应用神经网络的手写体数字识别算法研究

结合程序代码论述了1个手写体数字识别程序的原理。该识别程序应用了神经网络来实现其功能,采用BP网络。主要论及了关于BP网络的3个问题:反向传播算法;提高BP网络收敛速度的算法;以及文中提出的对网络进行修剪以期能改善其推广能力的1种算法。     

基于神经网络的电表数字识别技术研究

提出了基于BP神经网络的机械式电表数字自动识别方法,首先通过预处理自动定位电表图像中的数字区域并实现单个数字的切分,然后对每个数字图像提取一组具有较高区分度且计算简单的典型网格特征,最后设计BP神经网络作为数字分类器,实现电度表显示值快速自动识别,该研究获得了电表数字正确识别率98.5%的结果,表明该系统具有较强的鲁棒性。     

基于自适应遗传BP算法神经网络数据融合的空中目标识别

空中目标识别是现代防空作战的重要研究内容。本文利用不同类型目标产生的多类型传感器的数据信息对目标进行识别。为了训练神经网络目标识别分类器，将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法，利用这种神经网络来确定指标的权值。仿真试验结果表明，基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法，具有很好的目标识别效果。     

基于STEP和改进神经网络的STEP-NC制造特征识别方法

特征识别是实施STEP-NC重要的一步，也是实现开放式、智能化和网络化STEP-NC数控系统的关键。本文提出了一种基于STEP和改进神经网络的STEP-NC制造特征识别方法。该方法首先在对STEP AP203中性文件进行几何拓扑信息提取后，基于边的凹凸性判断构建了零件最小子图。然后，将混沌算法、遗传算法与BP神经网络算法有机相结合提出了改进的BP神经网络。最后，通过将获得的零件模型最小子图信息数据输入到改进的BP神经网络，实现了对STEP-NC制造特征高效精准地识别。通过实例验证了该方法的有效性和可行性。     

基于遗传神经网络的飞行载荷参数识别

针对飞行载荷参数识别问题,结合典型机动动作,提出一种优化改进的BP神经网络模型。模型采用留出方法和遗传算法对BP神经网络的设置参数进行优化,利用最优设置参数训练得到飞行载荷与飞行参数的BP神经网络模型。在半滚机动下,通过利用飞行参数识别某一部位弯矩并与未优化BP神经网络对比,表明优化改进的BP神经网络模型对飞行载荷参数识别是一种可行且精度高的方法。     

基于SGNN的数字字符识别

自生成神经网络SGNN具有自主学习能力强和计算速度快的特点,可用于识别带噪声的数字字符。首先提取数字字符的特征矢量,然后将特征矢量输入SGNN中对SGNN进行训练建立分类器,通过比较未知样本特征矢量和分类器根节点权值矢量的距离远近从而得到识别结果。实验表明这种方法有较高的识别正确率,其性能优于BP神经网络。     

基于改进BP网络的手写体汉字识别技术

研究了手写体汉字识别技术，采用改进BP算法进行网络训练，提高了算法的收敛速度。同时，利用神经网络完成了汉字识别系统的实现。实验表明系统较好地回避了汉字结构复杂、变形难以预测等问题，提高了识别效率。     

一种识别单盘柔性转子不平衡的新方法

基于柔性转子瞬态响应和反向传播神经网络理论,提出了一种识别单盘柔性转子不平衡的新方法.通过转子的理论模型建立识别转子不平衡方位角的BP神经网络,在此基础上只需两次加速启动过程就可完成对转子不平衡的识别.首先通过BP神经网络和第一次启动过程的瞬态响应数据,识别出转子不平衡的方位角;然后再通过一次加试重启动过程,利用瞬态挠度的幅值与不平衡大小之间的线性关系,识别出不平衡的大小.实验结果证明了该方法的有效性.      

