双BP神经网络在磨损颗粒自动识别中的应用

引入了一套磨粒形态学描述子来提取磨损颗粒的显微形态特征 ,然后以此为输入参数提出了一套BP神经网络 ,对磨损颗粒进行自动识别分类。针对本网络输入参数多 ,网络训练耗时长的问题 ,尝试采用因子模糊化的网络训练方法 ,大幅度提高了神经网络的训练速度 ,并取得了较好的应用效果。

基于双BP神经网络数据融合的水声定位研究

针对多传感器水声定位的数据融合问题,对目前常用的基于BP神经网络的数据融合算法进行改进,提出了基于双BP神经网络数据融合的水声定位算法。该算法首先将传感器采集回来的数据依次输入到异常数据识别网络,进行训练,剔除异常数据点;再将异常数据识别网络所训练出来的有效数据输入到有效点融合网络,得出最终的定位目标。仿真实验表明,与常规的基于多传感器的水声定位算法相比,该方法在速度和精度上都存在一定优势。

双隐含层BP神经网络模型在老哈河水质预测中的应用

为了快速准确预测老哈河水质,采用老哈河2011-2015年水质监测数据,运用拉格朗日插值法补充缺失值,分别对化学需氧量、生化需氧量、高锰酸盐指数和总磷浓度建立Levenberg-Marquardt优化的双隐含层BP神经网络模型,利用2011-2014的数据建立训练网络,以2015年的数据进行验证与测试。结果表明:五日生化需氧量预测模型,第一隐含层节点数为4,第二隐含层节点数为12时,决定系数0.751 6(P=0.000 3),平均相对误差25.73%;化学需氧量预测模型,第一隐含层节点数为12,第二隐含层节点数为10时,决定系数0.887 5(P<0.000 1),平均相对误差27.69%;高锰酸盐预测模型,第一隐含层节点数为6,第二隐含层节点数为3时,决定系数0.854 7(P<0.000 1),平均相对误差28.90%;总磷预测模型,第一隐含层节点数为12,第二隐含层节点数为12时,决定系数0.889 2(P<0.000 1),平均相对误差17.94%。应用拉格朗日插值法对缺失数据进行补充后建立的双隐含层BP神经网络模型相对误差均小于28.90%,模型的预测效果较好,其中总磷浓度预测效果最好。通过拉格朗日插值,可以建立老哈河赤峰段甸子点位污染指标的双隐含层人工神经网络模型进行水质预测。

基于图像处理和双BP神经网络的电气化铁路接触网立柱标识牌识别算法研究

故障位置点定位是实现轨道维护及保养的前提,利用接触网立柱标识牌实现定位是一种常用的轨道定位方法,但常规的识别方法存在识别率低且速度慢的缺点。针对该问题,提出一种基于图像处理和双神经网络的接触网立柱标识牌识别算法。首先利用Hough变换提取出接触网支柱区域,减小识别区域,其次通过形态学方法实现标识牌的定位与裁剪,再采用水平投影方法对字符进行分割,最后对字符中的字母和数字分别进行特征提取,利用两路并行的反向传播神经网络进行识别。通过实验验证了该算法的有效性,结果表明:该方法精度可达98.3%,相较于传统识别方法速度提高了17%。因此该识别算法能够实现轨道故障位置的快速精确定位,可用于轨道智能巡检系统。

双BP网格在损伤评估智能结构中的应用

为满足智能材料结构中大量的传感器和驱动器的信息处理和控制要求，目前应用较多的是ＢＰ网络，但它存在一些缺陷。本文研究采用双ＢＰ网络替代标准ＢＰ网络以提高其泛化能力，并应用于损伤评估智能复合材料结构中。

基于DSP的便携式气体检测仪系统

以新型处理器DSP TMS320F28335为核心,提出一种新型的便携式气体检测系统研究方案。该方案选用6个气敏传感器和温湿度测量模块共同组成传感器阵列,结合优良气体检测模式识别算法的选取原则,运用改进的具有温湿度补偿能力的新型双BP网络对含有甲烷(CH4)和氢气(H2)两种混合气体中单一气体成分和混合气体成分分别进行定性识别和定量检测。实验结果表明:该方案克服了其它某些模式识别方法存在的一些不足之处,并提高了气体定性识别和定量检测的准确率,具有较高的工程应用价值。

Local hierarchical non-negative tensor factorization and its application in machinery fault diagnosis

Aiming at the slow convergence and low accuracy problems of the traditional non-negative tensor factorization, a local hierarchical non-negative tensor factorization method is proposed by applying the local objective function theory to non- negative tensor factorization and combining the three semi-non- negative matrix factorization（NMF） model. The effectiveness of the method is verified by the facial feature extraction experiment. Through the decomposition of a series of an air compressor＇s vibration signals composed in the form of a bispectrum by this new method, the basis images representing the fault features and corresponding weight matrices are obtained. Then the relationships between characteristics and faults are analyzed and the fault types are classified by importing the weight matrices into the BP neural network. Experimental results show that the accuracy of fault diagnosis is improved by this new method compared with other feature extraction methods.

清漂无人船船体轻量化研究

以清漂无人船质量最轻为设计目标,将船舶设计规范要求的板厚尺寸及最大等效应力、剪应力作为约束条件,通过灵敏度分析筛选确定设计变量。将设计变量进行正交试验,得到神经网络训练和测试样本。构建双隐含层的BP神经网络模型替代耗时的有限元模型,确定应力与设计变量之间的关系,并与不同隐含层的神经网络进行比较,得出双隐含层BP神经网络模型性能更好的结论,从而用其对清漂无人船进行轻量化优化。优化后的船体质量降低10.3%。优化后的船体经有限元分析,满足船舶设计规范要求,说明双隐含层BP神经网络模型在船舶结构设计优化上具有可行性。