基于SVM与ANN神经网络的车牌识别系统

由于车牌识别系统中车牌位置精确定位难和车牌中字符识别率低等问题。本文提出了一种基于SVM与ANN神经网络的车牌识别算法。通过Soble边缘检测算法与形态学算法相结合来确定大致的车牌轮廓,结合车牌的外接矩形的面积与长宽比来筛选出符合车牌特征的候选区域,再利用SVM分类器来判断检测到的区域中是否是车牌,来最终筛选出是车牌的区域。对于筛选出的车牌利用ANN神经网络进行车牌字符的识别。经验证,该车牌识别系统能够适用于比较复杂的环境,且识别速度快,准确率相对较高。

基于人工神经网络智能算法的9310钢本构模型优化

目的研究9310钢在变形温度为800~1200℃、应变速率为0.01~50s-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.9934,平均相对误差(AARE)和均方误差(MSE)分别为0.0556和89.362,它在预测高应变速率(1、10、50 s-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.9991,AARE和MSE分别降至0.0199和9.998,且绝对误差在±10MPa以内的预测流动应力占比为98.34%。结论在低应变速率(0.01 s-1)下软化效应更强,在高应变速率(10 s-1)下再结晶程度较低,软化效应较弱。ANN智能算法优化后的Arrhenius本构模型具有较高的精度,能较准确地预测9310钢的流动行为。

基于人工神经网络方法的FRP增强混凝土断裂研究新思路

纤维增强复合材料(FRP)作为一种新型的增强加固材料,由于其强度高、质量轻、防腐蚀、耐疲劳、与混凝土粘结性能好以及便于施工等诸多优点,在混凝土结构修复加固领域得到了广泛的应用。近年来,随着人工智能(AI)的逐渐兴起,机器学习(ML)作为实现AI的一种途径,在水利、建筑等各行各业也得到了长足的发展。首先简单介绍了ML的基本原理,并通过对ML在混凝土结构工程中应用的系统回顾与总结,指出了传统试验和数值模拟分析中FRP增强混凝土断裂研究存在的一些难点和局限性,阐述了基于ML的人工神经网络(ANN)方法在处理混凝土结构问题中的优越性,认为采用ANN方法能够有效解决FRP增强混凝土断裂研究中难以解决的问题;其次,对ANN方法应用于FRP增强混凝土断裂韧度预测中的新思路进行了详细介绍,给出了ANN方法应用于FRP增强混凝土断裂韧度预测的具体流程,并对其流程中的一些步骤给出了建议;最后,对ML应用于FRP增强混凝土断裂方向的深入研究进行了展望,提出了ML应用于FRP增强混凝土断裂方向深入研究的相关问题。

并联式混合动力发动机神经网络法转矩预测与闭环控制

利用实际发动机的标定数据搭建了GT-Suite及Matlab/Simulink联合仿真模型,建立了基于进气和发动机状态参数的预测转矩反馈协同控制模块。对比了ANN法和现有发动机的标定脉谱插值预测(MAP)法2种方法下发动机稳态及瞬态转矩变化、升降挡等工况预测的结果误差,结果表明:稳态工况下MAP法较为可靠,低、中、高3种发动机转速下转矩预测波动小,误差比ANN法低1.31%、1.09%和1.52%;实际瞬态转矩跃变及阶跃工况下,ANN法较MAP法误差低5.62%和1.32%,升降挡工况下低1.93%和0.84%。

基于自适应神经网络的磁编码器角度误差补偿算法

针对磁编码器中各类误差导致的解码精度低的问题,在神经网络原理的基础上提出单层自适应神经网络对正余弦信号中存在的幅值不相等、相位不正交、直流偏置、谐波与噪声等误差进行补偿。采用锁相环算法对补偿后的正余弦信号进行解码。电路中采用TLE5501磁阻芯片检测角度变化,利用TL082C运放芯片对信号进行调理,最后采用STM32G431单片机验证算法的性能。通过仿真与试验验证,证明了该算法的有效性与可行性。

近红外光谱技术结合Keras神经网络的枸杞子种类鉴别研究

枸杞子具有较高的营养和医学价值,不同产地品种的枸杞品质不同,价格也存在一定的差异,但由于缺乏有效的检测分级手段,枸杞市场鱼龙混杂,影响枸杞市场质量监管。为实现枸杞快速、无损的品种检测,本文提出基于傅里叶变换近红外光谱的枸杞子品种快速区分方法。利用傅里叶变换近红外光谱仪采集了青海、宁夏两个产地6个品种的枸杞子共计648个样本的光谱数据之后,通过多元散射校正(MSC)、标准正态变换(SNV)、移动平均平滑(MA)、标准化(SS)、Savitzky-Golay平滑滤波(SG)、最大最小归一化(MMS)、均值中心化(Zero-centered)分别对6个品种枸杞光谱数据进行预处理,并使用Python语言和Keras框架分别建立了2种神经网络模型。试验结果表明,标准化(SS)处理过后的枸杞光谱数据可快速、高效地实现中宁枸杞子品种判别,为食品安全应用提供了技术支撑。

