Pattern recognition and size determination of internal wood defects based on wavelet neural networks

This paper presented the results of a preliminary study on detecting internal wood defects using an ultrasound technique coupled with wavelet transform and artificial neural networks analysis. At room temperature in the laboratory, the type and size of the wood defects in 275 Elm specimens were detected using a RSM-SY5 ultrasonic instrument. The original signals of the Elm specimens were decomposed using wavelet packets, the energy variation of each node in the fifth layer was calculated, and back-propagation artificial neural networks (BP ANN) were trained and employed for wood defect recognition. The energy variation caused by wood defects mostly depends on the degree of the defect's deterioration (i.e., the more serious the wood defect's deterioration, the larger the energy variation). By comparing the energy variation of all 32 node signals in the fifth layer wavelet packet, the variation of the node (5,0) was the largest and contained the most defect information. The node (5,0) was used as the input in back-propagation artificial neural networks in order to detect the type of defects. The accuracy rate for Elm specimens was at least 90%. The same method was used to test the size and position of the hole-defects in Elm specimens with an accuracy rate of at least 80%.     

Identification of the 1H-NMR spectra of complex oligosaccharides with artificial neural networks

Artificial networks can be used to identify hydrogen nuclear magnetic resonance (1H-NMR) spectra of complex oligosaccharides. Feed-forward neural networks with back-propagation of errors can distinguish between spectra of oligosaccharides that differ by only one glycosyl residue in twenty. The artificial neural networks use features of the strongly overlapping region of the spectra (hump region) as well as features of the resolved regions of the spectra (structural reporter groups) to recognize spectra and efficiently recognized 1H-NMR spectra even when the spectra were perturbed by minor variations in their chemical shifts. Identification of spectra by neural network-based pattern recognition techniques required less than 0.1 second. It is anticipated that artificial neural networks can be used to identify the structures of any complex carbohydrate that has been previously characterized and for which a 1H-NMR spectrum is available.     

小波和神经网络在色木孔洞缺陷超声定量检测中的应用

为了实现对木材孔洞缺陷的定量检测,在室内常温下,用RSM-SY5非金属超声波检测仪对50个孔洞缺陷的色木试件进行透射检测.通过对超声检测信号的小波变换特征分析,得到32个从低频到高频的小波包系数,提取其各频带内信号的能量变化量,构造一个32维特征向量,作为BP神经网络的输入参数,最后将这些特征输入神经网络进行训练和识别.结果表明:色木孔洞大小的总识别率达到88%;网络仿真的输出结果和目标输出做线性回归分析,得到的相关系数在0.8~0.9之间,训练结果比较理想.     

木材干燥过程的Elman神经网络模型研究

[目的]研究木材干燥过程的Elman神经网络模型。[方法]在人工神经网络理论的基础上,选用Elman神经网络建立木材干燥过程模型。针对木材干燥过程的特点,Elman神经网络利用木材干燥过程材堆的温度、湿度以及对应的木材含水率建立模型。[结果]通过实际干燥过程数据对模型的准确度进行验证,结果表明Elman神经网络利用少量数据就可以建立模型,并且模型预测精度高,对数据的联想记忆和优化能力强。[结论]Elman神经网络建立的木材干燥过程模型准确,对于提高木材干燥过程的控制水平具有重要研究意义。     

基于超声波频谱分析技术的木材孔洞缺陷无损检测

在探讨现有木材无损检测分析方法不足的基础上,根据超声波在木材中的传播规律,提出了用超声波能量衰减和频率成分的改变表征木材缺陷信息的方法,在此基础上用频谱分析处理了超声波信号。通过对木材空洞缺陷进行了多种频谱分析方法对比研究,选用Welch功率谱分析法对红松标准试件进行超声检测。实验结果表明,频谱分析能判断孔洞缺陷的大小和孔洞个数的变化规律,可见缺陷信号频谱丰富。频谱分析能够区分木材孔洞缺陷的大小和个数,而对缺陷的位置区分不明显。     

