基于简化脉冲耦合神经网络的蝗虫图像二值分割

采用参数简化的脉冲耦合神经网络（PCNN）分割图像,进行了蝗虫图像分割实验,区域正确识别率达94％,为蝗虫自动侦测系统中的数据处理提供了技术支持。计算机仿真表明,采用PCNN图像分割算法,图像中的目标（蝗虫）易于发现,分割效果明显好于采用开操作处理的图像。     

基于BP神经网络的信息融合发动机故障诊断的研究

为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点,在神经网络分析的基础上,提出了一种基于气缸压和、缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。该方法能有效地提高其故障诊断精度,明显增加了诊断过程的准确性和智能化。     

桃的电特性及新鲜度识别

为了解采后果品电特性变化机理,并探索基于电特性识别果品品质的方法,研究了桃采后电特性和生理特性的变化。结果表明,随着桃新鲜度下降,相对介电常数呈余弦规律变化,损耗角正切逐渐减小,呼吸高峰时相对介电常数最大。分析了电特性变化的原因,进而建立了采后桃电特性与生理特性之间的关系模型。以相对介电常数和损耗角正切为输入特征参数,应用BP神经网络技术识别桃的新鲜度等级,平均识别率为82％。     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

基于神经网络与图像处理的花生仁霉变识别方法

为了采用机器视觉对霉变花生仁的自动识别与分选,研究了一种基于花生仁图像特征和人工神经网络的霉变识别方法。首先,利用Sobel算子直接对噪声含量少、边缘保存较完整的B分量灰度图进行边缘检测,经过形态学滤波、填充、合成等处理去除背景,得到分割后的彩色花生仁图像。然后提取颜色特征H、I、S及纹理特征RW、GW、BW,将其作为MATLAB所创建的神经网络的输入,并分别定义正常、轻度霉变、严重霉变3组代码为100、010、001的类型作为网络的输出,建立特征参数与霉变等级之间的神经网络识别模式。试验结果表明,该方法对正常花生仁、轻度霉变花生仁、严重霉变花生仁的检测准确率分别为95%、90%、100%,得到了较好的识别效果。     

玉米苗期杂草的计算机识别技术研究

利用计算机视觉技术和人工神经网络技术对识别玉米苗期田间杂草进行了研究。首先利用类间方差最大自动阈值法二值化杂草图像的超绿特征,再进行连续腐蚀与膨胀,然后根据长宽比、圆度、第一不变矩3个形状特征由BP网络识别出玉米幼苗,最后利用种子填充法从阈值分割结果中擦除玉米目标,剩余的就是杂草目标。研究表明,基于BP网络的杂草识别算法对玉米幼苗与杂草的正确识别率分别为87.5%和93.0%,处理一幅640×480像素的杂草图像平均耗时约为58 ms。     

利用改进BP神经网络预测初产奶牛产奶量的方法

针对传统BP算法的缺陷,提出了一种采用L-M训练法的BP神经网络。在此基础上建立了基于改进BP神经网络非线性系统的奶牛305d产奶量预测模型,此模型可以提前215d预测初产奶牛305d产奶量,从而实现提早进行选择,加速奶牛育种工作进程。并通过具体的实验验证了改进BP神经网络预测模型的有效性。     

基于遗传算法与粒子群算法的配电网无功优化

根据遗传算法(GA)收敛效果好和粒子群算法(PSO)收敛速度快的特点,将两者相结合对配电网无功优化模型进行求解。计算结果表明:该算法是收敛的、有效的。     

基于脉冲耦合神经网络的蝗虫图像分割

由于脉冲耦合神经网络(PCNN)特有的脉冲传播特性,PCNN在图像处理与模式识别领域得到了广泛应用.为此,提出了如何用脉冲耦合神经网络(PCNN)进行蝗虫图像分割.计算机仿真表明,采用PCNN图像预处理算法,可使图像中的目标(蝗虫)易于被发现;经PCNN预处理后,相同的后续处理效果明显好于未经PCNN预处理的图像.此方法验证了PCNN在图像处理方面的功能,同时也拓展了蝗虫侦测的方法.     

渠道运行神经网络控制

针对渠道运行的不确定性和非线性,在渠道自动控制系统的观测器回路上并联一个BP神经网络,通过实测水位的学习,修正控制系统数学模型的不准确性;在控制器增益回路上并联一个BP神经网络,补偿控制增益的不精确。与传统的线性二次调节(LQR)最优控制相比,渠道运行控制过渡过程更为平稳,达到稳定的时间缩短,闸门运行的振动和超调大为改善。