基于神经网络的智能刀具状态检测系统

可靠的在线刀具磨损状态检测是柔性制造系统、计算机集成制造系统以及自动化机床必不可少的一个环节。文中论述了用反传神经网络与一类模糊神经网络分析处理由力传感器和声发射传感器所测得的刀具状态信号，识别出刀具的磨损情况，从而进一步实现刀具磨损状态的在线检测，控制自动机床及时更换刀具。本研究对四种规格的钻头的磨损情况进行了全程检测，并比较分析了反传神经网络与模糊神经网络对这一问题的有效性。实验结果表明，这两种方法对处理刀具磨损状态检测均有显著的效果与很高的准确性。用一类模糊神经网络处理多传感器信息是实现刀具状态在线检测的一个极为有效的方法。     

类神经无线网络入侵检测风险的研究

无线网络安全期待突破技术瓶颈,为了有效辨识伪造或是有问题的无线接入点(AP),文章提出基于频谱分析仪的类神经无线网络的入侵检测机制。该机制采用频谱分析仪测量无线电磁波的信号,提取信号值,再用sniffer分析AP流量,最后,对于AP的使用行为进行分析,将采集到的数据通过NeuroSolutions软件依据倒传递的类神经网络进行仿真。     

一种计算二维图象矩的神经网络方法

提出一种计算二维图象矩的神经网络方法，首先，导出一维信号矩与一维Ｈａｄａｍａｒｄ变换之间的关系。通过２Ｎ－一维Ｈａｄａｍａｒｄ变换和极少量加法，移位及乘法运行可计算二维图象矩。然后给出用Ｔａｎｋ－Ｈｏｐｆｉｅｌｄ神经网络实现Ｈａｄａｍａｒｄ变换的方法，并对该网络作了改进。     

基于神经网络的ICAI软件的设计与实现

介绍了一个在Ｗｉｎｄｏｗｓ９５平台上用ＶｉｓｕａｌＣ＋＋５．０开发的基于神经网络的信号与系统课程的智能化计算机辅助教学（ＩＣＡＩ）软件设计的基本原理及其关键技术的实现。该软件针对人类教学过程中的智能模拟问题，将神经网络和专家系统两大先进技术相互融合在一起采用面向对象的设计是界面友好、算法透明、程序易于维护、是计算机辅助教学课题的一个成功实例。     

基于小波神经网络的多模型故障检测

提出了一种利用小波神经网络辨识非线性系统多模型故障的方法。证明了状态估计误差渐近收敛到零，同时证明了如果激活函数满足持续激励条件，辨识器参数将趋于理想辨识器参数。分析了多模型辨识结构，并将小波神经网络作为辨识器应用于多模型故障检测。给出了小波神经网络进行非线性系统逼近的实例，用小波神经网络辨识器对多故障模型检测进行了仿真，证明了此方法的正确性和可行性。     

基于未知输入观测器的不确定非线性系统故障检测

针对具有不确定性和系统故障的非线性系统,利用神经网络构造了全阶未知输入观测器,在获得系统的状态观测信号的同时得到了系统的故障观测信号。通过在故障观测神经网络权值的调整规律中引入死区函数,从而提高了故障观测对系统不确定性的鲁棒性。利用得到的故障观测信号,可以方便地检测系统的缓变故障和突变故障,实现了对系统故障的快速检测,降低了误检率。仿真示例表明了该方法的有效性。     

基于RBF神经网络的储油罐底板缺陷量化方法

提出一种基于RBF神经网络来提高漏磁检测对储油罐底板裂纹缺陷的量化能力的方法。首先利用有限元仿真计算了不同长度、宽度、深度和倾斜角度的槽型缺陷漏磁信号,分析漏磁信号分布规律并提取磁异常幅值和占宽作为磁信号特征量,探讨了磁信号特征量与缺陷尺寸之间的关系并组建样本集。其次,建立RBF神经网络与模拟退火算法相结合的量化模型,并使用样本集对RBF神经网络进行训练,预测缺陷大小及倾角。结果表明,磁异常特征量随缺陷尺寸及角度呈现不同变化规律,通过RBF神经网络建立复杂关系网,结合模拟退火算法可精确量化缺陷,样本集内缺陷平均量化正确率约为98.71%,样本集外缺陷平均量化正确率约为86.67%。因此,基于RBF神经网络并且结合模拟退火的方法可应用于漏磁检测对储油罐底板的缺陷量化,为储油罐的安全评估提供理论依据。     

基于声发射技术的铁路重载货车滚动轴承故障诊断研究

通过声发射检测技术对铁路重载货车滚动轴承故障进行不解体诊断,利用小波包分析技术对采集到的声发射信号进行分解和重构,提取故障信号的能量特征向量,将处理后的特征向量输入到BP神经网络进行滚动轴承故障模式识别,进而判断轴承是否发生故障以及故障的类型。经过使用大量的实际滚动轴承实验数据进行验证,其结果都表明了使用本文的方法的有效性。     

无人直升机自适应神经网络姿态控制

回顾了自适应飞行控制技术、反馈线性化和模型逆理论，分析了误差动力特性．设计了自适应神经网络姿态控制系统。其中，模型逆基于悬停状态，基于神经网络的自适应控制律能够确保跟踪误差和控制信号的有界。仿真结果表明：模型逆增强的非线性神经网络能够对无人直升机的不确定性和建模误差进行自适应。而且对PD控制器和鲁棒项系数变化的仿真结果进行了比较。     

