人工神经网络对结构动力响应的预测

本文应用人工神经网络对结构在地震波作用下的动力响应进行了预测，结果证明用改进的BP网络训练神经网络能达到很好的收敛效果，预测的结果相当精确，为结构的智能控制提供了很好的前提条件．     

基于自适应交叉和变异概率的遗传算法收敛性研究

交叉概率pc和变异概率pm在整个进化进程中保持不变,是导致算法性能下降的重要原因。为了提高算法的性能,文章提出了自适应交叉概率公式和自适应变异概率公式,并在非线性排序选择情况下,证明了所提出的自适应交叉和自适应变异概率公式是收敛到全局最优解的。     

基于SOFM神经网络的变压器故障诊断研究

SOFM神经网络具有强大的非线性映射能力和高度的自组织和自学习能力,将SOFM神经网络应用于变压器的故障诊断.利用改进的罗杰斯三比值法获取变压器故障诊断的特征向量,建立了SOFM网络故障诊断模型,并对模型进行训练.为了检验模型的实际诊断能力,以变压器的4种典型故障诊断为例进行仿真实验.仿真结果表明:SOFM神经网络能够根据获胜神经元在竞争层的位置对变压器故障进行判断,诊断准确率高,收敛速度快,泛化能力强,表明基于SOFM网络的变压器的故障诊断是一种行之有效的方法.     

改进模糊层次分析法在AUV总体性能评价中的应用

摘要： 为了便于设计者合理地对无人自主潜水器(AUV)设计方案的总体性能进行评价并选择出优异的设计方案,根据AUV的功能用途和其技术性能,结合专家的意见,构建了AUV总体性能评价体系．并引入改进模糊层次分析法,求解出AUV评价指标体系中各评价指标的权重．应用实例对比分析表明,该AUV总体性能评价模型能客观地反映AUV的总体性能;评价过程清晰,简化了大量计算,是一种全新、高效的AUV设计方案评价方法．该评价方法能有效地将多目标问题转化为单目标问题,可用于AUV研制方案的评价、优化．     

一种基于深度图像的左右手同步分割改进方法

基于深度图像的手势识别技术是下一代数字媒体设备的主要交互手段, 从深度图像中准确定位出"干净"的手部图像显得尤为重要. 提出了一种同步进行左右手分割的改进方法, 在传统 SegNet 算法的基础上, 加入了类别权重、转置卷积、混合式空洞卷积组合和编解码器之间的拼接合并跳层连接, 使左右手的 F2-Score 相较基准方法分别提高了 7.6% 和 5.9%. 推理速度在 GPU 上达到了 20.5 ms/帧, 可以实时处理深度图像序列. 实验证明本方法对深度图像进行左右手同步分割时可以得到更加精准的分割结果.     

桥梁振动控制系统的GA-BP神经网络非参数辨识方法研究

文章提出了一种基于GA-BP神经网络的地震激励下桥梁振动控制系统的非参数辨识方法,该方法避免了BP算法易陷入局部极小值、训练速度慢、误差函数必须可导及受网络结构限制等缺陷,克服了传统系统辨识要对结构进行预先假定、容错能力差、无法辨识系统非线性特性等问题,考虑到结构-控制装置的相互作用,可以真实反映桥梁结构动力特性.     

河道水量还原计算中的遗传BP人工神经网络方法

将遗传算法GA及人工神经网络BP算法结合起来运用于河道水量的还原计算.结果表明:基于GA BP的河道水量还原优化算法能够克服BP算法自身不可优化的弊病,较好地改善网络全局寻优能力,提高网络速度,防止网络陷入局部最小值.同时该算法较确切地反映出河道水量还原计算中河道水量形成非线性这一本质现象,提高了河道水量还原计算结果的精度.     

功效系数法在确定岩体优势面中的应用

根据岩石优势结构面确定的特点,提出了一种既可以考虑结构面数量优势又可以考虑结构面质量优势的确定岩体优势面的新方法:改进功效系数法.总结出了结构面评价的6组重要优势指标,并对改进功效系数法中的各个指标评价档次的选择进行了讨论.实例验证结果表明,新方法是合理有效的.     

基于信息熵和GA-ELM的调制识别算法

针对当前通信信号调制识别算法在低信噪比（signal-to-noise ratio，SNR）下识别率低、训练速度慢、识别调制类型少的问题，提出了基于信息熵特征和遗传算法-超限学习机（genetic algorithm-extreme learning machine，GA-ELM）的调制识别算法。首先，提取信号的4种熵特征：奇异谱香农熵、奇异谱指数熵、功率谱香农熵和功率谱指数熵作为调制识别的特征参数；其次，采用GA-ELM作为分类器。仿真实验表明，对11种模拟、数字调制信号进行分类识别，在SNR大于4 dB时算法的总体识别率均超过98%，同时该算法训练速度快，识别系统设计简单，具有较大的应用价值。     

基于卡尔曼粒子滤波算法的锂电池SOC估计

基于UTS分容柜所测得的实验数据,建立了18650锂电池的三阶Thevenin模型。将扩展卡尔曼滤波算法(Extened Kalman Filter,EKF)作为粒子滤波算法(Particle Filter,PF)的重要密度函数形成了扩展卡尔曼粒子滤波算法(Extened Kalman Particle Filter,EKPF)。对于EKPF算法在重采样过程中存在的样本退化、多样性丧失的问题,提出了一种通过权值排序的优胜劣汰粒子选择算法。采用通过该方法改进的EKPF算法对所建立的三阶Thevenin模型进行电池荷电状态(State of Charge,SOC)估计,实验结果表明,改进EKPF算法的SOC估计精度优于EKF算法和PF算法的SOC估计精度。