基于Copula EDA优化BP神经网络的表面粗糙度预测

为了提高预测机械加工表面粗糙度的精度,提出了基于Copula分布估计算法(estimation of distribution algorithm,EDA)优化BP神经网络的方法.以铣削45#钢为试验对象,采用控制变量法进行切削试验.在线测量主切削力、轴向力、径向力和振幅,并进行数据处理,得到相应切削力的平均值、标准差、均方根值及振幅,同时离线测量二维粗糙度R_a、三维粗糙度平均值S_a和均方根值S_q.对切削分力的平均值、标准差、均方根值及振幅与粗糙度做相关性分析,选择Kendall秩相关系数最大的主切削力平均值作为输入变量,输入BP神经网络和基于Copula EDA优化BP神经网络,进行训练和预测.试验结果表明:基于Copula EDA优化BP神经网络的预测精度总体高于BP神经网络的预测精度,对R_a,S_a和S_q的平均预测精度分别达到91.98%,91.03%和89.10%.     

基于Zernike矩和BP神经网络的纹理分割

提出了一种基于Zernike矩和BP神经网络的纹理分割方法.对图像的每个像素,选择一个窗口,计算该窗口内的Zernkie矩,然后通过非线性变换器将得到的矩值转换成纹理特征;选择BP神经网络作为分类器,将图像的每个像素得到的n维特征向量输入BP神经网络进行分类,最后将结果标注在原图像上.和基于Legendre矩的纹理分割结果相比,基于Zernike矩的纹理分割可以降低分割错误率.     

基于灰度共生矩阵和BP神经网络集成的纹理图像分类

通过对灰度共生矩阵的分析,提取图像的纹理特征参数,并用BP神经网络集成的方法对Brodatz纹理库图像进行分类,仿真结果显示,其分类效果优于单一的BP神经网络,可有效提高分类识别率。     

基于BP神经网络的汽油机尾气排放预测

为了准确预测汽油机尾气污染物的排放量,基于BP神经网络模型进行了排放预测.针对汽油机尾气排放预测非线性、特征参数多、样本数据量大等特点,以特征参数的数据流信息作为输入,以车辆排放水平为输出;以BP神经网络为基础,分别建立了汽油机CO,HC,NO_x排放预测模型;并完成了正常状态、燃油压力异常、进气压力传感器异常3种模式下的实车验证,将汽车排气分析仪的检测结果与预测结果相比较.结果表明:该预测系统能够对3种气体进行预测,具有较高的预测精度,收敛速度较快,可以达到预期结果,且具有较好的可靠性.     

基于DSP的磨削表面粗糙度在线检测系统开发

为了解决磨削工件在线粗糙度等级识别速度慢和准确性不高的问题,开发了基于DSP的工件表面粗糙度在线检测系统.该系统基于光散射原理,通过工业相机采集光散射图像,运用DSP芯片对采集到的图像进行图像预处理以及特征参数的提取;最后利用建立的多分类支持向量机模型,对不同表面粗糙度等级的图像进行分类.实验结果表明,在该硬件平台上整个识别过程耗时约0.5s,识别率可达96%以上,说明该系统可有效识别工件表面粗糙度等级,有效实现工件表面粗糙度的在线检测.     

精密车削中心热误差鲁棒建模与实时补偿

为了减小数控机床的热误差.提高数控机床的加工精度,使用BP神经网络和遗传算法相结合的方法建立了热误差模型,并基于所建模型开发了数控机床热误差实时补偿系统.基于对数控机床热动态过程的分析,利用4个关键温度点,建立BP神经网络热误差模型.用遗传算法优化BP神经网络连接权值和阈值,提高了模型的预测精度和收敛时间.试验结果表明:对精密车削中心进行实时补偿后,加工误差从32 μm降低到大约8 μm,明显提高了数控机床的加工精度.     

基于BP神经网络的啤酒瓶口检测方法

运用BP神经网络可以实现啤酒瓶口的破损检测.首先获取啤酒瓶口图像,并进行图像处理.然后计算啤酒瓶口的周长、面积、圆形度和相对圆心距离4种特征参数,由这4种特征参数构成特征向量组.其次建立结构为4-7-1的BP神经网络模型,将特征向量组作为神经网络的输入.最后对啤酒瓶口破损情况进行训练,根据训练结果获得权值和阈值矩阵,通过逻辑转换关系获得啤酒瓶口的破损情况.经实验验证该方法具有很好的准确度和检测效率.     