旋翼变距拉杆关节轴承磨损故障特征及磨损程度识别

在旋翼故障试验台上设置不同程度的变距拉杆关节轴承磨损故障,分别测量其引起的机体振动信号,通过频谱分析技术提取该类故障的机体振动特征。取故障信号频谱分量作为训练和测试样本,利用径向基神经网络的良好逼近能力,实现了仅用机体振动信号来识别变距拉杆关节轴承磨损程度,识别平均误差小于10%。该诊断方法简捷可行,为进一步开发旋翼状态监测与故障诊断系统提供技术基础。     

基于前向神经网络的与内容无关的笔迹鉴别

与内容无关的笔迹鉴别是属于图象处理和模式识别领域的一项课题，有着广泛的实用前景。本文提出了一种基于前向神经网络的与内容无关的笔迹鉴别的方法。文中讨论了提取笔迹灰度图象特征和用前向神经网络分类器进行两大问题。对笔迹灰度图提取了3大类18个灰度特征，面前向神经网络分类器由一种新的遗传算法同时优化设计其结构和权重矢量。通过对10人、每人6幅笔迹度图象用18个灰度特征进行鉴别,试验结果显示此方法设计的前向神经网络分类器收敛率高，比常用的最近邻分类器有更高的识别正确率。     

Dynamic Model of Hysteresis in Piezoelectric Actuator Based on Neural Networks

A dynamic hysteresis model based on neural networks is proposed for piezoelectric actuator.Neural network has been widely applied to pattern recognition and system identification.However,it is unable to directly model the systems with multi-valued mapping such as hysteresis.In order to handle this problem,a novel hysteretic operator is proposed to extract the dynamic property of the hysteresis.Moreover,it can construct an expanded input space to transform the multi-valued mapping of hysteresis into one-to-one mapping.Then neural networks can directly be used to approximate the behavior of dynamic hysteresis.Finally,the experimental results are presented to illustrate the potential of the proposed modeling method.     

一种基于粗糙集理论的粗糙神经网络构造方法

提出在BP神经网络中使用粗糙集理论网络的设计，由于粗糙集理论有强大的数值分析能力,而BP神经网络具有准确的逼近收敛能力和较高的精度，所以通过两者的结合，可以得到一种可理解性好，计算简单，收敛速度快的神经网络模型，这种神经网络的算法的主要过程为：首先利用粗糙集能力去发现给定数据集的一些规则，然后根据这些规则构造神经网络稳含层的神经元个数，最后用BP算法迭代求了网络的各种参数，完成网络的设计，本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。     

基于LabVIEW实现神经网络

文章选择LabVIEW的图形编程语言实现了神经网络.仿真结果表明,通过LabVIEW可将虚拟仪器技术和神经网络有机地结合起来,拓宽两者的应用范围,提高系统的性能和开发效率.     

基于多个前向神经网络和遗传算法的边界检测法

本文提出了一种基于前向神经网络和遗传算法的图象边界检测方法，这种方法由多个三层子前向神经网络并置连接加一个ＭＡＸＮＥＴ子神经网络形成，每个前向神经子网络的隐含层神经元个数和所有人权重系数由遗传算法优化确定，实验结果表明，本文提出了这咱边界检测方法抗噪声能力强，检测到的这界位置更为准确。     

非线性系统的神经网络控制器设计

神经网络是解决非线性系统控制问题的一种新颖而有效的方法。文中主要讨论了神经网络在非线性控制中的应用，针对一个典型的非线性系统，采用不同的神经网络控制结构，设计了不同的控制器，并进行了数字仿真。比较了它们的优缺点。作者的研究对神经网络在控制领域当中的应用具有一定的理论指导作用。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

基于Hopfield神经网络的非线性系统故障估计方法

针对一类故障参数是线性可分的非线性系统,在参数故障情况下提出了一种基于Hopfield递归神经网络的故障估计方法。利用Hopfield递归神经网络的自学习能力和稳定性理论,将故障参数的估计问题转化为Hop-field神经网络的稳定性问题,克服了现有数值方法存在量化误差和算法收敛性等问题。与自适应观测器和等价空间方法等相关故障参数估计方法相比,具有设计简单、易于实现和适用性宽等特点。仿真结果表明,对于常值故障和时变故障,诊断系统均具有较好的估计效果和动态性能。     

基于BP神经网络的含褶皱复合材料强度预测

利用BP(Back propagation)神经网络处理多参数问题具有的非线性映射及泛化能力,构建了具有3层隐藏层的神经网络,对含纤维褶皱复合材料层合板的压缩强度进行预测。基于LaRC失效准则建立三维损伤模型,对含褶皱复合材料的压缩失效进行数值分析。将数值分析结果作为数据样本对神经网络进行训练。采用黄金分割法快速确定最佳隐藏层神经元数量区间范围,并通过分析对比不同数量神经元模型的强度预测结果及评价指标,确定具有高预测精度的隐藏层神经元数量。结果表明,所构建的神经网络预测最大褶皱角为5.6°、9.9°和11.4°的3种层合板失效强度误差分别为3.4%、4.6%和-0.01%。本文所发展的基于BP神经网络对复合材料强度进行预测的方法,为工程应用中复合材料强度评估提供了一种有效的途径。     

适用于全包线的航空发动机BP网络模型的动态辨识

为克服传统的发动机动态模糊辨识中存在的辨识精度低，辨识模型应用范围窄等不足，把对非线性系统具有高度逼近能力的神经网络应用于航空发动机动态特性的辨识，从而为发动机动态辨识开辟更为广阔的道路，采用均方差归一法的处理方法和BP算法的改进算法－输出端动量BP地，以某型发动机在飞行包线内某一飞行条件下的数据作为学习样本，辨识了发同的神经网络模型，在全包线范围内对该模型进行检验，结果表明，所得的发动机动态模型在全包线内都有很高的逼近精度，而且对噪声有很强的抑制能力。