基于小波能量谱和BP神经网络的皮蛋破损检测

根据皮蛋蛋壳的声学特性,采用小波变换和BP神经网络相结合的处理方法,对皮蛋进行破损检测。首先对采集到的声音信号进行6层小波分解,计算每层分解信号的小波能量谱,构造小波能量谱分布的特征向量,然后将其作为神经网络的输入向量,基于MATLAB创建了网络结构为6-20-2的BP神经网络。检测结果表明,该方法对好壳皮蛋的识别率为88.5%,对损壳皮蛋的识别率为83.3%。

基于超声射频RF信号的脂肪肝分级量化方法

采用时域、频域分析方法和模式识别技术基于肝脏超声射频信号,探讨一种新的脂肪肝分级量化方法,尤其针对目前较难鉴别的轻度脂肪肝。选取肝脏部位感兴趣区域内的超声射频信号,然后利用时域和频域分析技术,提取多个特征量,如期望值、低频小波系数均值和小波模极大值均值。并采用BP神经网络进行脂肪肝识别量化。实验结果表明,期望值、低频小波系数均值和小波模极大值可以有效地描述超声射频信号特征,其中正常肝识别率达90.0%,轻度脂肪肝识别率达86.7%,中度脂肪肝识别率达83.3%,重度脂肪肝识别率达90.0%。实验证明超声射频信号在脂肪肝的诊断中是有意义,为计算机辅助诊断脂肪肝提供了一个新的方向。

云计算下的一种网络流量预测算法的研究

为了提高云计算下的网络流量的预测精度,提出了一种基于遗传算法的小波BP神经网络的预测模型。首先针对BP神经网络的不足,引入动量项进行改进,其次,在遗传算法中加入进化操作,提高了算法的整体效率,将改进后的算法与小波函数进行融合,整体优化了BP神经网络的阀值和权值进行优化。仿真实验通过与其他文献算法的比较,说明本文算法具有良好的收敛速度,有效的提高预测的精度。

基于机器学习的能力评价与匹配研究

目前,高校学生就业形势严峻,针对企业看重的能力对学生做出评价,有助于企业选拔人才,同时也能提高学生的竞争力。采用层次分析法和模糊评价相结合的方式对高校学生的综合能力进行评价。为了解决模糊系统无法自动调整隶属函数参数的问题,有效结合模糊理论和神经网络架构的优点,提出了引入神经网络的综合评价改进算法;并设计具有时频局域化特性的小波神经网络,能够更好地模拟非线性函数,用于预测学生适合的职位。分析实验结果表明,基于改进模糊神经网络算法的能力评价模型与小波网络职位匹配模型,能够提升系统精度与自适应能力,评价结果客观,对学生的能力评价及就业选择具有指导意义。

一种网络流量预测模型的研究

云计算等概念的出现导致网络规模需求不断增大,网络流量不断增多,如何能够更好地预测网络流量成为了网络研究的热点,本文在网络流量预测中分析了小波-BP神经网络的不足,采用改进的下降梯度法优化BP神经网络,另外通过采用实体编码,适应度函数选择,权重系数提高粒子群算法优化小波-BP神经网络。仿真实验说明本文算法能够有效的提高了网络流量的预测精度,该算法具有广泛的运用前景。

高低频噪声区分滤除的车辆载重动态测量方法

在车辆行驶过程中,为了精确测量车辆载重,提出了高低频噪声区分滤除的车辆载重动态测量方法。确定了车辆载重测量方案,分析了信号误差来源。对于发动机转动、环境温度变化引起的高频噪声,提出了具有可调节参数的改进阈值小波滤波,有效减弱了信号中的高频噪声;对于速度、加速度引起的低频噪声,提出使用BP神经网络拟合载重量与速度、加速度函数关系,以消除加速度、速度对载重测量的影响;为了解决BP算法易陷入局部极值问题,提出自适应鱼群算法搜索神经网络最优参数。经实验验证,改进阈值小波滤波可以有效去除高频噪声,提高了信号信噪比;提出的车辆载重测量平均误差为0.85%,最大误差为1.45%,平均误差比原始数据平均误差降低了约6倍。

风力发电机齿轮箱故障诊断系统的设计与实现

针对风力发电机关键部件齿轮箱故障频率高、诊断难的问题,开发了包含传统时频域分析和现代分析模块的故障诊断系统。该系统对所采集的振动信号进行了小波去噪、小波包分解并重构后得到各频段能量占比的特征向量,将该特征向量输入到Back Propagation(BP)神经网络模型进行振动信号与正常或各故障状态之间映射,从而智能识别运行状态。应用Matlab和Labview开发系统,输入齿轮箱的4种典型运行状态进行验证,结果表明,所设计的系统可较好地对风机齿轮箱的故障进行诊断。

基于小波包和遗传BP神经网络的缸套-活塞组磨损研究

采用对比试验的方法,研究了柴油机缸套-活塞组磨损对气缸漏气率和燃油消耗量的影响。针对柴油机缸套-活塞组不同的磨损运行状态,利用机身振动信号进行了研究。然后,利用小波包时频分析方法进行特征量提取,最终利用遗传算法改进后的BP神经网络实现了磨损故障模式识别。

基于神经网络MIV值分析的肿瘤基因信息提取

运用统计学及数据挖掘相关知识,以结肠癌基因表达图谱为研究对象,综合运用GB指数、BP神经网络、小波变换等方法对问题给出求解的过程和结果.首先采用GB综合指数对无关基因进行筛选,选择两组备用基因的交集(114个)作为信息基因,降低基因维度.其次,用基因间的强相关性剔除冗余基因,利用BP神经网络对基因进行错判数计算,选取错判率最低、基因子集中基因数量最少的基因特征组,再利用平均影响值(MIV)方法进行基因筛选,最后进行错判数计算,最终确定含有12个基因的子集为最优基因组合.第三步,将每组基因表达值看做基因信号,运用小波转换法对基因数据进行去噪,去噪后特征基因减少为8个.