近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于径向基神经网络的水轮机组故障诊断研究

针对传统意义的BP(B ack-P ropagated)神经网络在水轮机故障诊断中的不足,提出了一种基于径向基RBF(R ad ia l bas is function)神经网络的水轮机组故障诊断方法。实例应用表明,该方法克服了BP神经网络的不足,具有精度高、收敛快、可以避免局部极小值的优点;RBF神经网络收敛速度约是BP神经网络的40倍,并能准确地诊断出水轮机组的故障。     

神经网络在磨辊离心铸造缺陷诊断中的应用研究

应用神经网络的理论和方法,首先建立离心铸造缺陷诊断的神经元模型,然后建立BP神经网络模型进行学习训练后,得出了离心铸造磨辊的正确诊断方案。训练结果表明,该神经网络的各项误差指标均达到了满意的要求,充分有力地说明了用这种BP神经网络模型诊断离心铸件具有可靠性与优越性。     

基于小波能量谱和BP神经网络的皮蛋破损检测

根据皮蛋蛋壳的声学特性,采用小波变换和BP神经网络相结合的处理方法,对皮蛋进行破损检测。首先对采集到的声音信号进行6层小波分解,计算每层分解信号的小波能量谱,构造小波能量谱分布的特征向量,然后将其作为神经网络的输入向量,基于MATLAB创建了网络结构为6-20-2的BP神经网络。检测结果表明,该方法对好壳皮蛋的识别率为88.5%,对损壳皮蛋的识别率为83.3%。     

基于BP-Adaboost算法的棉花采摘机预维修方法研究

[目的]尽早检测出棉花采摘机可能发生的故障,减少大型故障造成的巨大损失。[方法]提出了一种基于BPAdaboost算法的预维修方法用于检测棉花采摘机故障情况。首先采集棉花采摘机8个核心部件的工况参数信息作为故障特征参数,然后将故障特征参数作为BP神经网络的输入值,构造BP神经网络弱预测器,最后通过多个BP神经网络弱预测器构建Adaboost强预测器模型。[结果]用采集到的棉花采摘机实际工况数据验证Adaboost强预测器模型的性能,模型预测准确率达94.7%。[结论]该算法可以有效地对棉花采摘机的故障进行预测,而且与BP神经网络弱预测器相比,性能更好。     

基于逐步判别法与BP神经网络的火焰目标检测

在基于图像分析的火焰目标检测判别函数中,判别特征的选取会显著影响判别的准确率,为了提高检测的准确率并且降低火焰目标特征向量的维数,本文提出了基于逐步判别法与BP神经网络的火焰目标检测方法,该方法对火焰目标的颜色、亮度和纹理特征及其检测算法进行了研究,然后利用逐步判别法筛选出区分能力强的特征向量子集并作为BP神经网络的输入端分量完成火焰目标的识别,该方法的漏报率为6.7%,准确率为93.3%,火焰目标检测效果最佳。     

基于BP神经网络的苹果高光谱图像糖度定量分析

使用高光谱成像技术在主成分空间的距离作为样本相似性的判断依据,选择出训练子集,实现了一种基于主成分空间样品光谱特征分类的局部建模方法,并将这种方法与BP神经网络结合,用于苹果糖度的高光谱图像技术的定量分析,增强了检测效果。该方法首先提取高光谱图像的光谱信息并划分为训练集、验证集和测试集,对训练集的光谱进行主成分分析;然后在主成分空间根据欧氏距离和马氏距离选择训练子集,并建立基于BP神经网络的局部回归模型对验证集进行预测;使用全光谱+BP神经网络、全光谱+PCA+BP神经网络、欧氏距离+PCA+BP神经网络和马氏距离+PCA+BP神经网络,选取出的训练子集建立的模型对验证集糖度进行预测。结果表明,与全光谱相比,局部变量建模相关系数r提高,RMSEP降低,提高了检测效果;局部变量建模中,马氏距离+PCA+BP神经网络建立的局部预测模型预测能力更强。将这种建模方法应用于测试集的糖度预测,均方根误差为0.106 61,相关系数r为0.890 81,可以较好的实现苹果中糖度含量高光谱定量分析。因此马氏距离+PCA+BP神经网络模型有望成为一种有潜力的苹果糖度检测方法,对提高模型的精度有重要的意义...     

