质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法,将控制图作为信息图用于趋势模式的提取,用模糊化的控制图模式数据构造训练集,将训练后的ＢＰ神经网络用来对真挚模式进行自动分类识别,该方法为工序状态异常模式识别提供了一种新的方法,提高了工序异常状态分类识别的效率和可靠性,最后用实例进行了仿真实验。     

汽车变速箱齿轮状态识别方法的研究

将时序建模方法和神经网络技术结合 ,利用时序参数对网络进行训练 ,建立齿轮状态的分类网络 ,对变速箱的齿轮状态进行识别 .经验证表明该方法是行之有效的     

基于遗传算法的神经网络指纹自动分类

研究指纹的自动分类问题对解决大容量指挥库的匹配实时性有着重要的意义。笔者提出了一种新的指纹自动分类方法。该方法通过求取指纹方向图抽取了指纹的纹形特征,并将其送入神经网络进行分类识别,网络连接权系数采用遗传算法进行学习寻优,克服了单纯BP算法训练时间长、易陷入局部极值的缺点,同时提高了网络全局收敛的效率。测试结果表明,基于遗传算法的多层前向神经网络分类器对指纹图象的分类有良好的性能。     

基于神经网络的控制图状态诊断方法研究

控制图是统计质量控制的重要工具,对控制图的状态进行诊断及识别其异常模式尤为重要。本文将介绍两种控削图异常模式识删方法：基于判别准则的异常模式识别和基于人工神经网络的异常模式识别。     

用于控制图模式识别的广义神经网络系统

面向过程控制图的模式识别,提出了一个广义神经网络系统.该系统基于广义过程对象模型发生数据,离线训练后能够在线识别各类工业过程常见的控制图模式,模块化的设计使得神经网络系统的结构相对简单,有效地提高了网络的训练速度和模式识别的准确率.首先研究了广义过程对象模型参数对神经网络控制图模式识别率的影响,并基于此影响规律设计了包含模式识别分类模块与模式参数估计模块的集成化神经网络系统结构;其次使用基于广义对象模型产生的数据对神经网络系统进行了训练和验证,讨论了学习训练方法,并进行了控制图模式识别性能的仿真测试,获得了满意的结果.在TE过程仿真平台上进行了实验,给出了对上升阶跃模式和下降阶跃模式的识别结果,表明了具有较高的识别率.     

基于残差全连接神经网络的电力监控系统异常行为检测方法

为了提升电力监控系统异常行为检测能力,提出了一种基于残差全连接神经网络的电力监控系统异常行为检测方法.将深度学习模型与半监督学习方法相结合,构建了两级残差全连接神经网络,并将其作为核心分类模型.选取训练样本特征子空间、有标记训练样本子集、残差全连接层层数的多种不同组合,采用混合扰动的方法生成具有差异性的成员分类器.基于成员分类器的分类误差率,通过加权多数表决对无标记样本数据进行增量学习,生成分类识别能力较强的集成分类器.实验结果表明,在同等标记数据规模下,所提方法的检测准确率和模型训练收敛速度均优于现有方法,可快速、准确识别电力监控系统异常行为,同时降低了对训练样本数据进行标记的开销.     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别;接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数;最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

汽车变速箱齿轮状态识别方法

将时序建模方法和神经网络技术结合 ,利用时序参数对网络进行训练 ,建立齿轮状态的分类网络 ,对变速箱的齿轮状态进行识别 ,经验证该方法是行之有效的 .汽车变速箱齿轮状态识别方法@张成宝 @丁玉兰 @吴光强 @羊拯民     

基于多重分形关联和深度CNN的常规雷达目标分类方法

针对传统分类方法中飞机雷达回波信号识别分类精度低、人工定义特征稳定性差的问题，提出基于多重分形关联特征和深度卷积神经网络(convolutional neural network,简称CNN)的雷达目标分类方法.首先，对输入训练数据进行多重分形关联分析，将多重分形关联谱的投影图作为输入特征图；然后，利用深度卷积神经网络对特征进行训练，得到训练模型；最后，使用训练后的模型对目标进行分类.实验结果表明：相对于其他3种方法，该文方法有更强的飞机分类性能.     

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.     