基于人工神经网络和遗传算法的隧道爆破超挖预测模型研究

隧道超挖会额外增加施工成本,还将面临潜在开挖面坍塌、冒顶等风险。本文以G0711乌鲁木齐至尉犁段天山胜利隧道主洞施工为依托,利用人工神经网络(ANN)、遗传算法-人工神经网络(GA-ANN)两个智能模型来预测隧道超挖量。首先提取依托工程中的406个数据集组成数据库,其中延误次数、炮孔长度、炮孔抵抗线、炮孔间距、炸药单耗、围岩等级、炮孔抵抗线等参数为输入端,所预测隧道超挖量为输出端;然后根据均方根误差(RMSE)、方差贡献(VAF)和确定系数(R^(2))等性能指标筛选出预测精度更高的智能模型。研究结果表明:GA-ANN模型训练集和测试集结果(VAF=90.134,R^(2)=0.903,RMSE=0.058;VAF=88.030,R^(2)=0.881,RMSE=0.074)明显优于ANN模型(VAF=70.319,R^(2)=0.703,RMSE=0.103;VAF=768.731,R^(2)=0.693,RMSE=0.108),因此GA-ANN预测方法更能精确预测隧道钻爆施工超挖量。此外,敏感性分析结果表明,与其他输入相比,超挖主要受RMR参数影响,研究成果能够为公路隧道超挖量预测提供理论基础。

应用人工神经网络预测棒-板短空气间隙在淋雨条件下的交流放电电压

为了获得降雨条件下能预测空气间隙击穿电压的数学模型,根据在人工气候室试验得到的降雨条件下空气间隙击穿电压数据,运用神经网络原理,建立了降雨条件下的交流棒-板短空气间隙击穿电压的人工神经网络模型。利用该模型可以对一定降雨条件下的交流棒-板短空气间隙击穿电压进行预测,预测结果满足精度要求,同时,该文根据建立的人工神经网络模型模拟了降雨时单个及多个环境因素对空气间隙击穿电压的影响,并对模拟结果进行了分析,结果表明:大气压强一定时,随着降雨强度、雨水电导率的增加以及环境温度的降低,空气间隙的击穿电压随之降低;当降雨强度、雨水电导率和环境温度其中任一环境因素改变时,另两个因素对空气间隙击穿电压的影响程度也随之改变。人工神经网络模型对训练数据的依赖较大,对训练范围以外的数据预测精度较差。

用MATLAB神经网络工具箱开发BP网络应用

论述了人工神经网络的基本理论 。

利用人工神经网络预测电池SOC的研究

能源和环境与人类社会的生存和发展密切相关,能源短缺和环保的要求推动了混合动力车的发展。电池是混合动力车的动力源之一,准确和可靠地获得电池荷电状态(Stateofcharge,SOC)是电池管理系统的主要任务之一。在总结现有SOC预测方法的基础上,尝试使用人工神经网络的方法预测动力电池SOC。结果表明人工神经网络对多变量的非线性系统非常有效。另外,不同的数据样本对训练效果存在影响,试验表明用处理后的数据进行预测的结果明显较好。

基于主成分分析和神经网络的事故预测方法及应用

为解决人工神经网络(ANN)对复杂系统进行事故预测建模时,易导致网络复杂,降低网络性能和增大预测误差的问题,提出一种基于主成分分析法(PCA)的ANN事故预测方法。介绍PCA法和ANN的基本理论,阐述基于PCA法的ANN事故预测模型及其预测步骤,即在利用ANN预测之前,先用PCA法分析事故影响指标,将多个指标转化为少数几个能反映原始信息的互不相关的综合变量(主成分),然后以这些变量作为输入进行ANN建模,从而达到简化模型,提高网络性能和计算精度的目的。以煤矿事故预测为例,进行应用和对比研究。结果表明:基于PCA的ANN事故预测相对误差小于3%,而直接运用ANN方法预测的相对误差达到5%。这说明,对复杂安全系统进行事故预测时,基于PCA法的ANN预测方法是更可行的。

基于人工神经网络理论的建筑物火灾安全评价研究

依据建筑物火灾危险性的影响因素,应用人工神经网络理论及系统安全方法,建立了建筑物火灾危险性的评价指标体系,该方法摆脱了评价过程中的随机性和参评人员主观上的不确定性及其认识上的模糊性等缺点,大大提高了准确性。为了验证评价模型的准确性,将该理论应用到某高校图书馆火灾危险性评价中,快速、准确地得到了安全评价结果,取得了满意效果,为建筑物防火设计以及安全管理提供了可行的依据。