高速走丝电火花线切割加工工艺建模方法研究

为了实现对高速走丝电火花线切割加工工艺效果的预测,以脉冲宽度、脉冲间隔、峰值电流及工件厚度为输入参数,以切割速度和表面粗糙度为输出参数,分别用非线性回归分析法和BP神经网络技术建立了工艺模型,并对两种模型的预测结果进行了比较。结果表明,两种模型均能反映线切割机床的加工工艺特性,可用于对给定切割条件下切割速度和表面粗糙度的预测,但神经网络模型具有更高的预测精度。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

基于RBF神经网络的射频功放器件大信号建模方法研究

基于多层前向神经网络对任意非线连续函数有较好的逼近效果,对BP(反向传播算法)神经网络和RBF(径向基函数)神经网络作了理论上的分析比较,并采用实际数据进行训练,说明了RBF神经网络在逼近精度和速度上都要优于BP神经网络.最后,以RBF神经网络作为函数逼近器对射频功率器件建立了大信号特征模型,并进行了模型检验,证明了基于RBF网络的建模方法具有较高的精度.     

基于L-M算法的BP神经网络预测短电弧加工表面质量模型

短电弧铣削加工技术属于特种加工行业中电加工的技术范畴,尤其适用于特硬、超强、高韧性等难加工材料的高效加工。但工件加工表面的技术特性(表面变质层、硬度、残余应力、表面层缺陷等)还有待于深入研究。为获得短电弧铣削加工良好的工艺效果,引入传统BP算法和Levenberg-Marquardt(简称L-M)算法,构建短电弧铣削加工表面质量模型。通过分析表面质量的影响因素,选取放电电压、频率、气压、脉冲时间为模型的输入,表面粗糙度、变质层厚度、工件材料去除率为输出,比较两种模型的预测精度。结果表明,基于L-M算法的BP神经网络对表面粗糙度、变质层厚度、材料去除率的平均预测误差分别为2.9%、9.4%、4.6%,低于传统的BP神经网络。相比传统的BP神经网络,改进的LM-BP神经网络模型提高了预测精度,实际工程中可用于优化工艺参数。     

车削氟金云母陶瓷脆性破碎机理及表面粗糙度模型

基于脆性断裂力学和刀具-工件干涉原理,研究氟金云母陶瓷脆性破碎机理及表面成形机制,预测了脆性材料车削中的裂纹扩展角度与深度;建立氟金云母陶瓷车削表面粗糙度理论模型,用以评价精密车削陶瓷表面质量并提高加工效率.脆性材料车削表面粗糙度由几何干涉粗糙度和脆性崩碎粗糙度构成.刀具几何形状和进给量主要影响几何干涉粗糙度,工件力学性能、切削速度、切削深度和切削力主要影响脆性崩碎粗糙度.验证实验结果表明,氟金云母陶瓷车削表面粗糙度随切削速度的增大而减小,随进给量或切削深度的增大而增大.本模型的理论预测值与实验结果趋势一致,与传统的几何模型相比更接近实验值.     

车削工件2-D表面形貌检测方法研究

主轴回转误差影响车削工件的加工精度,本文通过对主轴回转误差的分析和研究,提出了一种基于回转误差的车削工件2-D表面形貌检测方法,并建立了车削过程数学模型. MATLAB仿真结果表明,主轴径向回转误差会影响工件的车削半径和表面形貌,进而造成工件的同轴度误差、圆度误差,并增大表面粗糙度.为验证所提方法的有效性,搭建了2-D表面形貌检测平台进行数据采集,得到了主轴在切深方向的回转误差和车削工件的平均半径误差.实验结果表明实验与仿真结果在特性上具有一致性,验证了方法的可行性,对机床的性能调试及提高工件的加工质量具有参考价值.     