车牌定位与字符分割方法研究

介绍了一种改进的基于纹理特征的车牌定位方法,采用自适应阈值,实现了车牌的准确定位。设定自适应改变大小的投影切割阈值实现了字符分割。最后采用BP神经网络法来识别各个字符。实验结果表明,该方法能够较为准确的实现车牌识别,具有定位准、鲁棒性好等特点。     

基于小波变换和神经网络的航空发动机故障诊断

在阐述了小波变换和BP神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于“能量-故障”的小波预处理神经网络航空发动机诊断方法。实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的诊断。     

Timoshenko梁振动的模态控制方法

分析了Timoshenko梁振动特性,得出其简化模型及其在外力作用下的传递函数,然后分析了压电材料PZT对梁振动的作用,得到它的传递函数。设计控制系统并分别设计人工神经元网络辨识器及其控制器,给出振动控制系统的仿真结果并进行分析。     

三维飞机自动识别的一种有效方法

提出一种新的飞机自动识别算法。采用矩不变量和傅立叶描述子相结合的表示方法简单而有效地描述飞机的特征;采用了分布存储的ＢＰ神经网络来减少存储量和加速搜索识别过程,并对ＢＰ网络的收敛方法提出了若干措施加速其收敛过程。通过对９架不同飞机的大量实验证实,本系统性能优越,其识别准确率在９９％以上,并且识别速度很快,一架飞机的整个识别过程在不到１ｓ的时间内就可完成。     

三种用于加工特征识别的神经网络方法综述

加工特征自动识别技术是智能化设计与制造的关键支撑，已有的实用性算法普遍存在学习能力差、识别范围有限和识别速度慢等共性问题。神经网络方法在计算机视觉和模式识别领域获得了巨大成功，其自学习与自适应能力和高速计算等优势也已在加工特征识别中得到初步的展现。对加工特征识别中具有应用潜力的三种不同的神经网络方法进行了研究，剖析了神经网络识别加工特征中的预处理与编码和神经网络结构设计等关键性问题，分析了不同神经网络方法的异同点，总结了当前神经网络识别加工特征的发展方向，为相关领域的研究提供一定的理论指导与技术支持。     

基于磨粒磨损机理的机械磨损状态监测

针对机械设备磨损状态监测准确率较低的问题,基于不同磨损机理下磨粒具有不同的形状和纹理特征,提出了一种基于磨粒特征识别的机械磨损状态监测的数学模型。通过形状特征识别球状磨粒和切削磨粒,结合形状、纹理特征识别疲劳磨粒和严重滑动磨粒,基于提取的特征参数建立机械磨损状态监测的特征向量,通过量子粒子群优化(QPSO)的径向基函数神经网络模型,实现对机械磨损状态的监测和判别。实验结果表明:QPSO-RBF神经网络数学模型结构简单,比传统PSO-RBF神经网络模型的识别准确率高5%,可用于常见机械磨损状态的检测。      

Bernoulli-Euler梁振动的人工神经元网络控制方法

分析了Bernoulli-Euler梁的振动特性,从控制系统的角度得出梁振动控制系统的传递函数,并采用人工神经元网络的方法对其进行控制,辨识器及控制器均采用非线性神经元网络, 最后用matlab对振动控制系统进行仿真。     

结合先验知识的涡喷发动机神经网络点火识别

在分析某弹用涡喷发动机燃烧室点火特性的基础上，提出利用结合先验知识的神经网络来识别发动机点火时刻的方法。一方面，该方法通过先验知识对神经网络原始输人样本进行更合理的重组。另一方面，用神经网络的信息分布来描述燃烧室的点火条件，可以全面融合影响点火性能的各种因素。根据与试车数据的比较，结果显示：在少量训练样本情况下，神经网络识别器能保证较好的收敛速度和泛化能力。该方法可用于发动机点火点在线识别。     

面向飞行员疲劳状态监测的脑认知深度模型研究

通过分析飞行员脑电信号，构建了疲劳状态的彩色脑功率图，设计基于高斯牛顿在线变分方法的卷 积神经网络参数优化方法，形成一种新型脑功率图深度网络模型，有效实现脑功率图深度网络的模型分类识别 能力。相比于其它基于脑电信号的疲劳检测深度模型，疲劳状态认知的准确度提升了3%~5%。     

基于神经网络的滚动轴承故障包络信号的自动识别方法

介绍了一种基于神经网络的滚动轴承故障包络信号的自动识别方法。将从包络信号的时域和频域信息中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入,用BP算法对该网络进行训练。利用BP神经网络的智能性来实现滚动轴承故障的智能诊断。