古代玻璃文物鉴别和分类问题的统计分析

古代玻璃文物由于存放时间过长,其化学成分必然发生变化,甚至导致原貌无法辨认,因此运用科学的统计方法进行分析和鉴别具有重要的意义。以54件玻璃文物为研究对象,选取其化学成分含量、纹饰和颜色等指标,运用卡方独立性检验来探讨影响玻璃文物表面风化的因素,发现文物的表面风化与其玻璃类型的相关性较强,而与纹饰、颜色的相关性弱。为精确判断文物类别,提出了一种基于学习向量量化(LVQ)网络的玻璃文物鉴别方法,利用系统聚类法对两类玻璃进行亚分类,将高钾玻璃分为高硅类高钾玻璃、高钾类高钾玻璃及高钙类高钾玻璃,将铅钡玻璃分为高硅类铅钡玻璃和高铅类铅钡玻璃。

基于空间向量角的乳房形态分类与文胸合体性评估

采用空间向量角来表征乳房形态,提出了一种青年女性乳房三维形态分类方法。首先获取209名18~25岁青年女性的乳房三维点云数据,并构建了6个乳房形态空间向量角作为聚类指标,采用k-means聚类,以手肘法确定最佳聚类数,运用学习向量量化神经网络(Learning vector quantization, LVQ)构建乳房形态判别模型,实现女性乳房形态的细分与判别。对细分后的乳房类型制作相应的文胸样板,通过虚拟试衣和实物试穿进行合体性评估,结果表明:青年女性乳房占比最多的为70B文胸号型,乳房细分为适中内敛型、平坦低胸位型、丰满外扩型。构建的LVQ神经网络青年女性乳房形态判别模型,准确率达93.33%。数字化服装压力和真实试穿实验表明,细分后的文胸合体性得到了有效提高,为不同类型乳房的文胸合体性结构设计提供参考。

基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明:网络在很宽广的阈值范围内(0.001~0.99)分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。

基于LVQ神经网络的青年女性胸部识别模型构建

为提高青年女性胸部形态分类的准确率,填补文胸号型分类体系存在的缺陷,结合青年女性胸部体型特征构建了一种基于LVQ神经网络的青年女性胸部识别模型。研究运用非接触式激光三维技术共采集216个青年女大学生胸部数据,将因子分析提取的9个胸部特征指标采用K-means聚类法,通过手肘图、轮廓系数图确定K值,最终将胸型分为4类。在此基础上构建LVQ神经网络胸型识别模型,以9项胸部特征指标为输入,4种胸型为输出,进行LVQ神经网络的训练。研究结果表明:模型经训练及测试后,识别精度达到95%,Kappa系数为0.932。与BP、PNN神经网络模型相比,在运算效率、模型精度和稳定性方面,LVQ神经网络模型的表现要明显优于其他两种神经网络。

基于FRI采样的架空线路暂态电流行波故障检测

为提高故障检测精度,提出基于频率响应辨识(Frequency Response Identification,FRI)采样的架空线路暂态电流行波故障检测方法。将暂态电流脉冲流拟合为高斯脉冲串,结合离散傅里叶变换和谱分析确定稀疏数据,并重构暂态电流行波信号。通过Hilbert变换获取时频谱特征,分析前三个模态分量能量,作为故障特征输入LVQ神经网络,通过迭代运算输出故障类型。实验结果表明,该方法可实现暂态电流行波信号的准确重构,故障检测成功率达到96%以上。

基于LVQ神经网络的电力网络智能风险预警方法

针对现有电力网络风险预警方法在实际应用中,存在无法找出全部异常数据,无法实现对电力网络安全的准确判别问题,引入LVQ神经网络,开展对电力网络智能风险预警方法的设计研究。从多个来源采集电力网络运行数据,并对其处理。利用LVQ神经网络,实现对异常数据的排查和定级。最后,应用全业务合规管理监控,实现对电力网络风险的智能化预警和对预警结果的可视化展现。通过对比实验证明,新的预警方法可以实现对电力网络中异常数据的全部查出,促进电力网络运行安全性提升。

基于人工神经网络与图像处理的苹果识别方法研究

针对中国苹果等级划分主要依靠人工感官进行识别判断的现状,提出了以应用计算机视觉以及图像处理技术为基础,通过改变传统学习向量量化(LVQ)网络输入层各参数的权重来改变其在竞争层中的竞争能力。采用改进后的LVQ网络算法,对苹果进行等级判别试验,取得了良好的试验结果,识别正确率达88.9%,且具有较好的稳定性。

用人工神经网络方法评估桥梁缺损状况

针对现有桥梁评估方法存在的不足 ,介绍了一种应用神经网络进行桥梁缺损状况评估的方法 ,并对几种常见的人工神经网络模型的评估效果进行了比较 .利用广东省内10 18座桥梁的养护数据 ,对神经网络进行训练和测试 ,发现使用神经网络对桥梁进行评估 ,能够取得比较好的评估效果 .使用神经网络方法对桥梁“等级”进行评估 ,其准确率超过 6 0 % ,平均每座桥的评估误差为 0 .2 5个等级 .