古建筑墙体木柱缺陷对其安全性影响数值模拟研究

  目的  墙体木柱作为木结构古建筑最重要的承重构件之一,容易出现裂纹、腐朽等缺陷,而各类缺陷会影响墙体木柱顺纹压应力的分布,导致其承载力降低,进而影响其安全性,直接威胁整个建筑的稳定性。因此,研究不同类型的缺陷对古建筑墙体木柱安全性影响是很有必要的。  方法  首先建立了墙体木柱裂纹缺陷、腐朽缺陷以及复合缺陷几何模型,并定义了墙体木柱的受压安全性系数k_c,然后使用Abaqus有限元软件分别模拟分析了裂纹缺陷模型、单侧腐朽缺陷模型、环形腐朽缺陷模型和复合缺陷模型最大顺纹压应力的大小和位置,探究了不同尺寸的缺陷对墙体木柱安全性的影响,并进行了实例验证。  结果  单侧腐朽缺陷以及复合缺陷会使墙体木柱在径向上出现较大偏移,对木柱的稳定性产生较大影响,而裂纹缺陷和环形腐朽缺陷在径向、顺纹方向和切向上偏移较小;裂纹缺陷、单侧腐朽缺陷、环形腐朽缺陷和复合缺陷都对墙体木柱最大顺纹压应力和安全性有较大影响,最大顺纹压应力总是出现在有效截面面积最小处,且均随各缺陷程度的增大呈指数增加,而安全性系数呈指数下降,同时复合缺陷对墙体木柱安全性的影响要大于单一缺陷对墙体木柱的安全性影响。半露明柱与暗柱在腐朽深度相同时,安全性相差不大,在腐朽面积相同时,半露明柱的安全性要远低于暗柱。  结论  裂纹缺陷和腐朽缺陷会降低墙体木柱的安全性,而有限元数值模拟能够计算出墙体木柱的顺纹压应力最大值,进而量化墙体木柱的安全性,其结果可以为墙体木柱的修缮提供依据。      

小波网络在深圳股市应用的研究

采用传统的人工神经网络模型对深圳证券成份指数进行模拟预测，在此基础上，进一步采用小波函数结合神经网络形成的小波网络对其进行拟合和预测，并对两种预测方法得到的结论误差进行分析、比较。结果显示，小波网络比单纯的神经网络模型预测精度高11．1595。     

基于空频变换的木材缺陷图像分割

针对木材缺陷这一自然纹理型事物,为了提取出其缺陷目标部分,进行下一步的分析和识别,采用一种空频变换方法对缺陷图像进行分割。选取虫眼、死节、活节3类木材缺陷图像样本各50个,构造一组多通道的Gabor滤波器对缺陷图像进行滤波,并提取出图像的多方向Gabor能量特征。最后结合模糊聚类算法和数学形态学后处理操作对缺陷图像进行了成功的分割。实验结果表明,此方法对3种木材缺陷图像的平均分割正确率分别达到了95.81%、94.58%、96.52%,证明了该方法的有效性。     

基于BP神经网络的图书馆网络病毒检测方法

提出了一种基于BP神经网络的图书馆病毒检测方法,该方法成功地把BP神经网络的理论引入计算机病毒的检测中。该方法比传统检测技术更有效地对系统信息和文件系统进行语法分析,快速地诊断出被感染病毒以及病毒的类型。     

基于人工神经网络的CHRIS数据内陆水体叶绿素浓度反演研究

利用BP神经网络和CHRIS高光谱数据反演了富营养化非常严重的太湖梅梁湾地区叶绿素A浓度。首先计算了CHRIS模式2的18个波段与叶绿素A浓度的皮尔森相关系数,选择CHRIS的前5个波段和第13波段的反射率值作为神经网络的输入,以野外测量的叶绿素A浓度为神经网络的输出。实验表明,BP神经网络具有很好的非线性拟合能力,叶绿素A浓度的反演精度相对误差仅为22%,明显优于传统的多项式模型,显示BP神经网络与CHRIS高光谱数据结合的方法在内陆水体水质参数反演领域的应用具有相当的优势。