基于BP网络的涡流探伤裂纹信号特征提取的研究

用变频扫描励磁方法进行涡流定量检测以提取裂纹信号,利用三层结构的反向传播网络(Backpropagationnetwork,简称BP网络)建立了网络模型,并利用实际数据拟合参数,针对提离实验数据进行了计算仿真.结果表明:该网络模型算法收敛速度较快,输出精确,为实现板材裂纹深度的定量标定打下了理论基础.

基于人工神经网络的数字字符识别

提出一种用神经网络来识别含有噪声的数字字符的方法。神经网络采用带有动量项和自适应学习率的反向传播算法(BP)进行训练。样本由理想信号和带有噪声的信号组成。通过比较测试结果得出对同一网络既使用理想信号又使用带有噪声的信号对网络进行训练可使系统具有更强的容错性。最后给出的实验结果证明了该方法的有效性。

基于神经网络的噪声品质评价方法

提出一种基于人工神经网络(ANN)的噪声品质评价方法。该方法相比较目前的其它声质量评价方法,具有非线性的特点。通过神经网络的训练对非线性的声质量主观评价过程进行逼近。文中利用M atlab的神经网络工具箱对汽车车内采集到的噪声信号进行评价分析,并与实测结果进行对照分析,说明该方法对于汽车车内噪声品质评价是有效的。

一种针对拖尾噪声的鲁棒神经网络信号检测算法

与高斯噪声相比,拖尾有更多的异常值,利用传统的神经网络不能有效的检测信号。该文提出一种基于中值滤波的鲁棒神经网络进行处理,首先利用中值滤波抑制异常值,进一步利用BP(Back Propagation)神经网络消除残留噪声,检测目标信号。基于误差分析的实验结果表明,与传统神经网络相比,所提出的方法不仅能更好地消除拖尾噪声,有效检测信号,而且能有效检测高斯噪声中的目标信号,具有很好的鲁棒性和自适应特性。

基于神经网络的噪声对消系统及其仿真

无论是在工业控制还是在信号处理中,噪声都会随时随地地被引入。利用可测的噪声信号,再令其通过BP的两层神经网络,能较好地恢复原信号,并且收敛速度较快,对于信号测量与信号控制中的噪声去除有一定的推广性。

机器学习算法辅助的GPS信噪比观测值土壤湿度反演

利用BP神经网络和支持向量回归机两种机器学习算法,构建基于机器学习算法的GNSS卫星反射信号土壤湿度反演模型,并与线性回归统计模型和实测数据进行对比分析。结果表明:基于机器学习算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,反演模型的决定系数分别为0.928 3和0.913 1,均方根误差为0.026 6和0.032 6,线性回归统计模型的决定系数分别为0.553 2和0.859 8,均方差根误差分别为0.093 9和0.041 6。说明利用回归算法定量估测土壤湿度明显优于线性回归统计模型,且基于支持向量回归机的土壤湿度反演模型定量估测土壤湿度优于基于BP神经网络算法的土壤湿度反演模型,证明了该方法的可靠性,为土壤湿度的实时反演研究提供了一种新方法。

人工神经网络在气体分析系统中的应用

为了研究人工神经网络在气体分析系统中的应用,选择了识别CH4和CO的传感器阵列及用于网络模型训练的样本。实验分析确定了信号预处理方法,选取合适的网络模型并创新性的对用于气体种类识别的BP算法进行改进,并研究网络结构和参数的变化对气体分析系统性能的影响,实验结果证明气体传感器阵列与BP算法相结合进行气体成分分析具有一定的可行性,若能进一步调整及完善气体传感器阵列的硬件测量电路,则可开发出用于现实复杂环境的多气体分析系统。

BP神经网络辅助的GNSS反射信号土壤湿度反演

针对如何快速准确地估算区域尺度上的土壤湿度问题,该文首先从高质量GPS接收机接收的信噪比观测值中,提取L2C反射信号的振幅和相位作为输入,并采用Noah陆面模型计算土壤湿度值作为期望值,构建基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演模型。实验结果表明:基于BP神经网络算法的GNSS卫星反射信号土壤湿度反演方法获取的土壤湿度结果与土壤湿度参考值误差较小,线性回归的决定系数R2为0.909 1,均方根误差为0.028 7;进一步与线性回归统计模型比较发现,利用BP神经网络模型定量估测土壤湿度明显优于线性回归统计模型,证明了该方法的可靠性。