基于BP神经网络的玻璃瓶裂纹检测模型

阐述了BP神经网络的基本原理，介绍了一种直接估算最佳隐含层节点数的方法。针对普通的玻璃瓶裂纹检测算法存在的问题，提出了一种基于BP神经网络的玻璃瓶裂纹检测模型。实验表明，该模型的检测效果与普通算法相比有了明显的提高。     

基于广义回归神经网络的交流电磁场检测裂纹量化研究

考虑到目前交流电磁场检测中裂纹量化精度和智能化水平的不足,将广义回归神经网络(GRNN)引入到交流电磁场检测技术中来,在有限元仿真试验基础上,选择了作为输入元素的交流电磁场信号特征向量,构建了一种适合于交流电磁场检测裂纹量化分析的GRNN模型,并利用归一化处理后的一些离散数据作为网络的训练和检测样本,使网络完成对整个裂纹交流电磁场范围内的主要信息的存储,从中发现输出和输入之间的内在关系,完成对未知点的预测。结果表明,与传统的线性插值方法以及BP网络相比,该方法建模简单,预测精度高,对原始数据的分布和边界条件无特别要求,推广性能强,人为调节参数少,收敛速度快,更为智能化,尤其在获得已知样本稀少的情况下仍能表现出极强的适应性,从而保证了模型的精度和推广性能,为交流电磁场检测裂纹量化提供了一种智能高效的方法。     

基于长短期记忆神经网络的板裂纹损伤检测方法

针对板不同位置裂纹损伤的智能分类问题,提出了一种基于长短期记忆(LSTM)神经网络的板裂纹损伤检测方法.采用Abaqus二次开发建立板裂纹损伤模型,计算高斯白噪声激励下板的加速度响应,并通过数据扩充方法生成数据集,同时考虑了噪声对损伤检测的影响.建立基于LSTM的板裂纹智能检测模型,直接将板的加速度响应作为输入,不需要...     

基于广义回归神经网络的交流电磁场检测裂纹量化研究

考虑到目前交流电磁场检测中裂纹量化精度和智能化水平的不足,将广义回归神经网络(GRNN)引入到交流电磁场检测技术中来,在有限元仿真试验基础上,选择了作为输入元素的交流电磁场信号特征向量,构建了一种适合于交流电磁场检测裂纹量化分析的GRNN模型,并利用归一化处理后的一些离散数据作为网络的训练和检测样本,使网络完成对整个裂纹交流电磁场范围内的主要信息的存储,从中发现输出和输入之间的内在关系,完成对未知点的预测.结果表明,与传统的线性插值方法以及BP网络相比,该方法建模简单,预测精度高,对原始数据的分布和边界条件无特别要求,推广性能强,人为调节参数少,收敛速度快,更为智能化,尤其在获得已知样本稀少的情况下仍能表现出极强的适应性,从而保证了模型的精度和推广性能,为交流电磁场检测裂纹量化提供了一种智能高效的方法.     

神经网络在确定裂纹尖端塑性区中的应用

通过构造反向传播神经网络，对裂纹尖端的应力场进行模拟，进而实现对裂纹尖端应力场函数的逼近。得到的网络具有较高的联想、记忆能力和较好的稳定性，并且可以快速、准确地计算实际中带裂纹构件的裂纹尖端应力场，从而确定裂纹尖端的塑性区和分析带裂纹构件裂纹的扩展。     

多层BP神经网络在钢铁材质裂纹检测中的应用

用设计好的电磁检测设备测得长螺栓的初始磁导率后,对所获得的模拟数据进行数字化处理得到磁导率特征值.设计了多层BP神经网络对钢铁材质长螺栓进行裂纹检测,实验数据表明,分类算法实现简单、分类准确,较容易应用在钢铁材质无损检测的实时系统中.     

基于BP神经网络的连铸板坯裂纹预报

分析了连铸板坯裂纹的成因,并根据连铸生产的特点和工艺条件,结合国内外一些先进钢铁厂板坯裂纹的防止对策,引入BP神经元网络,采用神经网络与专家系统相结合的方法,运用热电偶温度数据,结合结晶器液面、保护渣、钢号、钢液C,S,P含量等数据实现板坯表面裂纹预报.     

基于BP神经网络的连铸板坯裂纹预报

分析了连铸板坯裂纹的成因,并根据连铸生产的特点和工艺条件,结合国内外一些先进钢铁厂板坯裂纹的防止对策,引入BP神经元网络,采用神经网络与专家系统相结合的方法,运用热电偶温度数据,结合结晶器液面、保护渣、钢号、钢液C,S,P含量等数据实现板坯表面裂纹预报。     

基于BP神经网络的钢铁分选仪裂纹检测

将BP神经网络技术用于钢铁件缺陷分析,以钢铁件裂纹为研究对象,选取了8种影响裂纹的因素,在实验设计的基础上,用BP人工神经网络对所得实验结果进行了分析,并且用图形化方式直观地表达了出来.根据实验结果,BP神经网络模型能较准确地预测出钢铁缺陷,从而为研究裂纹检测提供了一种新的有效手段.     

