基于信息融合技术的球磨机三因素负荷检测研究

采用多传感器信息融合技术实现对介质充填率、料球比以及磨矿浓度三因素的检测,并通过神经网络建立球磨机外部响应与内部负荷参数之间的关系模型,对球磨机负荷进行预测,为球磨机优化控制奠定基础。     

基于回声状态神经网络风电齿轮箱故障诊断方法

增速齿轮箱是大型风力发电机组的关键部件,应采用合适的方法进行故障诊断对其运行状态进行预测。本文提出了基于小波包和回声状态神经网络的齿轮箱故障诊断方法。首先利用小波包分解风机齿轮箱的故障信号,能够得到振动信号位于不同频段的故障特征,接着对不同频段的故障特征频率做归一化处理,进而组成故障特征向量,最后将特征向量输入回声神经网络模型得到故障类型。该方法减小了传统的BP神经网络模型神经网络算法陷入局部最优解的风险,提高了网络的收敛速度。     

混沌果蝇-最小二乘支持向量机变压器DGA诊断

针对基本果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的缺点,融合混沌算法对果蝇优化算法的进化机制进行改进,提出混沌果蝇优化算法(CFOA)。将CFOA算法应用于最小二乘支持向量机(LSSVM)惩罚因子和核函数参数的选择中,可以改善参数选择的随机性和盲目性,从而建立基于CFOA-ISSVM的故障模式预测模型。应用该模型对变压器油中溶解气体故障模式进行预测,结果表明,CFOA方法在在收敛速度、收敛可靠性及收敛精度上均比基本FOA有较大的提高,依此而建立的CFOA-LSSVM故障模式预测模型具有较高的准确率。     

基于混沌蚁群算法的SVM模型在水库枯水期径流预测中的应用

本文采用混沌蚁群算法对SVM模型的参数进行优化计算,并采用高斯核函数对模型进行混沌特性识别,简化模型在枯水期径流预测非线性求解过程。结合优化模型对水库枯水期径流进行预测。研究结果表明:基于混沌蚁群算法的SVM模型可较好的辨识复杂的水文序列,模型具有较高的泛化能力,相比于传统算法,水库枯水期径流预测精度得到明显改善,具有较高的适用性。研究成果对于水库枯水期径流预测提供方法参考。     

灰色神经网络在轴承故障预测中的应用

为提高旋转机械中滚动轴承故障预测的精度,提出灰色神经网络预测模型。利用训练样本数据,使用灰色神经网络模型完成训练过程;基于已训练好的模型对未来时间点的运行状态进行拟合,实现轴承的故障趋势预测。相比采用单一的BP神经网络预测模型,该组合模型具有较高的精度,对轴承故障趋势预测有一定的现实意义。     

基于改进小波神经网络模型的汤河含沙量预测研究

本文引入变量权重系数对小波神经网络进行改进,改善传统小波神经网络模型易出现局部收敛的缺陷,并将改进小波神经网络模型对汤河含沙量进行预测。研究结果表明:改进的小波神经网络模型改进了传统BP神经网络模型存在局部收敛的缺陷,在河流含沙量预测中,模拟的含沙量相对误差符合含沙量预测规范精度,可用于河流含沙量预测。研究成果对于河流含沙量预测提供参考价值。     

彩色复制中颜色信息传递算法的研究进展

本文深入分析了彩色复制过程中造成阶调失真的主要原因,重点阐述了颜色传递过程中引入误差的影响。将颜色传递过程分解为色域映射和色空间转换两大类算法,首先对色域映射边界的描述以及基于图像的色域映射算法的选择问题进行了分析;对色空间转换常用的三种算法,即多项式回归、神经网络和三维插值等算法进行了对比和分析,并列举了当前这一领域的研究现状和今后的发展方向。     

遗传算法优化的小波神经网络在短期电力负荷预测中的应用

本文利用遗产算法的全局优化搜索能力来优化了小波神经网络,建立了基于遗产算法的小波神经网络短期电力负荷预测模型,克服了BP神经网络自身算法的缺陷,得到了更高的学习精度和更快的收敛速度,经实例也验证了该模型能有效地提高预测精度,减小负荷预测误差,避免了BP神经网络的固有缺陷.     