多因素耦合条件下硫化矿自燃神经网络动态预测模型研究

硫化矿石自燃是多种因素、多场耦合综合作用的结果,是一典型的非线性问题。笔者应用人工神经网络技术,以Matlab软件为平台,通过现场调查和理论分析,建立了矿石含硫量、通风强度、环境温度3因素与硫化矿石自燃之间的预测模型;通过数据样本学习与部分现场监测数据相结合进行模拟,研究表明预测数据与实测结果基本吻合,误差控制在10%以内,取得了较好的效果。该研究为预防硫化矿石自燃提供一个新的思路和方法,具有一定的理论意义和应用价值。

基于结构响应统计特征的神经网络损伤识别方法

提出一种采用结构动态响应的统计特征作为损伤指标的神经网络损伤识别方法,并对其进行了数值模拟和实验验证。首先,通过敏感性分析,分析了采用结构动力响应的统计特征作为损伤指标的可行性;然后数值模拟了一三跨连续梁采用结构位移方差作为损伤指标的神经网络损伤识别过程,其结果表明,经过训练的神经网络可以准确的识别出单损伤和多损伤工况中的损伤位置和损伤程度;最后进行一组两端固定的简支梁模型实验来验证所提出损伤识别方法的有效性。实验结果表明,对于单损伤工况,神经网络可以准确地识别出结构中损伤位置和损伤程度,对于双损伤工况,神经网络可以准确地识别出损伤位置,而损伤程度识别略有偏差。最后得出结论,采用结构动力响应的统计特征作为损伤指标的神经网络损伤识别方法是可靠有效的。

基于神经网络的图像识别方法

神经网络是近年来受到国内外广泛关注的高新技术,不同科学的科技人员对其进行了深入的研究,并取得了许多有价值的研究成果。神经网络在图像识别方面也取得了广泛应用。神经网络用于图像识别一般都要提取图像特征,然后把提取好的图像特征送入神经网络识别器进行识别。文中提出的用 BP 神经网络作图像识别的方法,不对图像作特征提取,直接把图像数据作为神经网络识别器的输入。文章最后用 MATLAB 完成了网络的训练与测试,并给出了试验结果。结果表明,不作特征提取的神经网络图像识别系统具有很强的抗干扰能力。

基于BP神经网络的地震伤亡人数评估体系研究

本文综合考察了地震中影响伤亡人数的各种因素,提出了一个地震伤亡人数的预测模型,可为地震应急工作提供指导与参考。该模型基于BP人工神经网络,需要结合利用地理信息系统(GIS)、人口数据、历史地震数据等,来完成预测每次地震中的伤亡人数。

基于人工神经网络的石油化工工程建设项目管理绩效评价

针对非线性多输入多输出的石油化工工程建设项目管理绩效评价问题,应用人工神经网络(ANN)构建评价模型。使用50个项目的287个学习案例数据,以10个影响因素为输入,6个指标为输出,对BP神经网络、基于遗传算法的BP神经网络、径向基函数神经网络与广义回归神经网络4类网络模型进行训练和测试。通过均方误差的比较,发现基于遗传算法的BP神经网络优于一般的BP神经网络,广义回归神经网络的测试结果优于BP神经网络,径向基函数神经网络具有最好的误差精度。2个应用示例表明,人工神经网络应用于石油化工工程建设项目管理绩效的评价是可行和有效的。

人工神经网络模型在应对城市内涝中的应用

现在城市排水系统的规划和运营管理一般不考虑城市下游受纳水体变化的影响,这也是国内城市内涝频发的原因之一。目前,越来越多的城市应用模型来应对城市内涝,模型中受纳水体的水位一直以来都是利用经验设定一个恒定值。本文利用ANN(人工神经网络)技术,以城市上游观测站的实测水位为输入,以城市未来某时段的水位为目标选择合理的参数,建立了预测河流水位模型。利用更准确的动态预测值代替恒定值,可以提高城市排水系统水力模型的精度。选择某地区水位站的资料,对预报模型进行了检验,结果表明,在合理选择输入层数据和预测时间段的条件下,可以取得很好的预报结果。

基于遗传算法的BP神经网络优化策略研究

人工神经网络(ANN)可用作机器人控制器,完成多机器人协作搬运作业。针对这种方法收敛速度较慢,误差较大的不足,本文提出基于遗传算法优化的方法。该方法利用遗传算法优化人工神经网络,通过改变ANN结构和遗传算法操作参数,找到最优网络,提高网络收敛速度。仿真结果证明,该方法的可行性与有效性。

基于多阶人工神经网络的ECG信号诊断模型研究

目前已经有多种不同的ECG(心电图)信号辅助诊断工具得到应用,其中包含了基于人工神经网络的ECG分类器应用系统。本文介绍一种基于多阶前馈人工神经网络的新型ECG信号诊断模型,其目标是设计一种结构简单、成本低、响应速度快,识别率高的ECG信号辅助诊断系统。首先给出多个不同结构的神经网络,然后针对6种不同的心脏状况,比较这些神经网络之间的性能差异和辨别能力。网络的输入数据来自于M IT/B IH数据库,包括12种ECG特征信号和相应的每次心脏搏动的13段压缩信号。通过研究测试发现,基于二阶神经网络的ECG模型识别率最高,正确率达到了90.57%。