神经网络在水工混凝土结构裂缝检测中的应用

针对水工大体积混凝土结构的特点,探讨了混凝土结构裂缝的检测方法．基于BP神经网络建立混凝土裂缝深度与其相关参数之间的关系模型,以实测资料作为模型的训练样本,并通过实例进行了检验,结果表明,BP神经网络应用于混凝土裂缝检测分析是可行和有效的．     

基于卷积神经网络的桥梁裂缝检测与识别

针对当前中国检测桥梁裂缝依赖人工目测,危险系数极大的落后现状,研究了一种基于数字化和智能化的检测方法,以提高桥梁安全诊断效率,降低危险系数。结合机器视觉和卷积神经网络技术,利用Raspberry Pi处理器采集和预处理图像,分析裂缝图像的特点,选取效果检测和识别裂缝效果最佳处理算法,改进裂缝分类的卷积神经网络模型(CNN),最终提出一种新的智能裂缝检测方案。实验结果显示:该方案能够找到超出桥梁裂缝最大限值的所有裂缝,并可以有效识别裂缝类型,识别率达90%以上,能够为桥梁裂缝检测提供参考数据。     

Detection of Structural Damage Through Changes in Frequency

0IntroductionThbeee nvi pbrroatpioosne-db aasnedd d deavemlaogpeed d iente tchtieo npa satp p3r0o aycehaerss , haanvdethe study onthis topicis still active[1].Since natural frequen-cies can provide the global information of structures ,and canbe exactly m…     

BP改进算法及其在路面裂缝检测中的应用

针对传统BP算法抗干扰能力差、学习速率慢且易陷入局部极小值等缺点,提出了一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,给出了一种新的传递函数,设计了复合误差函数,同时采用了一种分层动态调整不同学习率的新方法,以加快传统BP算法的收敛速度和避免陷入局部极小值,并对路面裂缝图像进行了试验,比较了BP改进算法与传统BP算法在裂缝检测中的性能参数。试验结果表明,BP改进算法将全局均方误差减小了0.812 5,检测速度提高了30%,能够充分满足路面裂缝自动检测的实时性要求,是一种行之有效的方法。     

BP网络技术在液滴粒度分布中的应用研究

将ＢＰ网络技术应用到液滴粒度的测量当中，实现了ｈ（Ｓ）与ｆ（Ｄ）之间的映射关系，从而提高了测量精度，并做到了实时测量。     

空间框架结构裂纹位置识别的模态应变能法

提出了空间结构裂纹位置识别的模态应变能法 .该方法将单元模态应变能分解为拉压、扭转和弯曲模态应变能 ,利用单元的主要模态应变能分量与结构固有频率的改变量对结构裂纹位置进行识别 .数值实验分析表明 ,该方法能较好地识别具有单个裂纹的空间框架结构的裂纹位置     

一种频域多路径电磁干扰对消方法

针对实际环境中背景干扰相关性差导致干扰对消误差较大的问题,提出一种频域多路径电磁干扰对消方法。利用变分模态分解(VMD)的分频特性将两通道信号分解为多个具有相同中心频率和分解带宽的模态信号,利用分解后的模态信号构造多路径干扰对消系统。然后利用反向传播(back propagation, BP)神经网络对每一路径上的信号进行非线性拟合并对消,从而获得真实的被测设备(EUT)辐射发射信号。结果表明,与真实EUT辐射发射信号相比,所提方法得到的EUT辐射发射信号功率误差低于1 dB且信号相关性高于96%;与变步长LMS算法、EMD-LMS算法相比,功率误差至少降低3.6 dB,信号相关性至少提高15%。所提方法对在开阔场中大型、可移动的EUT电磁辐射发射原位测试研究具有参考价值。     

水下目标工频磁场扰动信号检测方法研究

为了解决水下目标磁场近程化探测中磁信号衰减快、干扰强及扰动特征不明确、无法有效探测信号等问题,提出了一种基于混合神经网络与注意力机制(Att-CNN-GRU)的工频磁场水下目标时间序列扰动信号检测方法。将CNN,GRU神经网络与Attention机制相结合拟合信号,构建分类神经网络,对目标信号进行分类识别,同时与未引入注意力机制的CNN-LSTM模型及单一CNN和LSTM网络模型的预测及检测性能进行比较。结果表明,相较于传统方法,信号拟合效果将误差分别减小了36.24%,14.44%和4.878%,目标检测准确率达到83.3%。因此,加入Attention机制的CNN-GRU模型检测性能比CNN,LSTM和CNN-GRU模型更优异,作为辅助手段,能有效解决工频磁场探测中扰动信号微弱、扰动规律不明确、背景噪声多等问题,实现对水下目标造成的工频磁场扰动信号的拟合与检测。     

基于神经网络的疲劳裂纹扩展率的初步估算

采用基于神经网络的方法对压力容器疲劳裂纹扩展公式（Ｐａｒｉｓ公式）中的两个材料常数进行了估算,用人工神经网络建立一个学习系统,以获得各种材料的疲劳裂纹扩展率．通过计算和实验数据的比较,证明了利用神经网络进行疲劳裂纹扩展率的估算是可行的．