GA －BP 神经网络模型在地区工业技术创新能力评价中的应用

针对当前技术创新能力评价方法大多建立在线性模型的基础上,且技术创新能力影响因素较多,可能存在多重共线性的缺陷,本文提出了遗传算法优化的BP神经网络模型。GA－BP神经网络模型在以下几方面做出了改进：①利用了神经网络强大的非线性关系映射能力,避免了传统线性模型的缺陷。②利用遗传算法对评价指标进行了降维,去除了多重共线性。③使用遗传算法从全局搜寻BP神经网络权值和阀值向量,优化了BP神经网络模型,避免了BP神经网络由于使用梯度下降算法,容易陷入局部最优解的缺陷。本文最后选取2008～2013年全国31个省市规模以上工业企业技术创新能力124条数据作为训练样本,31条数据作为测试样本,分别测试遗传算法优化的BP神经网络和未优化的BP神经网络,测试结果显示遗传算法优化的BP神经网络模型预测准确率高于未优化的BP神经网络模型。     

基于BP神经网络的变电工程造价分析模型研究与预测

本文使用神经网络对变电站造价与其影响因素进行分析、预测。首先,运用模糊数学理论对变电站工程样本进行优选,选出与待估价工程类似的训练样本;然后,运用BP神经网络实现变电站工程造价和主要影响因素之间的复杂非线性映射,进而用已建的模型对工程进行造价预测;最后,通过比对实际值和预测值,验证所建模型的预测精度。     

遗传算法优化BP神经网络的岩质边坡稳定性预测

为了解决边坡工程中非线性变化给稳定性预测造成的困难,建立了GA-BP神经网络计算模型预测岩质边坡稳定性。采用定性评价和相互作用矩阵复核的方式,选取边坡坡度、边坡高度、斜坡结构类型、岩体强度、控滑结构面倾角、岩体结构特征、地表变形强度、人类活动强度8个评价因子作为BP神经网络的输入变量;利用遗传算法对神经网络的初始权值和阈值进行优化后训练岩质边坡稳定性预测模型;对比分析GA-BP神经网络和BP神经网络的预测效果。结果表明,优化后的预测结果误差绝对值小于0.15的占85%,未优化的传统神经网络仅占45%,优化后的预测结果更加接近真实值,表明遗传算法对传统BP神经网络的优化是有效的。研究结果对建立岩质边坡稳定性预测模型具有一定的参考价值。     

基于WOA-LSTM的窄带通信网网络时延预测算法

为了给窄带通信网的链路选择及协议的智能切换提供实时参考,设计了 一种基于鲸鱼优化算法(WOA)和长短期记忆神经网络(LSTM)的窄带通信网网络时延预测算法.首先对实测数据样本进行标准化处理,以LSTM神经网络算法的均方根误差函数的倒数作为适应度函数;其次采用鲸鱼优化算法对LSTM神经网络的学习率、隐含层神经元个数进行优...     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

一种基于奇异值分解和反传神经网络的多小波域数字水印算法

针对图像经过CARDBAL多小波变换后,各层系数的能量平均分配,且其同一尺度、同一方向上的4个子块系数相近这一特性,结合奇异值分解和BP神经网络将二值图案水印嵌入到多小波系数的高频分量中。实验表明,该算法有良好的不可感知性和强健的鲁棒性。     

