基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.     

基于反向传播神经网络的遗传算法在酒类气体识别中的应用

把基于反向传播神经网络的遗传算法用于酒类气体识别实验中的传感器阵列的筛选,通过评价传感器组合对反向传播神经网络识别酒类气体结果的影响,建立一种挑选传感器阵列的方法,该算法选出的变量与用统计方法得到的结果一致     

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程繁琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）多尺度模糊熵和麻雀搜索算法（SSA）优化BP神经网络的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用CEEMD分解信号得到本征模态函数（IMF）的多尺度模糊熵,然后基于麻雀搜索算法（SSA）优化BP神经网络的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.758 1、6.321 6个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。     

基于EEMD-GA-BP模型的风电功率短期预测研究

随着我国风电产业迅速发展,风电并网规模不断扩大,准确预测风电场输出功率是降低风电波动对电网影响、提高电能质量、保证电网稳定运行的有效途径.本文采用箱型分析及热卡填充的方法对数据集中的异常数据进行清洗与重构.采用遗传算法与EEMD分解算法相结合的方式改进BP算法,并且根据不同时间尺度预测结果对比,相对于传统预测模型而言,...     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于输出响应的识别结构参数的神经网络方法

讨论了在输入未知时结构模态参数基于频率响应函数的神经网络识别方法 ,并研究了不同的噪声水平和网络输入层结点数目的变化对网络输出误差的影响 .讨论了网络对不同阶数模态参数的识别精度 .数值结果表明该方法是可行的     

自动生成多层神经网络的算法及其在编码中的应用

本文提出了一种多层神经网络自动生成的新算法。对给定的问题,它能够在学习中动态生成一个多层网络,并确定网络的连接方式。通过采用模拟退火的方法,加快了学习的速度。该算法能随时按要求生成神经网络编、译码器,便于处理等长码和变长码问题,还能进行误码纠正,适合于保密通信的需要。     

基于HHT方法的时变多自由度系统的参数识别

将HHT(Hilbert-Huang transform)方法与数学规划方法相结合,用于时变多自由度系统的参数识别.把响应信号如加速度信号通过一个窗函数,得到要研究的某阶模态成分,然后通过经验模态分解(EMD)把通过窗函数的信号分解成各个本征模函数(IMF),对分解出来的IMF进行希尔伯特变换得到该阶模态的瞬时频率,以待识别的刚度或质量参数作为设计变量,极小化计算得到的频率与瞬时频率之差的平方和.对应该平方和最小的刚度或质量值即为选定时刻识别得到的刚度或质量参数值,并进行了数值仿真.     

CEEMDAN自适应阈值去噪算法在地震方向的应用

提出一种基于自适应完备集合经验模态分解(CEEMDAN,complete ensemble empirical mode decomposition with adaptive noise)的自适应阈值去噪算法。含噪信号经CEEMDAN算法分解成若干个模态分量(IMF,intrinsic mode functions),根据样本熵理论,对IMF分量中高频分量自适应选取,根据噪声和有用信息与原始信号的相关性不同,对高频分量中的噪声系数定位,利用能量熵选取噪声主区间,用高频分量中噪声主区间的噪声系数方差作为阈值,对高频分量进行阈值去噪,进一步去除噪声,保留高频中的有用信息,最后将信噪分离的高频分量和低频分量重构。分别对合成和实际地震信号去噪处理,并与常规去噪算法进行对比。数据仿真和实验结果表明,在原始信号信噪比为0.5dB时,常规与改进算法去噪后信噪比分别为4.55dB和9.97dB,大幅提高信噪比,达到随机噪声压制的目的,实现了高频分量的自适应选取和高频分量中有用信息的再提取。     

The Application of Neural Network in Recognition of Fabric Weave Parameters

IntroductionFabricweaveparametersaretheimportantcharactersoffabricweave.Todistinguishastructureoffabricweave,threeproblemshavetobesolved.Oneistofindthepositionofinterlacingpoint,anotheristodeterminethepropertyofinterlacingpoint,andthethirdistodistinguishthenameofinterlacingpoint.Inthisstudy,themethodofidentifyingfabricweaveparametersisbasedonthefollowingthreeassumptions:1)Thepositionofweftinfabricisdeterminedbypeakandvalebrightnessprojectioncurveinthedirectionofwarp;2)Thechangeinweftsbrightne…     

