APPLICATION OF GENETIC NEURAL NETWORK IN Zn-27 % Al-Mg ALLOY

A genetic neural net work m odel about design of Mg content in the alloy , based on tested databetw een Mg and tensile intensity or elongation in Zn 27 % Al alloy , has been established . Theresult has sho w n that the genetic neural netw ork is a better an d m ore applied method for m a terials design than the regress analysis .

基于SIFT特征与多层BP神经网络的钢板缺陷检测算法

为了解决当前钢板表面缺陷在对比度弱、边缘复杂和光照不均干扰下易导致检测能力较低的问题,文章提出了基于SIFT特征与多层BP神经网络的钢板缺陷检测算法。首先,引入高斯差分和Hessian矩阵,对钢板图像进行空间尺度函数计算,统计SIFT深度向量特征,完成缺陷特征的检测与收集。然后,基于神经网络原始模型,计算其第五层输出结果,优化缺陷检测结果,并最小化输出层与期望值的差异平方,滤除伪SIFT特征的干扰,建立多层BP神经网络拓扑分析算子,准确识别钢板缺陷。最后,基于软件工程,设计检测系统软件,对文中算法的缺陷检测精度进行测试。实验测试结果显示:与当前主流钢板缺陷检测技术相比,文中算法拥有更高的准确性与鲁棒性。

基于BP网络的人脸朝向识别模型

本文基于BP神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤,建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验,实验结果表明,该方法识别准确率高、识别过程速度快。最后,我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。

一种基于SA-SOA-BP神经网络的网络安全态势预测算法

网络安全态势预测能够依据已有的网络安全数据预测网络未来的安全状况及其变化趋势,为安全策略的选取提供指导,从而增强网络防御的主动性,尽可能地降低危害.然而现有的网络安全态势预测方法的精准度和收敛性还不理想.为了提高网络安全态势预测的准确性,提出了一种将模拟退火算法(SA)引入人群搜索算法(SOA)优化BP神经网络的网络安全态势预测方法.该算法利用人群搜索算法特有的利己、利他、预动和不确定推理四大行为特征确定搜索策略,找到最佳适应度个体,获取最优权值和阈值,然后再对BP神经网络的随机初始阈值和权值进行赋值,经过神经网络训练后得到预测值.针对人群搜索算法在搜索后期易陷入局部最优和收敛缓慢等问题,又将模拟退火算法引入人群搜索算法,根据它的Metropolis准则以一定的概率接受恶解,避免了算法陷入局部最优的陷阱,提高了该算法的全局搜索能力.与其它基于改进BP神经网络的预测算法进行对比的实验表明,该优化算法准确性更高,稳定性更强,收敛效果更好.

基于BP神经网络的核电厂核安全文化评级模型研究

本文提出了核安全文化的评级判据,构建了46项核安全文化评价指标,并基于样本数据,建立了一种基于反向传播(Back Propagation,简称BP)神经网络的核安全文化星级评价模型。经泛化能力验证,该评级模型评价核安全文化的水平,亦可用于核电厂核安全文化水平的长期监测。

智能点焊专家系统集成策略的研究

研究了基于神经网络的点焊专家系统集成性 ,提出了点焊专家系统的数据库集成、知识库集成和控制集成策略 ;采用结构化程式语言VisualBasic(VB) ,构造了视窗 (Windows 98)环境下的智能点焊专家系统集成框架和子系统功能模块 ,实现了点焊工艺参数智能选取和焊点质量智能评估 。

基于模糊数学与神经网络的刀具材料选择研究

为了实现对刀具材料的自动选择,在深入解析了影响刀具材料选择的各项因素的情况下,对各项影响因素进行模糊化处理,得到其隶属度作为神经网络的输入。在研究了神经网络的结构及各项参数后,完成了神经网络的设计。继而通过模糊理论与神经网络算法的有机结合,得到一种刀具材料的自适应选择模型。经过实验验证,该模型能够模拟实际情况,对刀具材料的选择做出快速且准确的判断。

基于并行RBF神经网络的机器人逆运动求解

机器人逆运动求解的传统方法因为需要大量公式推导往往繁琐复杂,新出现的基于神经网络的算法又存在一定的局限和不足,所以,文章在分析现有神经网络模型的基础上致力于找到一种简单快速的求解方法。考虑到RBF神经网络在非线性函数逼近中的优秀表现,文章将两个相同结构的RBF神经网络应用于机器人逆运动求解中。以NACHI-MZ04型机器人为例,首先建立其运动学模型并在此基础上得到用以训练和测试神经网络的数据,然后基于Matlab nntool搭建网络模型并分别对网络进行训练和测试,最后得到满足精度要求的网络模型。结果表明,该方法在逆运动求解问题中应用效果良好,具有一定的推广价值。

应用ITD分形模糊熵的自动机早期故障诊断

通过以某口径高射机枪自动机为研究对象,提出一种运用固有时间尺度分解(ITD)分形模糊熵与RBF神经网络进行故障诊断的方法。由于自动机振动信号短时、非平稳、高冲击的特性,将ITD引入自动机的故障诊断中,通过对ITD分解得到不同频段的合理旋转(proper rotation简称PR)分量,然后分别提取分形维数和模糊熵组成组合特征向量。由于RBF神经网络结构简单、收敛速度快具有很高的分类准确率,所以采用RBF神经网络分类识别。最后得到理想识别效果的同时验证了ITD分形模糊熵与RBF的自动机早期故障诊断方法的优越性。

多GM管辐射源定向测量装置开发

利用单片机完成了多GM组件放射源定向测量装置探测系统和数据处理系统的开发,探测系统利用双管切换电路扩展量程,数据处理系统选用主控为STM32F767IGT6芯片的ARM核心板,其FLASH容量和双精度硬件浮点运算单元能满足神经网络算法移植需求.精度测试显示角度计算偏差主要来源于截断和舍入模式差别,装置可稳定实时动态测量辐射源角度,样机辐射源试验显示其测量误差在-6°~7°之间.

