基于PSO的发动机故障诊断算法与应用

为提高发动机的安全性,利用BP神经网络进行发动机故障诊断。BP神经网络隐含层节点数根据经验公式选择,并考虑训练方法的影响,通过比较每种方案的误差确定为最佳BP神经网络方案。由于BP神经网络存在诸多有待优化之处,选择粒子群算法优化BP神经网络,首先提取粒子群中相应参数作为网络的权值和阈值,然后设置网络进化参数,最后将从粒子群中提取的数值赋给神经网络,进行网络训练。利用发动机故障诊断台架对两种算法进行故障诊断测试,将结果与未优化的BP神经网络进行比较,结果显示,经过粒子群优化后的BP神经网络学习速度和诊断正确率均优于未优化的BP神经网络。     

基于神经网络的强化木地板表面质量分类检测研究

应用神经网络技术对强化木地板表面质量分类检测问题进行了研究,利用神经网络的RBF网络结构进行合格和缺陷两类地板的分类试验.结果表明,RBF神经网络结构能够有效地对合格地板和缺陷地板进行分类.     

基于RBF神经网络的沙土液化预测研究

简要分析RBF网络的结构特点及最近邻聚类学习算法,以大量粉土地基实测数据为学习训练样本及预测样本,建立了预测模型。讨论了基于RBF神经网络技术的沙土液化预测分析方法及其有效性。研究表明,用RBF神经网络方法进行沙土地震液化预测是可行的。     

基于RBF神经网络的汽车传感器故障诊断方法研究

简要说明RBF神经网络的构成及其算法,研究RBF神经网络发动机电子控制系统传感器的故障诊断方法,设计了一种发动机电子控制系统传感器诊断神经网络.借助流行的汽车OBDⅡ自诊断协议,组建发动机电子控制系统的诊断数据采集系统,以记录实验发动机电子控制系统工作时系统的输入/输出数据,根据实验数据进行诊断神经网络的训练和系统评价.     

基于RBF和PSO的双喉道气动矢量喷管优化设计

本文探索了一种能多变量综合优化的方法,即对喷管进行参数化设计后,用均匀试验设计(UED)将试验样本均匀散布在设计区间内,求出各性能参数后,利用径向基神经网络(RBF)对试验样本进行拟合,再用粒子群算法(PSO)对训练好的神经网络进行寻优,找出了更好的双喉道气动矢量喷管设计参数组合。数值模拟结果显示,优化后的双喉道气动矢量喷管的矢量角有了明显提高。试验表明这种优化方法具有很好的优化能力,可以用来对喷管几何外形进行参数优化。      

基于IBRF神经网络的泥石流预测研究

介绍了泥石流爆发的各种影响因素和泥石流预测基本原理,为提高预测的准确性与快速性,将免疫骤类算法与径向基函数结合,建立了泥石流预测的IRBF神经网络模型,并与BP网络预测模型和常规RBF网络预测模型进行了对比模拟实验。实验表明IRBF神经网络具有更高的预测准确性和更短的训练时间,该方法用于泥石流预测有较高的应用价值。     

基于RBF神经网络的高速公路防追尾模型研究

为提高高速公路车辆跟车安全,在常用安全距离算法基础上,结合汽车制动过程分析,提出安全度判别准则的安全控制方法,建立RBF神经网络防追尾模型,讨论RBF网络设计过程中的参数设置,并运用m atlab编程进行训练和仿真,仿真结果表明RBF模型是有效的;同时,模型为高速公路汽车追尾建模提供一种新思路,为汽车预警设计提供理论基础。     

基于MEA-BP神经网络对木材内部缺陷诊断的研究

为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷。结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92%、95.38%和92.31%,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果。     

基于卷积神经网络的痛苦表情识别与分析

利用卷积神经网络在图像识别中的巨大优势,提出一种基于卷积神经网络技术的面部痛苦表情识别与分析方法,该方法采用卷积神经网络mini＿XCEPTION作为网络主要部分,在自建立的痛苦表情数据集上测试结果显示,在有效捕捉人脸后,痛苦表情识别准确率接近90%,高于VGG16、ResNet等经典网络。     

基于AlexNet优化的板材材种识别方法

【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29 680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留...     

Forest fire smoke recognition based on convolutional neural network

Traditional fire smoke detection methods mostly rely on manual algorithm extraction and sensor detection;however,these methods are slow and expensive to achieve discrimination.We proposed an improved convolutional neural network(CNN) to achieve fast analysis.The improved CNN can be used to liberate manpower.The network does not require complicated manual feature extraction to identify forest fire smoke.First,to alleviate the computational pressure and speed up the discrimination efficiency,kernel principal component analysis was performed on the experimental data set.To improve the robustness of the CNN and to avoid overfitting,optimization strategies were applied in multi-convolution kernels and batch normalization to improve loss functions.The experimental analysis shows that the CNN proposed in this study can learn the feature information automatically for smoke images in the early stages of fire automatically with a high recognition rate.As a result,the improved CNN enriches the theory of smoke discrimination in the early stages of a forest fire.     

