基于BP神经网络的手势动作表面肌电信号的模式识别

手势语言在日常生活中有着广泛的应用,本研究利用手势动作时从前臂4块肌肉上获取的4路表面肌电(SEMG)信号,经特征提取并采用BP神经网络,对8种手势动作模式进行了识别。鉴于BP网络具有较强的模式分类能力,而特征提取(幅度绝对值均值、AR模型系数、过零率)又利用了多路肌电信号的信息,实验结果取得了较高的识别正确率,表明所采用的方法是有效的。

基于多元线性回归与BP神经网络的缝口强力预测

缝口强力的影响因素众多且相互间的关系复杂,有效地预测缝口强力有利于服装的品控。采用经选定的涤棉混纺面料为实验对象,通过控制变量法进行缝口强力5因素3水平的全面实验。选定缝纫因素,包括缝型、线迹类型、缝边宽度、机针号数和线迹密度。用SPSS分析单因素对缝口强力的影响作为预测依据;基于多元线性回归和BP人工神经网络,用Matlab编程建立缝口强力预测模型,并比较两种预测方法的准确性;最后用较优的预测模型搭建针对服装企业的缝纫工艺参数推荐框架。结果表明:多元线性回归与BP神经网络模型预测误差均值分别为8.579%和2.642%,说明BP神经网络的整体预测精度更高,建议采用BP神经网络预测模型来进行缝纫工艺参数推荐。

基于面料性能的半紧身裙造型特征及预测模型

由于服装造型的评价往往借助于主观的方法,评价结果直观、快速,但人为影响很大,缺乏科学的定量描述,为此提出半紧身裙造型特征的客观评价方法。设定裙宽、裙厚、裙摆波褶数、裙摆平均半径、裙摆平均半径标准差和裙摆面积等造型特征参数。在分析面料性能的基础上分别建立半紧身裙造型特征参数预测的线性回归预测模型和BP神经网络模型。通过比较实测值与预测值的相关系数发现BP神经网络预测模型的预测精度要优于线性回归预测模型。

变截面涡旋盘齿面粗糙度的双预测模型

目的精确预测三段基圆变截面涡旋盘齿面粗糙度,确定合理的铣削参数,提高变截面涡旋盘齿面的加工质量。方法首先在正交试验的铣削参数条件下,用XK714数控铣床对毛坯件进行铣削加工,获得三段基圆变截面涡旋盘,用SJ-210表面粗糙度测量仪测量已加工涡旋齿侧面的粗糙度值。然后利用铣削参数和测量的粗糙度值,建立齿面粗糙度的多元回归预测模型和改进的BP神经网络预测模型及双预测模型,并验证该三种模型的精确度。最后对单一因素条件下的粗糙度进行预测、分析。结果经过计算可得,齿面粗糙度的多元回归预测模型的平均误差为1.43%,最大误差为3.09%。改进的BP神经网络预测模型的平均误差为1.33%,最大误差为3.22%。两种模型的预测平均值作为双预测模型时,预测平均误差为0.627%,最大误差为1.51%。结论齿面粗糙度的双预测模型的平均误差明显降低,同时可以避免单一预测模型产生主观预测误差。各铣削因素对粗糙度的影响程度不同,进给量fz>吃刀深度ap>刀具转速n>侧吃刀量ae。随着进给量、吃刀深度、侧吃刀量的增加,齿面粗糙度值增加;随着刀具转速升高,齿面粗糙度值降低。

柔印质量预测模型的构建和比较

研究了柔印水性油墨黏度、网纹辊线数、刮刀刀刃形状、印版肖氏硬度、印版图文高度、双面胶带类型、印刷速度在不同组合条件下,对印品密度、印刷对比度、耐印米数的影响,并分析了7个工艺参数的交互关系和优化工艺组合。进而分别通过多元线性回归方法和BP神经网络建立了以工艺参数为自变量,因变量分别为密度、印刷对比度、耐印米数的预测模型。研究结果表明,影响耐印米数、印刷对比度、密度最主要的因素分别是刮刀刀刃形状、印版图文高度、印刷速度。多元线性回归方程精度较低,但便于使用,BP网络模型则精度较好。

融合影像纹理、光谱与地形特征的森林冠顶高反演模型

针对基于光学遥感数据的区域森林冠顶高反演精度较低的问题,基于SPOT5多光谱影像的纹理、光谱与地形特征参数分别运用多元逐步回归(multiple stepwise regression,MSR)、偏最小二乘回归(partial least squares regression,PLSR)和BP(back-propagation)神经网络模型进行区域森林冠顶高反演,对模型的反演精度进行对比分析,确定研究区最优模型。结果显示,各林型纹理参数与样地实测冠顶高相关性皆优于其他光谱参数,各林型森林冠顶高反演模型中BP神经网络模型估算精度优于其他模型。对于BP神经网络模型,阔叶林、针叶林与混交林模型验证结果的决定系数R^2分别为0.76,0.97和0.92,均方根误差(root mean square error,RMSE)分别为1.6 m,1.35 m和2.29 m。研究表明纹理参数可以很好地反映森林冠层的结构特征,结合影像纹理、光谱与地形特征参数的BP神经网络模型在森林冠顶高反演方面具有良好的应用潜力。