混合神经网络在变压器故障诊断中的应用

针对变压器故障诊断准确率低的问题提出了粒子群-自组织映射-学习矢量化(PSO-SOM-LVQ)混合神经网络算法。为了获取更加有效的SOM神经网络拓扑结构,首先采用PSO算法对SOM神经网络的权值向量加以改进,在此基础上融入LVQ神经网络,弥补了无监督学习SOM神经网络的不足。这种PSO、SOM和LVQ相结合的混合神经网络算法提高了变压器故障诊断的精度,减少了故障诊断的误差。通过仿真,对SOM、PSO-SOM和PSO-SOM-LVQ这3种算法进行了对比。对比结果表明,PSO-SOM-LVQ混合神经网络算法准确度最高,其故障诊断准确率为100%。由此可见,采用PSO-SOM-LVQ混合神经网络算法可有效提高变压器故障诊断的性能。

基于人工神经网络的苹果等级判别方法研究

应用计算机视觉以及图像处理技术,提出一种基于改进的LVQ人工神经网络算法,从苹果的色泽、横径及果形指数3方面对苹果进行等级划分。结果表明,与传统的LVQ人工神经网络相比,改进的LVQ人工神经网络提高了苹果的分选精度,具有更好的判别效果。

基于神经网络的单站雾预报试验

采集大连某机场2004—2007年大雾、轻雾和无雾天气事件共186例,选取雾天气事件前期(前一日08:00,14:00,20:00(北京时)实测资料)的温、压、湿、风等要素指标为预报因子,基于学习向量量化神经网络(learning vector quantization,LVQ),采用逐级预报思想建立起某机场雾天气事件的预报模型。在网络训练过程中,动态调整网络神经元比例参数,提高模型的预报能力;采用根据检验准确率适时终止训练的"先停止"技术,有效提高了模型的泛化能力。预报试验表明:无论是拟合率还是独立预报准确率,模型均已达到较高水准,具有实际应用意义。

基于LVQ神经网络的植物种类识别

提出一种基于学习矢量量化(LVQ)神经网络的计算机植物种类识别新方法.使用2-D不变矩、多尺度2-D Gabor滤波器等多种方法分别提取了叶片的几何特征和纹理特征,应用LVQ神经网络识别植物种类.实验结果表明,该方法对植物种类的识别效率较高.

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。

基于肌电信号的人手运动状态的辨识

研究的目的在于利用人体前臂的肌电信号进行人手动作模式的识别。根据采集的肌电信号,判断动作始末状态并对该肌电信号进行小波降噪预处理,利用小波变换的高频细节系数极值构造特征矢量,经过学习矢量量化(LVQ)神经网络训练,能够有效地识别握拳、展拳、手腕内旋和手腕外旋4种动作模式。和前馈型神经网络比较,LVQ神经网络具有更高的识别准确率和更稳定的再现性。

基于LVQ神经网络的配电网故障定位方法

分析了配电网单相接地故障定位的难点及利用行波精确定位的问题。在利用故障点反射行波信号确定配电网单相接地故障距离的基础上,重点研究了应用学习向量量化(Learn Vector Quantization,LVQ)神经网络方法,利用该方法对不同分支的反射行波进行了特征提取与模式识别,实现了故障分支的判别,从而实现了精确定位。为了明确LVQ神经网络方法在精确定位方面的优越性,同时利用传统的BP(Back-Propagation)神经网络方法进行了比较。ATP-EMTP和Matlab软件对LVQ和BP两种神经网络方法进行了仿真验证;结果证明,在解决配电网单相接地故障精确定位问题方面,LVQ神经网络的效果优于BP神经网络。

学习向量量化神经网络在多波束底质分类中的应用研究

利用多波束测深系统获取的反向散射强度数据,应用学习向量量化(learning vector quantization,LVQ)神经网络分类方法实现了对海底砂、砾石和基岩等底质类型的快速、有效的识别。通过比较,证明了该方法能较好地区分出不同海底底质类型。

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.

一种基于经验模式分解的气液两相流流型识别方法

提出了一种基于经验模式分解的气液两相流流型识别方法。该方法首先对压差波动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和,再选取若干个包含主要流型信息的IMF分量,并从中提取时域特征指标—峭度系数作为LVQ神经网络的输入参数,从而实现流型的智能识别。对水平管内空气—水两相流流型的识别结果表明:以EMD为预处理器提取峭度系数的LVQ网络识别方法具有更高的识别率,可以准确、有效地识别流型。

基于小波包LVQ网络的传感器故障诊断

提出小波包分解提取各个节点特征能量与LVQ神经网络进行故障模式分类的传感器故障诊断方法.小波包三层分解得到各个节点的分解系数,通过一定的削减算法使得故障瞬态信号的特征得到加强,再根据重构的时域信号计算各个节点对应的能量,作为特征向量训练LVQ神经网络.通过正常状态及各种故障模式下的特征数据训练,LVQ网络具有了传感器故障诊断的功能.最后,通过火箭发动机试车台液氢管路流量传感器数据对训练之后的LVQ神经网络进行检验,验证了这种方法的实用性和有效性.

基于LVQ神经网络的冷轧带钢表面缺陷分类方法

将LVQ神经网络用于冷轧带钢表面缺陷的自动分类中，解决了以往分类方法在多缺陷模式类型情况下耗时多和准确率低的问题．对现场采集到的14种主要缺陷类型进行了实验．实验结果表明，基于LVQ神经网络的分类器训练与分类的时间短，在多缺陷种类分类的过程中准确率能得到保证．