一种基于独立成分分析和径向基神经网络的人脸识别新方法

提出了一种新的基于独立成分分析和径向基神经网络的人脸识别方法。独立成分分析可以从高阶上消除特征数据的相关性,改进了主成分分析方法只能从2阶上消除数据相关性的弱点;最终特征数据的分类由RBF神经网络来实现。在人脸数据库上的实验结果表明该新方法的识别性能较其他方法有了很大提高。     

基于便携式排放测试系统与BP神经网络的大型客车排放预测

以大型客车为研究对象,在长沙市的不同道路工况下进行了车载排放测试,借助道路测试得到的数据,利用BP神经网络,以逐秒的速度、加速度、比功率和油耗数据为输入,建立CO2、CO和NOx的排放预测模型,并用部分试验数据进行了验证.结果表明,CO2、CO和NOx预测结果的总体相关系数R为0.9167,线性高度相关,在整体误差水平...     

动车组的多变量非线性预测控制研究

通过分析动车组的牵引-制动系统,建立动车组的各动力单元的线性模型,考虑到动车组运行过程中空气阻力、未知干扰等非线性因素,将实际输出与线性模型输出的误差描述为未建模动态,将动车组运行过程这一非线性问题描述成为线性模型与非线性未建模动态两部分组成的集成模型,利用BP神经网络在线估计未建模动态项,利用递推辨识算法在线更新模型...     

基于小波变换的机械振动故障诊断系统的研究

小波变换具有良好的时频局部性质.论文介绍了小波变换的基本理论,阐述了小波变换用于机械振动信号的奇异性检测以发现机械故障的原理.根据对振动信号小波变换的系数模极值点来定位奇异信号,检测机械故障.给出了系统实现的硬件框图和软件流程.试验表明,系统可以发现故障机械振动信号带有的奇异性,实现旋转机械的故障诊断.     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

神经网络算法在船舶动力定位系统中的应用

随着计算机技术在各个领域的不断应用,传统的优化算法得到了极大的提高。目前,以神经网络算法、人工智能等为代表的计算机辅助优化已经成为了业内人士的研究重点。船舶的动力定位是指船舶不再依靠传统的锚泊式海上定位,而是利用自身的推动力使船舶抵消来自海浪、海风等的干扰作用力,使船舶在海面上保持相对的平衡。为了提高船舶动力定位的精度与稳定性,本文结合神经网络算法,在船舶动力定位函数模型的基础上开发了新型的动力定位控制系统,并详细介绍了该系统。     

基于卷积神经网络的防坡堤施工沉降预测*

为了保证防坡堤施工安全，通过预测不同施工阶段防坡堤的沉降变形，以调整施工进度和工序。传统沉降预测方法主要包括太沙基固结理论、曲线拟合法和BP神经网络，太沙基固结理论和曲线拟合法预测精度较低，BP神经网络需要大量样本才能逼近最优解。针对这些问题，提出基于卷积神经网络（convolutional neural networks，CNN）建立防波堤施工阶段的沉降预测方法。应用此方法预测天津港大沽口港区防波堤施工阶段沉降量和沉降速率，并以预测结果分析沉降速率所映射的安全风险等级，从而为实际施工提供行动指南。结果表明：卷积神经网络能较为准确地预测沉降变形速率，根据预测结果能够对安全风险等级的结果进行分析并予以指导。