基于小波变换和BP神经网络的蛋壳破损检

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法。该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8—20—2的BP神经网络蛋壳破损分类模型。实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为     

基于BP神经网络的鸡蛋新鲜度无损检测方法

用计算机视觉装置和Matlab软件获取鸡蛋颜色参数（H、I、S）,通过试验获得鸡蛋的新鲜度指标（哈夫值）,用其作为样本数据建立BP神经网络模型,得到鸡蛋新鲜度与其图像颜色参数之间的最优关系。系统先自动判别鸡蛋壳色再分类检测鸡蛋新鲜度,经检验,建立的BP神经网络具有较好的泛化功能和鲁棒性,对褐壳蛋和白壳蛋新鲜度的正确识别率分别为87．258％、89．029％。     

基于小波变换的基波无功实时检测

分析了SVC装置现有的无功功率检测方法,提出了一种基于正交小波变换的基波无功功率实时检测方法。该方法用电力系统电压、电流信号离散采集的数据,可方便地对系统功率因数实时检测,能有效地分解和计算含各次谐波和随机干扰的电压、电流信号中的基波分量,从而得到实时的无功功率数据。通过仿真,验证了实时检测方法的有效性。     

基于DSP的鸡蛋破损检测分级装置设计

阐述了基于DSP的鸡蛋破损检测分级装置。设计出以DSP为核心的前端电路,包括声音信号检测与调理、多路选择开关和A/D转换电路以及后端电路,包括驱动和分级执行电路。验证了检测装置的检测与分级性能：好壳蛋判别准确率为93.22%;破损蛋判别准确率为85.61%;系统的总体检测准确率为89.2%。系统完成一枚鸡蛋的检测与分级所需总时间小于1s,系统正常工作时可检测蛋3600枚/h。     

基于小波变换和BP神经网络的水稻冠层重金属含量反演

自然农田生态系统中,农作物的各种生化参数受重金属污染胁迫后虽表现异常,但其特征往往极为微弱,极不稳定。利用处理非稳定信号方法中常用的信号处理方法——小波分析法(Db-5),对水稻的光谱反射率数据进行处理,有效提取光谱信号中受重金属污染胁迫而潜藏的一些突变弱信息。利用Db-5小波基进行小波变换,从中选取具有异常光谱特征的奇异点,利用奇异点对应波段(716、745、766 nm)的光谱反射率构建反向传播(BP)神经网络模型,对水稻冠层4种重金属含量进行反演。将利用模型得到的预测值与实测值进行相关性分析,结果表明,基于BP神经网络的水稻冠层重金属含量反演模型对于实验区镉、铅、汞、砷4种重金属胁迫,具有良好的反演效果。     

基于小波变换的方便面含油率近红外光谱检测技术

以检测方便面的含油率为例，探讨了用小波变换原理分析近红外温反射光谱并提取有效信息的方法。结果表明，变换后的光谱更能反映出与含油率之间的相关关系，通过与使用方便而原始温反向光谱、一阶导数、二阶导数的多元回归分析方法比较，得到使用8个迟度变换后的小波系数与含油率之间的关系最为显著，且四元回归分析的预测精度最好，比采用二阶导数时的平均相对预测误差降低1.1个百分点，相对误差的标准差降低0.18。小波变换方法提高了方便面含油率近红外光谱的定量分析精度。     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。     

基于边缘检测和BP神经网络的大豆杂草识别研究

为提高无人机喷洒除草剂的精准度,以阔叶型杂草、禾本科杂草作为研究对象,针对传统图像识别技术准确率低,边缘信息丢失严重等问题,提出基于改进Canny边缘检测算法和BP神经网络相结合的大豆杂草图像识别方法。首先采用改进后的Canny算法对图像进行特征提取,然后将提取到的结果转化为特征矩阵向量,作为BP神经网络的输入层,最后通过BP神经网络进行大豆杂草图像识别,区分出不同种类的杂草。试验结果表明,改进后的Canny算法同BP神经网络相结合的方法在阔叶型杂草和禾本科杂草识别上,准确率分别为95.67%和93.33%,较传统Canny算法同BP神经网络相结合的方法准确率分别提升5.83%和5.66%。     

基于小波变换与卷积神经网络的羊脸识别模型

为解决养殖场条件下羊只的个体识别问题,本文基于小波变换与卷积神经网络,提出一种融合频域特征与空间域特征的羊脸识别模型DWT-GoatNet。首先采集总计30只高相似度西农萨能奶山羊日间、夜间两种不同光照环境下的面部图像,基于SSIM指标剔除其中相似度过高的样本,接着进行图像裁剪,并通过模糊、调整亮度、平移、旋转、加入噪声、缩放等方法完成数据增强;然后,设计基于二维离散小波变换(2D-DWT)与卷积运算的羊脸特征提取模块,完成特征融合;之后,以前述羊脸特征提取模块为基础,添加分类模块,进行卷积神经网络搭建;最后,进行超参数组合寻优,形成羊脸识别模型。试验结果表明,本文所构建的羊脸识别模型在日间、夜间两种不同光照环境下测试集上识别准确率分别可达99.74%和99.89%,高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等经典卷积神经网络模型,说明所构建模型适用于羊只的个体识别,为精准养殖、农险理赔领域相关工作提供了有效解决方案。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法,首先采用小波包对滚动轴承振动信号进行分解与重构,然后提取重构后振动信号的峭度值,将峭度值作为特征参数输入神经网络,进行故障模式识别。通过对实验数据的分析信号表明,能有效地识别滚动轴承工作状态与故障类型。     