基于BP神经网络的图像识别研究

提出一种采用BP神经网络实现钢材编号文字识别的方法？先采用彩色图像HSI空间中S分量的特性，定位钢材区域，然后利用一系列图像处理技术，对图像中钢材编号区域定位、分割字符，最后采用BP神经网络进行字符识别。实践证明，采用BP神经网络，可有效地识别铜材编号，速度快、识别率高，具有较高的实用价值。     

模糊神经网络识别方法

本文提出了一种新的模糊神经网络分类器,它结合了神经网络和模糊系统的优点,在使用神经网络结构的同时又用模糊理论来处理模糊和非模糊的信息。新网络在处理分类问题时,对畸变和噪声有较好的容忍性。本文还给出了用网络识别数字和印鉴的例子。     

神经网络文字识别系统的研制

研究人工神经网络技术在文字识别上的应用．阐述了该系统的基本原理、模型，并运用反向传播（ＢＰ）模型进行文字识别系统的模型，以探求解决集合庞大、字形复杂并且存在大量相似结构的汉字的高速自动输入途径     

基于神经网络的发动机模型辨识

为进一步研究发动机的稳态、空载、动态转矩、燃油消耗模型和万有特性,笔者提出了一种基于神经网络的神经元结构模型和多层前馈网络结构模型并分别进行了数学分析.实践研究表明：在发动机的工作过程中,动态工况占66%～80%,并发现发动机的动力性和经济性指标与稳态工况存在着一定的差异.     

基于LVQ神经网络的手写字母识别

提出了一种基于LVQ神经网络的手写英文字母识别方案.介绍了LVQ神经网络的基本原理,并利用LVQ神经网络的结构简单、泛化性能好、收敛速度快的特点,将它应用于复杂的英文字母识别.通过对英文字母图像进行预处理和特征提取,将提取的特征对网络进行训练,并利用训练好的网络对英文字母进行识别.Matlab仿真实验结果表明,LVQ神经网络可以对英文字母获得较高的识别率.     

基于部分连接神经网络的场景识别

目前基于图像的场景识别的方法都依赖于对图像特征的选取及特征数目的精简.提出了一种基于部分连接演化神经网络模型来进行图像场景识别的新方法:不对图像进行特征提取,而是将待识别图像的每个像素都作为神经网络的输入.为了克服新方法由于大量神经元引起的模型训练时间过长问题,将基于C语言计算架构的演化神经网络模型创造性地移植到基于图形处理器(GPU)的通用并行计算构架(CUDA),神经网络的演化训练速度提高200倍以上.在实验中,尽管输入的图像大小达到300×400像素(120 000个输入神经元),但CUDA的部分连接演化神经网络对场景图像有较强的识别能力,对亮度、缩放、旋转等变化也有较好的鲁棒性.     

基于RBF神经网络的语音情感识别

介绍了径向基函数神经网络的原理、训练算法,并建立了RBF神经网络的语音情感识别的模型。在实验中比较了BP神经网络与RBF神经网络分别用于语音情感识别识别率,RBF神经网络的平均识别率高于BP神经网络3%。结果表明,基于RBF神经网络的语音情感识别方法的有效性。     

基于粗集神经网络的目标识别

研究了粗集和神经网络方法在信息融合目标识别中的应用,提出将神经网络学习机制引入到粗集系统,同时通过粗集的条件和决策属性构造神经网络结构,并针对三种不同谱段下的三种不同目标图像进行了实验,试验表明,粗集神经网络相结合的识别算法的识别率要明显高于单独使用一种融合算法的识别率,训练时间也大大缩短。     

基于混沌神经网络的语音识别方法

基于语音信号的时变特性,研究了神经网络语音识别的方法．把混沌特性引入到神经元,构造了一种新的多层混沌神经网络结构,同时推导了相应的学习算法．把这种混沌神经网络用于语音识别,并与常用的神经网络语音识别方法作了比较．实验结果表明,混沌神经网络方法的平均识别率要高于同等条件下常用神经网络方法的识别率．