基于小波神经网络的掌纹识别

提出了一种基于小波神经网络的掌纹识别方法。首先对掌纹图像经过预处理得到掌纹的感兴趣区域(ROI),然后利用小波包分解的方法对该区域进行掌纹特征的提取,再利用RBF网络的容错能力和较快的收敛性对掌纹图像加以识别。针对香港理工大学掌纹数据库进行了实验,实验结果证明,本算法可以达到很好的识别效果,为掌握识别提供了一种新途径。     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号.通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量.应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射.现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障.     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于小波包-Elman神经网络的电机轴承故障诊断

根据电机滚动轴承振动信号的频域变化特征,通过小波包分析将轴承振动信号分解在不同的频带之内,以频带能量作为识别故障的特征向量,应用容错性强、动态性能良好的Elman神经网络建立从特征向量到故障模式之间的映射,实现电机轴承故障分类。仿真结果表明,采用小波包和Elman神经网络相结合的方法能更加有效地实现电机轴承的故障诊断。     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

基于小波包分解的数字图像水印

利用Shannon熵准则选取最优小波包基,分别对原始图像和水印图像进行小波包分解,把水印数据嵌入选定的原始图像小波包基中.实验结果表明,该算法水印信息嵌入量大,不可感知性好,对JPEG压缩有较好的鲁棒性.     

基于小波包散布熵与Meanshift概率 密度估计的轴承故障识别方法研究

为提升轴承故障特征提取精度和运行状态评估准确性,提出一种基于小波包散布熵与Meanshift概率密度估计的诊断方法.首先,采用小波包变换对轴承振动信号数据进行升维,通过计算每个子带的散布熵构建特征矩阵;然后,利用PCA对多维矩阵进行可视化降维,采用Meanshift无参估计得到训练样本的概率密度最大位置作为聚类中心;最后,通过计算测试样本散布熵坐标与各聚类中心的欧式距离判定测试样本类别归属.采用CWRU和QPZZ-II轴承实验台不同故障类型和故障程度样本数据对所提方法进行验证,结果表明,得益于小波包完备的理论模型和信号频带分解稀疏性,结合散布熵指标对数据样本良好的鲁棒性,所构造的特征矩阵具有较好的类内聚集性和较大的类间距离,同时,Meanshift以概率密度最大化为目标自适应迭代聚类中心和隶属度,可以有效实现对不同数据样本的分类识别.     

基于QPSO小波神经网络的网络异常检测

为了提高网络异常检测中,对异常状态的检测率,降低对正常状态的误判率,提出一种基于量子粒子群优化算法训练小波神经网络进行网络异常检测的新方法.利用量子粒子群优化算法(QPSO)训练小波神经网络,将小波神经网络(WNN)中的参数组合作为优化算法中的一个粒子,在全局空间中搜索具有最优适应值的参数向量.实验数据采用KDD CUP99数据集,实验结果表明:该学习算法与传统的梯度下降法(GD)和粒子群算法(PSO)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率.     

基于WPD和模糊神经网络的轴承故障诊断

提出一种结合小波包分解和模糊神经网络的故障诊断方法,采用小波包分解与重构提取各频带的能量作为故障特征向量,并以此为学习样本,再利用正交最小二乘学习算法训练模糊神经网络,确定故障诊断系统模型,对轴承故障进行诊断和识别.仿真结果及与其它一些方法比较表明:该轴承故障诊断方法可以有效识别和预测轴承的状态,且学习效率、准确性和可靠性等方面均有较大提高.     

基于小波神经网络的抽油杆缺陷识别

为了正确识别深井泵抽油系统中抽油杆杆体的缺陷以减少油杆井下断裂等事故的发生,讨论了应用小波变换和神经网络技术进行缺陷识别的方法.使用小波与神经网络松散型结合的方法,基于小波包原理,将抽油杆的时域检测信号分解到独立的频带内,应用自适应学习速率梯度下降动量法的BP网络,将提取的频带能量作为神经网络输入,抽油杆的裂纹、腐蚀坑、偏磨、损伤及无缺陷作为神经网络待识别输出.经过实验室大量的实验数据训练和验证,结果表明,此种方法既可以正确识别抽油杆的单一缺陷,也可以识别混合缺陷.     

基于小波神经网络的滚动轴承故障诊断

研究了基于BP神经网络、基于径向基神经网络等的故障诊断方法和原理,并利用小波包分解获得了滚动轴承振动信号的特征向量,进行了详细的故障诊断实验研究,通过实验,比较了基于松散型小波神经网络与紧致型小波神经网络的诊断结果。仿真结果表明,紧致型小波神经网络用于滚动轴承的故障诊断更为有效。     

一种新的基于动态SOFM的神经网络聚类模型

提出一种动态增删自组织映射(DGDSOM)神经网络,给出该模型的聚类算法描述及实现过程。定义了聚类节点信任度,并根据竞争结果、信任度、中心相似度,制定节点的增删策略,通过动态评价并变动节点,提升聚类效果。实际的聚类分析应用结果表明,该算法可以得到准确的聚类结果。     

基于粗糙神经网络的故障诊断技术研究

针对故障诊断中设备监控数据越来越多的特点,提出用于故障诊断的粗糙神经网络模型。此模型的创新点是基于SOFM网络和差别矩阵的离散化算法,此算法不但指导属性划分类数,而且保证了得到最优属性约简,同时,充分利用了粗糙集和神经网络的故障诊断能力来保证诊断结果的准确性和彻底性。实践证明:此模型在工程上有着很好的适用性和可信性,能够为解决现代工业工程中的故障诊断提供有效的参考。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

基于SOFM神经网络的客运一体化枢纽分类

分析了在大城市进行交通一体化枢纽建设的必要性,建立了反映客运交通枢纽一体化特性的指标体系,提出采用自组织特征映射(Self-Organizing Feature Map,SOFM)神经网络进行城市交通客运一体化枢纽分类的新方法.最后采用广州交通客运一体化枢纽为例,通过定量定性结合的方法,对客运一体化枢纽进行了分类.     

基于小波神经网络的混沌模式提取

分析了小波基函数对于确定模式、混沌模式及随机模式所表现出来的不同的收敛特性,提出构造一个小波神经网络及相应学习算法。利用小波网络在学习过程中神经元的不同增长趋势来反映上述收敛性的差异,从而将3种不同的模式予以区分,并将混沌模式从中提取出来。     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．