计算机控制的超声导波技术在石油管道腐蚀检测中的应用

简述了计算机控制的超声导波检测技术在管道腐蚀缺陷检测中的重要意义。介绍了计算机控制的超声导波系统的组成、导波的产生机理、检测的基本原理、模态的选取、缺陷识别、定位技术和现场检测应用效果等,最后讨论了超声导波检测技术的发展方向。     

基于BP神经网络的LT模型影响力最大化研究

影响力最大化问题的主要目标是挖掘社交网络中影响力排名前k个用户，使影响力发挥至最大效用。为了提高识别用户的准确率，提出一种基于BP神经网络的影响力最大化算法。该算法基于数据驱动方法利用BP神经网络优化预测模型，并使用改进的樽海鞘优化算法识别有效节点。在BA网络中的实验结果表明，该算法优于其他几种影响力优化算法。     

基于WT-CNN深度学习的轴承故障识别

针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络（WT-CNN）轴承故障类别的自动识别方法。首先采用连续小波变换（CWT）将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层（CNN）进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。     

基于多分辨正交多小波网络的矿物油三维荧光光谱识别技术

本文基于多小波的多分辨分析思想,采用一种将具有紧支撑集、对称性和正交性的多尺度函数和多小波函数作为网络的激励函数而构造的具有分层、多分辨和局部学习特点的多小波神经网络,实现了对矿物油荧光光谱的分类识别。实验表明,该网络不仅保留了小波神经网络的所有优点,而且比单小波神经网络具有更好的逼近性质,以更少的训练次数实现了矿物油的识别,识别正确率达96%。     

基于卷积神经网络的管道井缺陷识别研究

管道井与人类社会生活息息相关,而由于管道井盖丢失、破损造成交通事故频发,危害人类财产生命安全。本文提出利用计算机视觉技术检测识别管道井缺陷,然后通过标记报警功能来实时抢修,可以避免更多事故的发生。本文通过构建深度神经网络模型,利用卷积神经网络模型自动提取图像中每种管道井缺陷的特征,通过对管道井的六种缺陷现象进行训练、测试,得到最终识别结果。实验结果表明,卷积神经网络对管道井缺陷图像的识别达到来预期的效果,并在缺陷检测中优于传统的分类模型。     

基于改进GoogLeNet的汽车仓储库区障碍物分类识别方法

针对汽车仓储库区的特点，提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法，即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进，并在此基础上增加四分类全连接层，改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器，对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短，大大增加了AGV障碍物检测系统的准确性与鲁棒性。     

基于改进的樽海鞘算法优化BP神经网络参数的分类识别方法

针对BP神经网络容易陷入局部最优解从而无法收敛到全局最优解,以及收敛速率过慢的现象,本文采用一种改进的樽海鞘算法寻找BP神经网络的权重和阈值这两个参数的最优参数。之后采用BCI 2003运动想象数据集进行分类识别测试,并且分别利用樽海鞘算法、粒子群优化算法、差分进化算法、权重自适应樽海鞘算法、疯狂自适应樽海鞘算法对BP神经网络进行参数优化作对比研究,结果显示,采用改进的樽海鞘算法优化BP神经网络参数的模型比其他模型得到的平均分类准确率要高。     

数字射线检测焊接缺陷的模式识别算法

为了准确提取与识别焊缝射线数字成像中焊接缺陷,本文提出了一种基于神经网络的模式识别算法。首先,分析了非线性模式分类的基本原理,通过人工神经网络实现对焊缝内存在的焊接缺陷进行分类;然后,采用缺陷的几何特征作为分类算法的输入数据,并应用神经网络关联标准理论评估鉴别能力,证明了特征提取的质量重要性优于数量;最后,将基于神经网络的主要非线性鉴别分量的识别算法应用于缺陷识别中,并通过大量实验分析与评价其分类性能。实验结果数据证明该算法在焊接缺陷模式识别方面具有较高的效率。     

基于人工神经网的入侵检测技术应用研究

入侵检测属于动态安全技术,它能够主动检测网络的易受攻击点。相对于传统的入侵检测技术来说,采用人工神经网的入侵检测具有检测准确度高以及能识别大量新型攻击的优点。本文提出了基于BP神经网络的入侵检测系统,详细分析了基于BP神经网络的入侵检测系统的设计和实现过程,并利用KDD cup 99数据集通过仿真实验表明这种神经网络算法可以有效地应用到入侵检测系统中。     

基于LabVIEW的滚动轴承故障智能诊断系统

利用LabVIEW平台开发了齿轮故障诊断系统。系统主要采用共振解调诊断和BP神经网络诊断两种方法。共振解调诊断由Hilbert解调和小波包解调实现故障频率识别;BP神经网络诊断由对有量纲和无量纲参量提取的特征以及根据小波相对能量提取的特征作为神经网络的输入向量,轴承的故障类型作为输出向量,采用神经网络对轴承进行诊断,实验结果表明:通过解调和神经网络诊断,该系统能有效识别齿轮故障,确定故障类型。