人工神经网络在切削颤振类别诊断中的应用

讨论了再生型、模态耦合型和滞后型３种主要切削颤振类别的特征表达参数。使用多层感知器的前馈神经网络，研究了切削颤振类别的综合诊断方法，通过切削试验获取神经网络的训练和测试样本，使用误差逆向传播算法对神经网络进行训练。训练和测试过的神经网络可对切削颤振的类别作出正确的诊断。     

基于深度卷积神经网络的单向阀泄漏模式识别

以SV10PB1–30B液控单向阀为研究对象,利用传感器采集3种不同泄漏模式下10个阀芯的振动信号,设计深度卷积模型,开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明：基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型,验证集上的识别准确率高达88.293%,是基于特征图的7.79倍,是基于原始时域冲击信号的1.16倍;训练步数以100的较优,同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。     

基于Max-T模糊Hopfield网络的车型识别

在许多模式识别采样的过程中,由于环境噪声和设备误差,往往导致采集的数据与真实值有一定偏差,这种偏差会影响识别的效果。本文采用Max-T FHNN模型，提出一种应用于智能化交通管理的车型识别方法。并用实验证实相对于其他车型识别方法，该方法在待测样本含有噪声的情况下能得到更好的识别率。     

不同控温除湿萎凋环境对白茶风味品质和化学轮廓的影响

为实现基于萎凋环境（温度和湿度）的白茶加工品质目标控制,以茶鲜叶萎凋减重率达45%为环境调控节点,通过高温除湿[(30±2)℃,RH (35±5)%]或低温除湿[(20±2)℃,RH (55±5)%],研究了持续低温除湿（Low-Low）、持续高温除湿（High-High）、先高温除湿后低温除湿（High-Low）和先低温除湿后高温除湿（Low-High）4种不同控温除湿萎凋方式对福安大白茶、黄棪和黄观音等6个茶树品种鲜叶所制白茶感官品质和化学轮廓的影响。结果表明,白茶风味品质主要由鲜叶原料（茶树品种）的理化特性所决定。采用Low-Low萎凋处理的白茶滋味略淡、稍带青气;High-High和Low-High萎凋处理的同一茶树品种白茶的外形和汤色等较为相近,且Low-Low和High-Low萎凋加工的白茶亦具有较为类似的品质特征。各白茶样品的紫外和近红外光谱均有较为相似的吸收变化,并以近红外光谱可为供试茶样的模式识别提供更为丰富的化学信息;白茶样品中的没食子酸、表儿茶素没食子酸酯、没食子儿茶素、咖啡碱和可可碱含量在不同茶树品种间存在一定差异,但萎凋处理对已标定的儿茶素类和嘌呤碱均无显著性影响。基于紫外光谱,尤其是近红外光谱和生化组成（儿茶素类和嘌呤碱）的主成分分析可对白茶样品按鲜叶原料（茶树品种）进行较好的类群区分,但不同萎凋处理对其光谱和生化组成轮廓的影响则被茶鲜叶原料的品种特性所掩饰;采用多级主成分分析可有效呈现4种萎凋环境对不同茶树品种白茶样品近红外光谱和生化组成轮廓的影响趋势,且其对全部白茶样品的分类识别结果与呈现的风味品质感官特征较为一致。研究结果可为白茶风味品质工艺技术调控提供参考依据。