基于MATLAB的BP神经网络入侵检测系统

基于MATLAB神经网络工具箱,构建了一个BP神经网络入侵检测系统,采用改进的BP神经网络Levenberg-Marquardt优化算法进行入侵检测,实验表明,具有较高的检测率。     

基于BP神经网络的柚子分类研究

介绍了一种基于BP神经网络的柚子分类检测系统。通过选取柚子表面缺陷、柚子形状以及大小等指标构建BP神经网络模型,从而得到较好的网络权值。然后选取20组数据进行验证。结果表明,基于BP神经网络能够准确地对柚子进行模拟分类,准确率达90%。     

基于GMDH网络的船用增压柴油机性能预测及仿真

采用数据分组处理（Group Method of Data Handing,GMDH）的神经网络分类方法,建立4190ZLC船用四冲程增压柴油机性能预测的数学模型.针对船用中速柴油机运行状况,考虑到其影响运行状态的因素,结合实验数据进行4190ZLC船用柴油机性能的预测及仿真分析.该模型解决了神经网络结构较大,计算耗时较长的问题.将该模型与BP（Back-Propagation,BP）前馈神经网络仿真结果进行比较,结果表明其仿真效果好于BP神经网络模型,并且该神经网络能较好地满足柴油机性能预测仿真的需求.     

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。     

神经网络自适应模糊控制器设计与应用

把神经网与模糊系统相结合，提出一种基于神经网络的自适应模糊控制器，这种控制系统由模糊神经网络控制器和模糊网络组成，具有自适应学习能力，仿真结果以及应用于温度控制系统中，其鲁棒性明显优于一般Ｆｕｚｚｙ控制。     

基于神经网络的模糊逻辑推理系统模型

采用多层前向神经网络模型及BP学习算法, 建立了基于神经网络的模糊逻辑推理方法和基于神经网络的模糊系统模型, 从而将模糊逻辑和神经网络集成融合为一个有效的功能性系统。     

一种求解线性规划的神经网络

提出了一种新的求解线性规划的神经网络及其有源跨导－Ｃ实现。其特点是结构简单，便于采用ＣＭＯＳ工艺集成。     

人工神经网络在电力系统无功电压优化中的应用

电力系统无功电压的优化是提高电能质量.保证电压稳定的有效而重要的手段,国内外对无功优化的研究历时已久,但系统中实时的无功优化控制仍是一大难题.人工神经网络集若十新兴学科于一体,具有强大的信息分布式存储和并行处理功能,适于解决大型复杂的非线性多变量系统的相关问题.利崩人工神经网络中的BP网络.对目前愈趋复杂的电力系统的无功电压优化问题提出解决方案,避免了求解多变量非线性混合约束方程组的难题.使得问题的解决方案更简易可行.通过对IEEE-30节点系统和辽宁省某局的实际数据分析测试表明,BP神经网络应用于无功电压优化是可行的.同时,探讨了BP神经网络中的结构参数和算法参数的改进对网络泛化性能的影响,从而提出了一些提高神经网络泛化性能,减小泛化误差的有效措施,使神经网络的输出精度得到进一步提高.     

神经网络在梁的边界条件识别中的应用

针对常规的梁的边界条件识别方法的不足，本文提出了利用神经网络网络来实现梁的边界条件识别     

基于Matlab的神经网络仿真试验设计

针对人工神经网络本科教学难问题,结合本科教学的宗旨,提出了利用Matlab开发仿真试验的方法。论述了BP神经网络的基本原理,给出了BP网络的仿真试验实例。实践表明,该仿真试验不仅界面友好、效果直观,而且有助于提高学生对神经网络的理解和应用。     

基于Zernike矩和神经网络的角点筛选方法

在计算机视觉领域中角点特征的提取具有相当重要的地位，因为角点包含了丰富的信息。本文的目的在于提取某类图像上的重要特征角点。其主要思路是首先利用角点检测方法提取图像中的角点之后，然后再通过Zernike矩和神经网络对它们进行筛选，从而达到自提取特征角点的目的。最后通过实验验证了本算法的有效性。尽管本文是针对某类图像进行了特征点提取的，但相信对于一般情况下的目标特征检测也具有一定的借鉴意义。     

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%.     

开关电流神经网络

本文提出了采用开关电流（ＳＩ）电路技术的神经网络实现．开关电流神经网络（ＳＩＮＮ）仅需要标准的数字ＣＭＯＳ工艺，且电源电压要求低