基于应变模态的桁架结构损伤识别

选用桁架结构作为研究对象,对一简支桁架建立仿真模型,通过单元刚度的减小模拟损伤变化,用节点位移转变为单元应变的方法,对桁架结构进行损伤识别.经过试验研究,验证了一阶相对应变模态对结构损伤识别的有效性.     

基于概率神经网络的信源-信道联合编码/调制

提出一种基于概率神经网络的联合编码调制方法.该方法的复杂度及延时低于传统的联合编码调制,对信道差错更鲁棒.仿真结果显示这种联合编码调制方案得到的重建信噪比比传统的级联编码有明显的改善.     

基于应变模态的桁架结构损伤指标研究

基于应变模态的损伤识别方法,根据桁架结构的杆单元应变特点,利用结点的振型位移引起的杆单元长度变化从而计算得出结构的应变模态,并通过数值仿真验证了仅一阶应变模态改变率对损伤的准确识别,同时以该参数作为输入特征参数构造神经网络对杆单元损伤进行了识别,均取得了较为理想的结果.     

基于分布式卷积神经网络的车型识别算法研究

本文利用Spark分布式计算框架,提出了一种基于分布式卷积神经网络的车型识别算法。该算法通过改进卷积核参数和丢弃相似特征图来优化网络,通过改进分布式梯度下降来减少master和slave同步通信量,从而提高了收敛速度和性能。试验结果表明,该算法可有效提高车型分类的速度和精度。     

基于Gabor小波和神经网络的图像目标识别

针对目前数字图像目标识别方法中存在识别精度和实时性的问题,提出一种结合Gabor小波和神经网络的图像目标识别方法.该方法首先对图像进行预处理,用Canny算子进行边缘提取,然后通过神经网络获取最优的双Gabor小波复合滤波器参数,再采用参数优化过的滤波器组提取目标的特征向量,最后进行目标的分类和识别.实验表明这种方法鲁棒性好、识别率高,具有较广泛的实际应用价值.     

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.     

基于矩不变量和神经网络识别三维物体

三维物体识别是计算机视觉的重要研究课题,广泛应用于工业和军事等领域.目前大多数识别方法,只能由某个特定角度的二维图像识别三维物体.采用矩不变量与神经网络相结合的方法实现三维物体的识别.使样本物体绕z轴旋转,间隔一定角度拍摄一幅图像(最大间隔角度不超过30度),得到一系列样本物体图像.计算这些图像的矩不变量并作为其特征向...     

基于曲率模态差值的简支梁损伤识别研究

由材料力学挠度曲线的微分方程和结构动力学的振型叠加公式,建立了结构刚度与曲率模态之间的关系,然后定义了结构损伤指标:曲率模态差值,最后通过数值仿真模拟了简支梁不同程度的损伤并利用损伤前后的曲率模态差值识别损伤。数值仿真结果得到结论:曲率模态差值对简支梁的损伤比较敏感,将其应用于简支梁等细、长、柔的结构损伤识别中是有效、可行的。     

基于应变模态的受损网壳结构损伤识别研究

基于应变模态损伤识别理论,以受损K6型单层球面网壳结构作为研究对象,通过数据对比得到较精确的受损结构模型.用折减杆件弹性模量的方式来模拟杆件损伤,利用分析软件得到初始损伤及各类有损情况下的应变模态.结果表明:该方法能够在低阶模态条件下,有效识别网壳不同位置以及低至10%,高至90%的局部损伤,适用于实际观测的条件下的网壳损伤识别.     

刚性路面脱空的集成神经网络识别研究

通过有限元法建立了刚性路面脱空的计算模型,提出采用基于集成神经网络技术对刚性路面脱空状况进行识别,通过刚性路面脱空输入特征向量的组合,用各子神经网络对刚性路面脱空进行初步缺陷识别,然后对识别结果进行决策融合,给出了系统的实现策略和子网络的组建原则。数值模拟结果表明,采用本识别方法合理地选取了各种输入特征向量,具有更好的识别效果．     

基于荷载传递法的单桩沉降解析解

针对轴向荷载作用下的单桩工作特性,基于荷载传递法,采用了描述桩-土相互作用特性的双折线荷载传递函数,得到了针对桩-土变形全过程的单桩荷载-沉降关系解析解.利用该解析解,计算了具体案例,讨论了模型参数的取值范围,计算结果与实验曲线吻合较好.结果表明,本文方法能较好地描述单桩荷载传递过程,根据静载实验获得的具体参数,计算轴向荷载作用下单桩荷载-沉降关系,并估算单桩的承载力,为桩基础设计提供参考依据.     