基于VLBP神经网络的林火预测研究

以北京市房山区的林火为研究现象,用神经网络方法研究林火发生及蔓延与环境因子间的关系.用GPS采集林火火场中心数据,测量火场面积;用GIS做空间分析,提取火场空间环境因子;将数据在Matlab中用VLBP神经网络进行训练,建立林火风险的预测方程.风险模型由林火发生的风险模型和林火的蔓延风险模型组成,由于该模型采用的方法不依赖于先验统计模型,所采用的神经网络方法对非线性的数学关系有很强的预测能力,因而该方法具有很强的适用性.     

ZigBee无线传感与卫星定位技术在森林火灾预警中的应用

应用Zigbee CC2530模块、温湿传感器模块、北斗V-03模块以及自行设计的无线网关．采用网状网络拓扑方法、无线多跳以及卡尔曼滤波算法,设计出可实现长时间无人监守的森林防火预警系统。该系统能全天候将被测林区的温度、湿度以及地理位置等技术参数传回至森林防火部门,便于救灾人员及时发现火点具体位置与火势情况,提高森林的防火、灭火的效率。     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

基于人工神经网络预测广东省森林火灾的发生

应用人工神经网络建立热带森林火灾发生情况预测的多层神经网络模型,并将林火发生影响因子的历史数据作为样本值,输入模型进行训练。结果表明:利用所选取的输入因子作为样本的人工神经网络,可以对林火的发生发展作出准确有效的预测。文中还对模型的准确性和训练精度进行讨论,进而分析人工神经网络在林火预测中的可行性,证明人工神经网络在林火预测中的应用价值。     

基于DRNN和ARIMA模型的森林火灾面积时空综合预测方法

森林火灾是一个跨空间发展的动态过程,不易被传统的分析方法和静态神经网络有效处理.提出一种基于动态回归神经网络(DRNN)和自回归集成移动平均(ARIMA)组合模型的森林火灾时空综合预测方法.该方法先用ARIMA对时空数据的时序进行预测,再用DRNN捕获时空数据间隐藏的空间相关,最后用统计回归将时间和空间预测结果组合起来,得到时空综合预测结果.以广东省森林火灾面积预测为例,说明其原理和建模过程,并对预测结果的精度进行验证.结果表明:由于考虑了数据间的空间关系,该时空综合预测模型可以对森林火灾面积进行较准确有效的预测,比单纯应用ARIMA模型预测精度高,是预测森林火灾等跨空间动态变化问题的有效工具.     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.     

红外热成像仪早期林火识别算法研究

比较了3种不同的红外热成像仪林火识别算法,提出了配置林火自动识别算法参数的林火野外测试方法,并利用该方法在珠海进行了测试实验。通过测试实验发现红外热成像仪在夜间分辨火点能力高于白天。3种林火识别算法比较结果为:阈值判定法具有较高灵敏性,但易受干扰;邻域阈值判定法抗干扰能力有所增强,但监测距离会有所缩短;均值对比判定法抗干扰能力较强,但监测距离最短。     

基于VLBP神经网络的林火风险预测模型

以北京房山区林火为研究对象,用神经网络方法研究了林火发生及蔓延与环境因子间的关系。研究流程为用GPS采集了林火火场中心数据,测量了火场面积。用GIS做空间分析,提取了火场空间环境因子。将数据在Matlab中用VLBP神经网络进行训练,建立了林火风险的预测方程。该风险模型由林火发生的风险模型和林火的蔓延风险模型组成。由于该模型采用的方法不依赖于先验统计模型,所采用的神经网络方法对非线性的数学关系有很强的预测能力,因而该模型具有很强的通用性。     

基于计算机断层扫描技术的木材节子检测算法研究

介绍了目前国内外通过计算机断层扫描技术(CT)结合各种算法对木材中节子部分进行无损检测所取得的研究进展,概述了以灰度阈值法、滤波算法、最大似然法和神经网络法为主的算法识别特点,并对其中应用广泛的神经网络算法进行了对比分析。现有研究表明,运用该技术结合多种算法可实现对原木中节子参数特征的提取与分析,通过算法的不断改进能够提高节子检测的准确率。文中还总结了CT技术在处理节子检测方面存在的主要问题,并对未来趋势进行了展望。