU记忆冷水机组因每个传感器动态响应特性不同造成的其每个传感器不同的时间相关性,克服了CNN在冷水机组传感器偏差故障诊断中仅能提取时间序列实时特征的缺点.首先采用CNN自动提取传感器时间序列的实时特征,然后利用具有长短期记忆能力的GRU实现对冷水机组传感器不同时间相关性的记忆,从而充分利用时间序列中的特征信息对数据进行表征建模,进而有效提升了冷水机组传感器偏差故障识别率.将该方法与CNN、主成分分析和自动编码器方法进行比较,实验结果表明:温度类和压力类传感器的偏差故障识别率分别在85％以上和90％以上;验证样本得到了83％以上的偏差故障识别率,验证了该方法的泛化能力良好;该方法对于同一传感器、故障大小互为相反数的偏差故障的故障识别率均具有良好的对称性;该方法的偏差故障识别率高于其他方法,尤其对于很小的偏差故障的识别率具有更明显的优势.