基于PSO-BP神经网络湿式摩擦元件损伤预测模型

为求解湿式离合器的多影响因素损伤关系,应用多源数据融合方法,构建一种基于PSO-BP神经网络的湿式摩擦元件损伤预测模型. 将转速和接合油压作为模型的输入参数,将提取到的摩擦片周向温度梯度、Fe和Cu元素浓度变化率、摩擦片表面粗糙度变化率作为模型输出参数, 建立了有限元仿真模型,搭建了湿式离合器摩擦磨损综合试验台,采用控制变量法研究了油压、转速对摩擦元件损伤特征参数的影响. 结果表明,输入工况与4类损伤特征参数呈非线性关系,预测值与实测值随工况变化趋势一致,损伤特征参数较油压的变化更为敏感. 对比同类模型与试验数据,预测模型具有较高的预测精度,能够有效地对湿式离合器多工况损伤进行预测.      

基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法

传统方法缺陷区域的轮廓边缘存在断续,缺陷定位区域封闭性较差,导致检测识别准确率较低。针对这一问题,提出基于稀疏成像与机器视觉的金属材料次表面缺陷检测方法。扫描采集材料次表面二维图像,采用均值滤波和高斯滤波,对图像进行去噪处理,分割次表面缺陷的预处理图像,利用机器视觉,定位并合并缺陷区域,提取灰度、形状、纹理缺陷特征,利用稀疏成像,修正特征参数,对参数进行BP神经网络训练,进而识别金属次表面缺陷类型。选取钢管的凹坑、划痕和擦伤次表面缺陷,进行对比实验,结果表明,此次方法提高了缺陷检测识别准确率,更加符合检测方面的要求。     

基于神经网络的带钢表面孔洞检测系统研究

简要介绍了带钢表面孔洞实时检测中的图像处理系统 ,提出了一种应用边缘检测和聚类分析的图像分割算法对带钢表面孔洞进行准确快速的分割 ,同时采用改进的BP神经网络分类器对孔洞进行分类与识别 ,实验结果表明 ,该带钢表面孔洞实时检测系统具有较高的精度和较快的速度 .     

基于LTCP特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法在对图像纹理特征进行鉴别时精度较差的问题, 提出一种基于长期控制计划(LTCP)特征的计算机生成图像鉴别算法. 首先将彩色图像变换到颜色模型中, 对图像进行下采样, 获得较高尺度的纹理信息; 然后采用基于LTCP特征和共生矩阵的计算机生成图像盲鉴别算法, 对不同尺度的纹理图像LTCP特征及相邻像素一致性共生矩阵特征进行采集; 最后通过判别分类器对LTCP特征及相邻像素一致性共生矩阵特征实施分类预测, 根据分类预测结果实现计算机生成图像的鉴别. 实验结果证明, 该算法在计算机上生成的图像特征维度较低, 鉴别率和精度较高, 能实现计算机生成图像的准确鉴别.     

激光图像检测压实土密实度的方法研究

为了检测压实土密实度,搭建了激光图像检测密实度装置,并研究了该检测方法.选取压实土吸收系数、散射系数、激光光斑周长、图像灰度梯度作为神经网络模型的输入特征参数;最后,利用BP神经网络预测密实度.结果表明:(1)BP神经网络经过85次学习后达到了要求的误差;(2)利用系统预测的密实度数值与环刀法检测值相比较,平均绝对误差为0.115和平均相对误差为12.57%.因此,该检测方法检测压实土密实度是可行的.     

基于MRF模型的多层前馈网络纹理分割方法

提出一种基于马尔柯夫随机场 (MRF) 模型和多层前馈神经网络进行纹理分割的方法.利用二阶高斯MRF模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为纹理的特征向量，并且利用改进的BP算法对特征进行分类.对纹理图像进行的实验表明，与常规距离方法相比，采用这种方法进行纹理分割能取得更好的效果.     

基于改进投影寻踪技术和模糊神经网络的未受精种蛋检测模型

考虑基于计算机视觉技术的未受精种蛋无损检测中特征参数之间关系的复杂性和模糊性等因素,提出了一种基于改进投影寻踪模型和模糊神经网络相结合,作为种蛋是否受精品质归属的决策系统.利用量子投影寻踪技术对种蛋图像的复杂形状特征向量进行提取降维,给出了计算最佳投影方向的一种改进量子遗传算法;并且利用模糊神经网络的自动学习决策推理规则,实现了种蛋是否受精品质归属的无损检测.结果表明:该模型速度快且稳定,精度高且鲁棒性好,简单易于实现,精度达到99.37％,满足实际检测要求.