基于小波变换和BP神经网络的蛋壳破损检测

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8202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90%.     

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IRM和小波变换的圆度误差在线检测技

针对提高圆度误差在线检测精度的两个关键问题——主轴回转误差分离和环境噪声消除,提出了一种基于IRM（改进反向法）和小波变换的圆度误差在线检测方法。运用IRM实现在线检测中主轴回转误差与圆度误差的分离;采用基于小波变换的消噪滤波方法,消除车间噪声和高、中频信息的干扰。实验结果表明,在线检测精度基本达到了三坐标机的离线检测精度,平均相对误差4%,重复测量精度基本一致。     

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。     

基于小波神经网络的旋耕装置机械故障诊断研究

首先,介绍了小波变换原理及其在故障检测中的优势;然后,采用三层小波神经网络模型,构造了旋耕装置机械故障诊断模型;最后,从建立旋耕装置故障特征、提取故障特征向量,以及建立和训练小波神经网络模型等方面,实现了基于小波神经网络的旋耕装置机械故障诊断模型,能够实时完成对旋耕装置的机械故障诊断。通过验证与分析,证明了诊断系统的可行性和精确性。     

基于遗传算法和BP神经网络的用水

为避免BP算法易陷入局部极小的缺陷，根据遗传算法具有全局寻优的特点，将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值，按负梯度方向修正网络权值及阈值，对网络进行训练。最后，用matlab编写GA-BP计算程序，以多组数据进行测试，并与纯BP算法进行分析比较，结果表明该方法可以有效、准确的应用于城市用水量预测。     

基于Elman和BP神经网络的逐月参

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,它的准确预测对提高作物需水预报精度具有十分重要的意义。由于参考作物腾发量随时间变化具有一定的动态特性,将动态的Elman神经网络引用于参考作物腾发量预测中,并以铁岭市为例,对比分析了Elman模型与BP模型的预测结果。分析表明：Elman模型不仅能反应系统的动态特性,还具有比BP模型更高的预测精度、逼近性和稳定性。     

基于遗传神经网络的鸡蛋外观品质检测

对禽蛋进行快速、准确地分级,是禽蛋贸易中的一项重要任务,传统分级方法已不能满足生产要求。为此,综合运用机器视觉和人工神经网络技术,可对鸡蛋外观品质中的多项指标进行综合检测。同时,借助遗传算法的思想,有效改善了网络训练状况,使建立的神经网络模型具有更好的泛化能力。通过试验验证了此方法的有效性,蛋重及蛋形检测准确率达到98．3％和100％,此研究对其它同类产品的品质检测研究具有参考作用。     

基于小波去噪的FFT农网谐波检测

谐波检测的准确性直接影响对电网谐波污染状况的评估以及抑制措施的实施,采用小波软阈值去噪对含噪的电力谐波信号进行降噪处理,再利用快速傅立叶变换对去噪后的信号进行分析,提取各次谐波含量和总谐波失真率。在Matlab环境下进行仿真检测,结果表明:小波去噪后检测的各次谐波含有率更加接近于原始信号谐波含有率水平,去噪方法提高了谐波信号检测的准确性,这种小波去噪与FFT结合的方法适合在谐波检测系统或装置中应用。     

基于小波神经网络的切削刀具磨损识别

提出了一种基于小波神经网络的切削刀具状态监测方法,在采集切削加工功率信号的基础上,利用小波分解方法提取反映刀具磨损状态的信号特征量,利用小波神经网络的非线性模型和学习机制,实现刀具磨损状态的在线监测;针对多输入输出问题带来的网络规模大、收敛速度慢等问题,提出应用粒子群算法优化小波神经网络的方法,从而简化小波神经网络结构并加快收敛速度.仿真和应用实例证明,该方法比传统的基于BP的小波神经网络、GA优化的小波神经网络估计准确率高,消耗时间短.     

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BP神经网络的黄豆含水率无损检测分析

在利用电特性测量黄豆含水率的试验过程中发现,黄豆的电特性并非决定含水率的唯一因素,而是受多种因素共同影响的,主要包括黄豆本身的含水率、环境温度、激励频率和介质密度等.为此,结合影响黄豆含水率的多种因素和大量相应试验数据的特点,提出了基于BP神经网络的分析方法.校验结果证明,这种方法对黄豆含水率的分析是可行的.     

基于BP神经网络的闸门损伤检测

基于BP神经网络原理，介绍了神经网络用于闸门损伤检测中损伤指标的获取方法，并结合工程实例，阐述了神经网络用于闸门损伤检测的实现过程。事例说明，神经网络用于闸门的损伤检测是一种行之有效的方法。