粗集理论及其在智能控制中的应用综述

对粗糙集理论的应用发展及其基本概念做了详细的描述,介绍了粗糙集理论在智能控制中的应用及发展趋势.重点阐述了它与模糊集、神经网络、遗传算法等软计算方法的融合,指出这些融合将为解决智能控制中的难题提供新的思路和方法.     

AGC控制技术的发展过程及趋势

综述板带轧钢厚度控制技术的发展和产生厚差的原因（主要有：温度、轧制力等）。在带钢厚度自动控制（AGC）中常用的智能算法有神经网络、模糊控制、遗传算法和模糊神经网络,总结其各自的特点及其在AGC中的应用,其中模糊神经网络取模糊控制和神经网络之长而去其所短,有独特的优势,并指出控制理论和智能算法的结合是AGC控制技术发展的大趋势。     

粗糙集理论及其在智能控制领域的应用前景

简要阐述了粗糙集理论的基本框架,介绍了粗糙集理论在智能控制中的发展趋势,指出它在智能控制领域的理论与应用研究已成为当前该理论的研究热点;重点介绍了它与模糊、神经网络等软件计算方法的融合,这种融合将极大地提高混合智能控制系统的机器智商。     

基于神经网络的模糊控制

从最优化角度出发，用神经网络解决模糊控制系统的规则提取问题，给出了可靠的基于ＢＰ算法的神经网络学习过程。讨论了模糊子集个数的选取与系统复杂性、精确性之间的关系。     

一类模糊神经元网络控制器及其仿真

针对复杂性非性系统的模糊神经元网络方法控制中，模糊子集合的划分、隶属函数和推理规则的拟定问题进行了研讨，并以此设计了一类模糊神经元网络控制器，给出了学习算法和仿真研究结果。     

用BP网求解模糊控制器输入量的隶属函数

在模糊控制器设计中,需要对输入数据进行模糊化处理,用隶属函数描述;模糊变量隶属函数的选取对模糊推理有很大影响.利用BP网的分类性可以将采集到的清晰数据集广义地分成模糊类.选取具有一个隐层的PB网,输入层和隐层变换函数采用S函数,输出层用线性变换函数,在MATLAB环境下采用动量算法和自适应学习速率,调用trainbpx函数,对BP网进行训练,在训练时最后一层的输出越接近目标值越好.利用训练好的神经网可以对具体的输入数据求解对应于不同模糊区间的隶属值.用这种方法,速度快,误差小.     

T-S模糊神经网络在冠心病智能诊断中的应用

 冠心病是一种最为常见的心血管疾病,近年来在中国的发病率与死亡率逐年升高,准确诊断和及时治疗是有效降低冠心病死亡率的主要措施。通过引入模糊系统的理论,在传统BP神经网络结构中加入了模糊层与模糊规则计算层,建立了T-S模糊神经网络模型。使用该模型对采集于克利夫兰诊所的297组数据进行分析预测,与传统BP神经网络预测结果对比显示,T-S模糊神经网络模型的平均准确率为82.93%,而传统BP神经网络的平均准确率为75.56%,表明T-S模糊神经网络模型在冠心病的智能诊断中具有较高的预测准确率。     

混合动力汽车补偿模糊神经网络能量管理策略

以上海大众汽车公司某型号混合动力电动汽车(HEV)的设计要求为基础,提出了一种基于补偿模糊神经网络的能量控制策略,并采用动态调整步长的梯度下降法加快算法的收敛速度.分析了样本数据选取、输入、输出模糊分割和模糊规则提取对控制器性能的影响.利用ADVISOR2002仿真平台进行二次开发,完成了基于补偿模糊神经网络的控制策略、并联电力辅助控制策略和模糊控制策略的仿真比较.仿真结果表明,基于补偿模糊神经网络的控制器具有较强的自适应能力,可以较好提高混合动力汽车的燃油经济性和排放性.     

基于控制图的工序加工状况模糊判别

提出了监测工序加工状况的一种新方法．先对工序的检测数据进行常规统计分析,再通过模糊综合判别方法自动判别工序的稳定性．在计算机上模拟典型样本对建立的神经网络进行训练,然后用于工序状况的模糊判别,提高模糊判别的精确度．用实例对这种方法进行了说明．该方法适用于下一代制造系统（ＮＧＭＳ）中的工序质量控制．