鸡蛋敲击响应的奇异性特征与蛋壳裂纹多层检测

通过微型话筒和声卡采集敲击鸡蛋后的脉冲时域信号,利用信号的小波变换模极大值建立了反映信号奇异性强度和频带位置的奇异性指标。分析表明,裂纹蛋的奇异性指标主要位于低频带、指标值较大;好壳蛋的奇异性指标分布相对分散、指标值较小,二者有明显的区别。基于奇异指标的多层分布特征和奇异性强度,定义一个以加权平均值为奇异指标的标准值,提出了蛋壳裂纹的多层检测方法。通过实际检验检测精度达96％。     

鸡蛋敲击响应特性与蛋壳裂纹检测

鸡蛋经敲击激励后用传感器获取时域特性信号,并进行信号频域分析。结果表明,无裂纹鸡蛋的频域特征有相似的规律性。存在一个较明显的主频率值。峰值突出;有裂纹鸡蛋频域特征无规律性,没有明显的主频率值。峰值较紊乱;裂纹蛋上不同测点的频域特性有较大差异。提出了检测鸡蛋裂纹的主要参数：主频率值、功率谱平均值、归一化功率谱平均值、x轴及y轴质心等。主频率值、功率谱平均幅值、归一化功率谱平均幅值等参数可以用于检测鸡蛋有无裂纹,其中采用主频率值、归一化功率谱平均幅值检测时精度较高。     

BP和RBF神经网络在水轮机非线性特性拟合中的应用比较

利用神经网络对水轮机综合特性曲线进行数据处理和延伸,不必建立具体的函数关系表达式,就可对已知的离散数据进行拟合。并且还可以结合边界约束条件对未知区域内的数据进行预测,从而提高了水轮机综合特性曲线数据处理的工作效率和数据精度。分别介绍了用BP神经网络和RBF神经网络对水轮机综合特性曲线数据处理和延伸的方法。并采用一机组的样本数据进行训练,比较2种方法的训练结果得出结论。     

计算逐日潜在腾发量的BP神经网络方法

根据新疆阿瓦提县气象站1992～2001年的气象资料,利用Penman-Monteith公式计算逐日和逐月潜在腾发量,分析其变化特性,并利用BP神经网络建立计算逐日潜在腾发量的经验模型,探讨各输入因子对模型的影响。计算结果表明,所建立的模型简单易行,精度较高,可以应用于生产实践中。     

BP神经网络在秸秆挤压机中的应用

以秸秆挤压机的秸秆含水率、螺杆转速、模孔间隙、套筒温度、螺杆末端至模板内表面的距离( 段长度)等5种过程参数为输入,以挤压膨化后玉米秸秆纤维含量变化(本文研究NDF与ADF)为输出,依据五因素五水平(1/2实施)二次正交旋转组合试验设计及试验数据建立了系统的BP神经网络模型.该网络训练后得到挤压系统的自变量与因变量之间的映射关系,且具有较好的仿真精度,可实现对过程参数的控制和目标输出的预测,用于指导生产实践.     

小波神经网络故障诊断系统的设计与应用

采用能量分布特征提取方法和优化BP算法，提出了一种基于小波变换和BP神经网络的故障诊断系统。利用该系统对汽车变速箱三挡齿轮磨损程度进行估计，诊断结果与实际完全吻合，表明该小波神经网络故障诊断系统的有效性。由于小波分析特别适用于非平稳信号的处理，因此该小波神经网络诊断系统对复杂机械设备的故障诊断有着广阔的应用前景。     

基于改进BP神经网络的复合叶轮离心泵性能预测

应用Matlab建立了复合叶轮离心泵效率和扬程的BP神经网络预测模型.选取73组试验结果作为样本,采用LevenbergMarquardt法则对构建的网络进行训练,并随机选取12组训练样本外的数据对训练好的网络进行测试.试验的主要参数为流量Q, 叶片数z,叶片出口安放角β2,短叶片进口直径Di,叶片出口宽度b2,效率η以及扬程H.其中选取Q,z,β2,Di,b2作为网络的输入层,η和H作为输出层.预测结果的分析表明,预测值与试验值具有较好的一致性,利用BP神经网络对复合叶轮离心泵性能进行预测是可行的,可用来作复合叶轮的辅助设计,从而缩短试验时间,降低成本.