应用神经网络预测顶升法纠偏加固中的生石灰量

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络模型并提出新的算法,结合某建筑物纠偏工程实例对建筑物纠偏加固所需的生石灰量进行了预测.预测结果表明神经网络方法是可行且有效的.     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络(convolutional neural network, CNN)和降噪自编码(denoising auto-encoder, DAE)神经网络混合的神经网络评分预测模型(convolutional-denosing autoencoder, CDAE)对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐(convolutional-denosing autoencoder collaborative filtering, CDAECF)模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.     

基于小波神经网络的图像文本信息提取技术研究

提出了利用小波神经网络提取图像中文本信息的新颖方法.原图像经过离散小波变换分解成4个子频带,文本区域的高频子频带与非文本区域的不同,所以可利用其差异计算出3个特征值作为人工神经网络的输入值,然后用基于BP算法构建的人工神经网络来训练待测的文本区域.文本区域的人工神经网络输出值不同于非文本区域的输出值,因此可利用一阈值来判定其是否为文本区域.最后,将可检测的文本区域经过扩张运算后便可得到正确的文本区域.     

傅立叶神经网络建模研究

基于函数逼近论,将一组傅立叶基函数作为三层前向神经网络各隐含神经元的输出特性,以其加权和作为网络的非线性输出,构成一种新型的傅立叶神经网络;从理论上解决了单输入神经网络隐含层数及隐含神经元个数难以确定的问题。仿真实验表明,该网络具有优良的逼近任意非线性特性的能力。     

基于BP神经网络的项目投资风险评价

为了科学准确地对风险投资项目进行评价，利用BP神经网络的原理建立了用于项目投资风险评价的BP神经网络模型，通过对福建省14个高技术项目投资风险的评价，表明由该模型获得的结果是可靠的。     

基于学习矢量量化（LVQ）神经网络的高校毕业生学位评审预测

利用影响毕业生学位评审的五大指标：学习成绩、实习成绩、论文成绩、英语四级、计算机等级,提出基于学习矢量量化LVQ（Learning Vector Quantization,LVQ）神经网络的高校毕业生学位评审预测模型.以某高校某专业毕业生的实际数据为例,验证了此方法的预测能力.结果表明,基于LVQ神经网络的高校毕业生学位评审预测模型,能为评审学位的工作者提供有益的辅助参考.     

基于卷积神经网络和投票机制的轨道板裂缝检测

现有的检测方法对轨道板细微裂缝和夜间拍摄的裂缝图像存在误检和漏检的现象,为此提出了一种基于卷积神经网络的改进方法.将特征图分组后用注意力机制强化各组向量的特征表达,以动态聚合弱分类器预测结果的方式得到最终的裂缝置信度.借助投票机制有效降低最终的预测偏差,提升模型的鲁棒性.实验结果表明:该改进方法在减少模型参数的情况下,...     

基于RBF神经网络的结构可靠度分析方法

蒙特卡罗模拟是目前结构可靠度分析中最准确有效的方法,但因其计算量太大、效率低而受到很大的限制,特别是对于大型复杂结构的功能函数不能被明确表达的情况.鉴于此,在蒙特卡罗重要抽样方法的基础上,提出了利用RBF神经网络替代原结构功能函数的RBF-蒙特卡罗方法,以提高工作效率.RBF神经网络训练样本的选取则由均匀试验设计确定,以提高样本的代表性并大幅减少样本数量,从而加快网络的训练过程,加强网络的逼近能力.算例分析表明,该方法不但能最大限度地减少结构有限元分析次数,而且有满意的计算精度,具有实际应用价值.