基于多种群竞争进化的车辆超载网络检测

针对车辆超载检测中复杂的数据处理,提出了基于BP( Back Program)网络的非线性检测模型.为了克服神经网络在梯度学习中存在的收敛速度慢,容易陷入局部极小等不足,将多种群竞争机制引入到免疫进化中,提出了一种新的基于实数编码的多种群竞争免疫算法,并基于车辆轴重检测数据实现了BP网络的权值和阈值优化.实验结果验证了...     

压缩式垃圾车压缩性能影响参数的研究

基于压缩式垃圾车的工作原理,研究了影响压缩式垃圾车压缩性能的主要组成部件及其技术参数,指出影响压缩性能的主要参数包括:排出板背压力、填料器中滑板油缸的提升压力,而起决定作用的是排出板的适时背压力。通过分析,提出了改进排出板适时背压力是提高压缩式垃圾车压缩性能的有效途径。     

基于神经网络的汽车超载识别

载重不同的汽车以不同的速度驶过载重仪的受荷板时，对受荷板的冲击不同，因而安装在受荷板下的传感器的输出信号也不同。提取这一信号的四种特征值作为神经网络的输入值，对驶过载重仪的汽车是否超载进行识别。通过实验，验证了该方法的可行性。     

基于AP聚类和深度卷积网络的船舶焊缝缺陷检测

针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法.采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型.模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤.试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87％,与准确率较高的VGG模型相比,训练时间缩短12.10％,模型存储减小11.94％;在船舶焊缝数据集上,文中模型的总体识别率达到98.00％,对比准确率较高的DNN模型,其准确率提高了 3.33％.     

基于深度学习方法的海上舰船目标检测

为了提高海上无人艇的舰船目标检测精度和速率,本文基于深度学习方法,利用卷积神经网络、区域建议网络及Fast R-CNN检测框架构建了舰船检测系统。该系统通过共享的卷积神经网络提取特征;通过区域建议网络生成候选区域;通过Fast R-CNN框架实现目标检测识别,从而实现端到端的舰船目标检测。实验结果表明,相比于传统机器学习目标检测算法,该舰船检测系统在检测精度及检测速率上均有大幅提高,达到83.79%的准确率及0.05 s/帧的检测速率。本文的舰船检测系统在检测精度及速率上均表现优异,满足了水面无人艇的工作要求。     

室外巡检机器人的磁导航系统设计及实现

为了提高室外巡检机器人的导航精度和稳定性,基于磁钉磁场分布特性,设计了一种新的磁导航系统.首先根据巡检机器人室外磁导航需求,确定了磁钉材料、形状、尺寸及其排布方案;接着针对磁钉磁场强度设计了磁钉检测装置;然后对检测装置输出信号进行消抖滤波,并根据磁钉磁场分布构建了磁场比值函数,以及机器人相对于磁钉的横向偏差函数;最后以横向偏差为变量设计出巡检机器人磁导航的可变参数PID控制器.3种路径环境下的实验测试结果表明:与定常PID控制相比,基于可变参数PID控制的机器人横向偏差平均减少76.8%,轨迹标准差平均提高69.8%,且无脱离路径现象,说明机器人磁钉导航的准确性和稳定性,进而验证了所设计磁钉检测装置以及导航控制算法的有效性.     

基于RBF网络的动态称重系统设计

针对动态称重系统中数据处理的复杂性．利用径向基函数网络对系统进行了非线性建模，并通过仿真表现出良好的精度。章首先对径向基函数网络的拓扑结构以及径向基函数中心的选取、计算进行了介绍，然后从硬件和软件上对如何实现动态称重仪的设计进行了简述。     

公路大件运输计算机决策系统建模与软件开发

探讨了影响公路大件运输过程安全可靠的因素。建立了关于运输车辆的可靠性，稳定性及通过性模型。并据此开发出“公路大件运输计算机决策系统”。     

车辆动态称重仪使用现状及其轴重信号分析

叙述了我国超限重运输的规定和管理现状，给出了车辆动态轴荷信号形态，讨论了对轴（轮）荷信号进行分析的几种方法，结合研究课题重点分析了自调整遗忘因子的快速时变系统参数辨识算法，并给出了辨识仿真算例。