基于时序-神经网络的车辆变速器齿轮故障诊断

采用时序分析和BP神经网络，建立了基于时序-神经网络的车辆变速器齿轮故障诊断系统。通过对车辆变速器齿轮运行状念特征信号进行时序分析和特征向量提取，并以此作为BP神经网络的输入向量进行网络训练，从而实现变速器齿轮运行状态的识别与故障诊断。该系统应用于LC5T81变速器齿轮的故障诊断中，能够比较准确地识别与诊断出变速器齿轮的跑合运行状态、磨损运行状态和故障运行状态。验证表明该诊断系统有效、可行。     

人工神经网络在水平管道浆体输送浮游界限速度中的应用

通过分析影响临界流速的几个主要因素 ,应用BP人工神经网络的模型和算法 ,建立了水平管道浆体输送浮游界限速度的预测模型 ,克服了以往所建立的浮游界限速度模型受某些特定条件限制的局限性。与实测资料进行了比较分析 ,结果表明模型基本合理可靠。     

基于BP神经网络的货车车号识别方法研究

针对货车车号的字体不规则、单字有断裂的特点,提出基于图像预处理的动态字符分割和提取算法,准确地对车号图像进行车号区域提取和车号单字分割.利用Hilditch细化算法对单字进行细化,提取出能表征数字的结构特征向量.设计出BP人工神经网络,数字的结构特征向量作为BP网络的输入,用经过训练的BP网络进行货车车号的识别.     

Finite element based meta-modeling of ship-ice interaction at shoulder and midship areas for ship performance simulation

The climate change has made the transit through Arctic area more feasible, which demands reliable methods to evaluate ship performance. Ship performance in ice is a cross-scale problem, where the desired output such as ship speed lies in larger scale while the actual ship-ice interaction happens in smaller scale. Due to insufficient knowledge in ice mechanics and the demand for computational efficiency, existing approaches for modelling ship-ice interaction from ship performance perspective are mostly either (semi-) empirical, or simplified analytical, with reduced dimensions and extensively simplified mechanics. This paper presents a novel approach to model ship-ice interaction, which maintains the accuracy of the modelling with Finite Element Method (FEM) in ship-ice interaction scale, while being computationally very cheap, therefore is capable to be applied in ship scale simulations. The ice failure is firstly qualitatively investigated through full-scale and model-scale observations, as well as a numerical simulation with Extended Finite Element Method (XFEM). The model is then simplified and executed by Abaqus to automatically run a large database. A neural network is used to fit the results to get a simulation-free tool for ship-ice interaction calculation. Finally, the uncertainty in the results due to an important assumption is quantified. The results show that the obtained neural network fits the database with excellent performance. Therefore, it can be applied in ship scale simulations with improved accuracy compared to empirical or analytical approaches.     

引导进化模拟退火算法在船舶性能优化设计中应用

引导进化模拟退火等法是一种采用全局优化策略的人工神经网络的平行技术，综合了遗传算法、模拟退火、模拟进化的思想，并在解空间实施区域引导。本文用该算法进行船舶性能优化计算，速度快捷，其全局优化策略，可避免陷入局部最小值。     

车牌定位的一种神经网络方法

汽车牌照自动识别（LPR）是ITS中的一项关键技术。对实时采集的图像，能自动地提取车牌照信息，有利于快速、高效进行车辆监控和管理，真正实现交通管理的智能化。而车牌定位又是车牌识别的必要的先决条件，直接影响LPR的成功与否。针对国标GA36—1992，结合图像的边缘特征，给出了一种快速可行的车牌照定位方法，供同行们参考。     

基于ART模型的船体曲面零件成组分类

运用自组织神经网络（ＡＲＴ模型）的原理，探讨了船体曲面零件成组分类的方法。算例表明，自组织神经网络在造船成组技术方面有较大的应用价值。     

基于神经网络的声纳特征级信息融合中目标分类研究

声纳目标特征级融合的主要任务是实现信息压缩、目标身份确定(分类) ,以利于实时处理、决策分析。基于数学模型的各种算法,由于情况复杂,往往很难建立。而人工神经网络通过样本的学习,具有存储记忆、在相似输入下能恢复记忆等特性,从而避免了烦琐而复杂的建模。在神经网络声纳目标识别前的噪声预处理方法中,选用了功率谱特征提取、双谱特征提取算法;在研究了提取的特征后,选取反向传播神经网络(BP)模型;在此基础上构造了BP神经网络,并对网络进行训练与测试,给出识别实验结果。仿真模拟分析证明,基于神经网络的声纳特征级信息的融合,对目标分类有一定效果,为进一步实现声纳信息融合奠定了基础     

基于改进的神经网络的船舶碰撞危险度的模型

针对船舶碰撞危险度具有模糊性、不确定性等特点,依据模糊理论方法建立的船舶碰撞危险度的数学模型,直接采用来船航速、来船航向、来船对本船的相对舷角和来船对本船距离作为神经网络的输入,采用Levenberg-Mrquardt优化算法这种改进的BP神经网络进行训练和仿真,并与标准BP算法和动量BP算法进行比较,发现经过改进的网络求得碰撞危险度比标准BP算法和动量BP算法具有更好的效果,网络能够更有效收敛,大大提高了网络的收敛速度和泛化能力。     

基于 BP神经网络的个体出行模式识别研究

以个体出行模式作为研究对象,利用出行的 GPS 数据,建立用于个体出行模式识别的 BP神经网络计算模型。并实测了公交和出租2种个体出行模式的识别效果,结果验证了建立的 BP神经网络的有效性和实用性,为出行模式的选择预测提供了新的思路。