基于人工神经网络的大学生体脂百分比预测方程的构建

以1 201名大学生为研究对象,采用人工神经网络(ANN)数据挖掘方法,构建不同性别大学生体脂百分比(BFP)的预测方程,探讨身体质量指数(BMI)与BFP之间是否为线性关系。结果显示:ANN构建的基于BMI预测BFP方程,精度都高于91%;无论男生还是女生,构建的二次方程拟合值精度高于线性方程。构建的方程为中国大学生营养评价、身体形态健康管理以及相关疾病的危险预测提供依据。

数据挖掘技术在运动目标轨迹预测中的应用

该文提出了一种利用数据挖掘技术对运动目标的轨迹进行预测的方法,给出了具体的预测算法和实例。并在传统的人工神经网络和遗传算法的基础上,提出了一种新的方法:混配。采用混配的方法,克服了遗传算法中所存在的种群内过早收敛的缺点,极大地提高了预测算法的准确度。

注意力机制与改进RNN的混合音乐推荐算法研究

该算法由独立循环神经网络算法与注意力机制共同组成的深度神经网络实现,并在数据预处理阶段对用户收听历史记录的音频使用散射变换进行预处理.通过散射变换提取用户收听历史记录音频特征,再将此特征与用户画像共同通过混合注意力机制的独立循环神经网络得出推荐列表.仿真结果表明,文中给出的算法与已有的IndRNN(循环神经网络)和基于LSTM(长短期记忆网络)的音乐推荐算法相比,分别提高了7.8%和20.9%的推荐准确度.

电解珩磨加工电流控制技术及金属去除规律

可控电解珩磨是以微机实时控制电解珩磨过程中工件表面的电解电场强度 ,从而调控各点的金属去除速度 ,获得工件要求几何形状精度的新加工方法 .该方法在降低工件表面粗糙度的同时 ,还具有纠正工件几何形状误差的能力 ,尤其适用于高精度复杂形状工件和难加工金属材料的精密加工 .采用不完全微分 PID算法实现电解电流的闭环控制 ,并且应用人工神经网络技术建立系统的施电模型 .实验结果表明 ,该方法可获得满意的加工精度 .

基于神经网络和模糊综合评判的梁故障诊断研究

设计了一个简单的人工智能故障诊断系统模型，它包括知识库、模糊推理、神经网络和控制模块等。模糊推理模块利用模糊综合评判方法进行故障的预诊，神经网络模块采用竞争学习方法完成故障的确诊。文中对悬臂梁的单一故障和复合故障等七种模式进行了诊断分析，均获得了正确的诊断结果。

基于神经网络逆系统的机器人分数阶滑模控制

为提高工业机器人的控制性能,提出了基于神经网络逆系统的分数阶滑模控制方法。首先,使用BP神经网络逼近机器人的逆系统,实现了工业机器人系统的近似解耦线性化;考虑到工业机器人存在的不确定性和BP神经网络的逼近误差,将神经网络逆与工业机器人组成的复合伪线性系统等效为含有扰动的线性系统;在此基础上,基于滑模控制和分数阶微积分理论设计了分数阶滑模控制器,证明了闭环系统的稳定性。针对二自由度机器人多种不同工况的仿真研究表明了所提方法的有效性。

回复式神经网络及其应用研究综述

回复式神经网络是深度学习领域中一类非常强大的神经网络模型,它主要用于处理和预测序列数据.得益于回复式神经网络的"记忆"功能,它和它的变体网络已经被成功应用于多种任务,比如:机器翻译、语音识别、视频行为识别等.本文首先介绍回复式神经网络的发展历程,之后阐述其网络基本原理、计算过程和网络训练方法.针对传统回复式神经网络存在的短期记忆和梯度消失问题,长短时记忆和门控回复式单元网络结构被详细地分析和对比.然后介绍回复式神经网络的热门应用领域及其相关工作.最后结合近年来工业界和学术界关于回复式神经网络的研究进展,本文总结了回复式神经网络的研究发展趋势.

高次谐波及基波无功电流动态检测的一种新方法

基于自适应噪声对消技术及人工神经网络（ＡＮＮ）理论，提出非线性负载高次谐波及基波无功电流动态检测的一种新方法．所设计的谐波检测系统在线训练ＡＮＮ并具有二级滤波，即使非线性负载运行发生了变化，该系统仍能根据需要快速检测出以下多个参数：基波有功、无功电流，基波位移因数，特定的几次（如３、５、７次等）谐波电流及其余的谐波总电流等．仿真结果证实，该系统所检测出的各项参数的波形畸变和相移非常小．可应用于电力系统谐波补偿．

多字体字符识别的模糊神经网络模型

提出了一种用于多字体字符识别的模糊神经网络模型．通过对一个３ 层ＭＬＰ的输入层、输出层以及学习算法的模糊化，构造出能有效处理具有模糊边界的模式分类问题的模糊神经网络．经过大量实际采样多字体字符样本的测试表明，该模型能对字体字符识别取得很高的识别率，对加噪字符的识别试验还表明该模型具有较好的鲁棒性．