L-M贝叶斯正则化BP神经网络在红外CO_2传感器的应用

针对温度会影响红外CO_2传感器的输出电压,造成对CO_2的浓度检测误差较大的问题,提出了一种基于L-M贝叶斯正则化BP神经网络的温度补偿方法。实验中将传感器输出电压比和温度作为神经网络的输入,CO_2浓度作为神经网络的输出,并通过L-M算法和贝叶斯正则化对神经网络进行优化。经过实验仿真证明,在温度补偿后红外CO_2传感器测量输出的浓度值最大相对误差为4.557 8%,具有较高的精确度。因此L-M贝叶斯正则化BP神经网络能对红外CO_2传感器进行有效的温度补偿,可为相关红外传感器仪器的改进提供参考。     

支持向量机模型在断层破碎带围岩变形预测中的应用

围岩变形预测是隧道安全评价及其指导后期施工的重要依据,为提高变形预测精度,结合工程实践,提出了PSO-SVM-BP预测模型的思路。首先,利用三次样条插值及二次平滑法对变形数据进行预处理,为后期变形预测奠定基础;其次,利用粒子群算法对支持向量机进行参数优化,建立PSO-SVM模型,并对围岩变形进行初步预测;最后,利用BP神经网络进行误差修正,达到综合预测的目的,并利用工程实例进行检验,以验证预测模型的有效性。结果表明:初步预测结果的相对误差均小于5%,而误差修正后的预测精度被提高到0.97%,预测精度较高,验证了预测模型的有效性,可为类似研究提供参考。     

一类神经网络自校正控制器的设计与研究

提出一种新的神经网络自校正控制器的设计方法 ,采用神经网络 BP算法作为控制器来控制实际对象 ,动态地修改神经网络的权值作为自校正方法 ,使系统较好地适应负荷和外扰的变化 ,获得满意的控制质量。     

基于优化模糊神经网络控制的加热炉应用

针对加热炉具有大惯性和纯滞后性,提出优化模糊神经网络控制。该控制将模糊逻辑推理与神经网络控制技术融合,同时利用遗传算法优化隶属度函数,采用误差反向传播学习算法在线调节神经网络权值,提高了控制器的稳定性、鲁棒性和适应性。仿真结果证实了控制器的有效性。     

基于图像的地铁车站施工人员不安全行为识别研究

为了解决人工监测不能实时看护和及时管理地铁车站施工人员的不安全行为等问题,构建了基于KNN,MLP和LSTM模型的不安全行为识别神经网络模型。首先,通过行为理论研究和现场调查分析,对地铁车站施工不安全行为进行了分类;其次,通过实验构建人体数据集,基于人体骨骼关节点提取不安全行为特征,并进行模型训练;最后,基于MobileNet V1的SSD目标检测算法对施工人员进行定位和追踪,结合射线法判断目标是否跨越不安全区域并发出警报,搭建神经网络模型对施工人员的不安全行为进行识别,并获得计算识别率。结果表明：传统机器学习算法KNN总体准确率为93.45%,优化后的MLP和LSTM两种神经网络模型总体准确率分别达到93.94%和93.68%,相对KNN算法分别提高了0.49%和0.23%。因此所提模型能有效识别施工人员不安全行为,可为地铁施工安全智能识别技术应用提供参考。     

一种基于感受野增强的人脸检测方法

为了解决多任务级联卷积神经网络（MTCNN）算法网络模型在小人脸检测方面鲁棒性较低的问题,提出了一种基于感受野增强的网络模型。首先,为MTCNN算法模型中的R-Net网络和O-Net网络添加感受野模块（receptive field blocks,RFB-S）。其次,通过添加批量标准化和全局平均池化,加速网络模型的收敛,防止模型过拟合。最后,调整网络任务的权重,P-Net和R-Net网络用于人脸区域粗筛选,O-Net网络用于人脸区域精筛选以及人脸关键点回归。实验结果表明,与MTCNN算法网络模型相比,所提模型缩小了16%,但检测速度提升了9%,在FDDB数据集上的检测精度提高了2.3%。因此,基于感受野增强的网络模型能有效完成人脸的检测任务,增强对小人脸检测的鲁棒性,可为人脸识别、表情识别等提供技术支持。