基于BP神经网络的沥青混合料水稳定性预测模型

考虑到冻融劈裂强度比(TSR)试验需要消耗大量的时间与物力,并且沥青混合料水稳定性影响因素与评价指标之间很难建立一个十分准确的数学模型,在分析选取影响沥青混合料水稳定性的因素后,通过BP神经网络模型对已有35组试验数据进行训练学习及检验,建立了TSR预测模型。结果表明:这种预测方法的最小相对误差为1.50%,最大相对误差为4.94%,预测精度较好,可用于TSR试验值的预测,为混合料水稳定性的初步判断与评价提供了一定借鉴。     

神经网络在道路无损检测中的应用

讨论了以弹性半空间三层体系为基础建立的FWD力学模型和在应用神经网络技术中对道路参数识别的问题 ,给出了道路参数的仿真数据     

基于数据挖掘的财务舞弊识别研究——决策树-神经网络组合模型的构建

本文以财务舞弊识别为目标,应用C5.0算法的决策树模型对舞弊识别指标进行特征选择,并在此基础上构建神经网络模型,建立舞弊识别组合模型,并与BP神经网络的预测结果进行了对比分析。研究表明,基于决策树-神经网络组合模型的精确性和稳定性更高,能更有效的识别财务舞弊。     

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函...     

基于RBF神经网络识别路面谱的新方法

路面不平度是车辆行驶中振动的重要激励。为了识别路面不平度的功率谱密度函数(路面谱),提出了一种基于径向基函数(RBF)神经网络识别路面谱的新方法。该方法以7自由度汽车振动模型为基础,以MATLAB软件仿真得到的汽车车身质心垂直加速度谱为神经网络理想输入样本,以GB7031-86建议的路面谱为神经网络理想输出样本,应用RBF神经网络建立汽车车身质心垂直加速度谱和路面谱之间的非线性映射模型。另取一组仿真得到的车身质心垂直加速度谱代入已训练好的网络进行路面谱识别。结果表明:该方法具有较强的抗噪声能力和较理想的识别精度,识别的路面谱与拟合的路面谱吻合一致。     

基于多分类器--并行计算的车牌识别算法

针对已有车牌识别中技术存在的不足，提出了一种多分类器——模板匹配和神经网络并行计算的识别算法，这一方法对于汉字、英文和数字混杂、数字的识别，分别采用粗分类和面向汉字的双进程计算方法、面向字母的双进程计算方法、简单的数字神经网络方法。这些方法的采用可以缩小检索范围，充分利用模板匹配和神经网络算法各自的识别优点，提高车牌字符识别准确率，并进一步提高运算速度。     

高速公路场景图像的二值化及交通标志定位检测方法

采用CCD摄像机采集高速公路场景图像，并通过图像颜色空间变换，将图像的RGB量值转换为色度-饱和度-亮度（HSV）量值。采用基于阈值的方法对场景图像中颜色饱和度分量进行二值化分割处理；利用场景二值化图像形状特征（周长、形状参数、圆形性参数）去除非目标区域，并通过搜索场景二值化图像方向投影值序列的突变点实现标志准确定位。采用HSV颜色模型中的亮度分量和最佳阈值法对场景图像中标志区域进行二值化处理。结果表明，应用上述方法能取得良好的效果。     

道路标志图案识别方法研究

针对道路标志图案自动识别,以转弯道路标志图案为例,通过颜色空间变换,将道路标志图像的RGB量值转换为H(hue,色度)S(saturation,饱和度)I(Intensity,亮度)量值,利用H、I作为分类器的特征值,设计了欧式距离分类器,实现道路标志背景颜色的识别。采用固定阈值法分割道路标志图像的图案区域,并对分割后的区域进行Daubech ies-4正交小波变换,利用小波变换系数的能量值和方差比值作为道路标志图案的纹理特征。最后,设计了BP神经网络道路标志图案分类器,实现道路标志图案的自动识别。实验结果表明,文中提出的方法可行。     

基于视频图像的公路隧道火灾烟雾检测

为有效检测公路隧道火灾烟雾并预警，针对公路隧道传统火灾烟雾探测器存在的反应慢和功能单一等问题，通过分析研究火灾烟雾视频图像的颜色和纹理特征，提出一种基于烟雾图像特征的公路隧道火灾烟雾检测方法。首先，通过改进后的Vibe算法模型提取图像运动区域；然后，在YUV色彩空间中确定疑似烟雾区域后利用颜色滤出方法分割出疑似烟雾区域；最后，用从疑似烟雾区域图像中提取的颜色矩和均匀局部二进制模式（ULBP）与灰度共生矩阵（GLCM）构成机器学习分类器的输入向量进行隧道火灾烟雾识别。为满足复杂的隧道环境，对比分析BP神经网络、支持向量机、随机森林3种机器学习分类器的烟雾识别效果，选出最优算法作为公路隧道烟雾识别分类器。通过模拟公路隧道火灾烟雾试验视频和某实际公路隧道火灾视频对分类器进行试验测试，结果表明： 基于BP神经网络算法的检测系统识别性能最优，选取的烟雾特征具有较高识别精度，能够在隧道复杂环境中识别火灾烟雾。     

基于图像纹理分析的动态车辆识别方法研究

在智能交通系统中,动态图像识别技术是系统应用的基础核心技术之一。以应用于交通监控、智能驾驶系统等场景的HSV空间动态车辆识别为基础,研究并论证提出了新的检测识别方法,实现对运动车辆的检测识别、目标追踪、驾驶辅助等功能。研究问题的难点是,如何从复杂的背景中分割运动物体,是检测方法能否有效的至关重要的一步,在研究了目前存在的各种方法之后,提出了一种新的基于阴影检测的HSV空间自适应背景模型的车辆追踪检测算法,算法基于HSV空间图像处理,采用最大类间方差法获取相邻帧二值化阈值,利用纹理信息进一步确定动态图像以及确认图像范围。通过截取由监控系统获取的视频信息,并对其进行图像处理检测车辆移动轨迹。从监控视频信息中获取两帧不同时刻的图像信息,在HSV空间进行相邻帧检测。由于阈值的选择将直接影响判断精度,本研究将固定阈值法进行了改进,该阈值是通过统计模型对整幅图像上灰度值进行计算,并通过最大类间方差法确定阈值。最后经过实际视频图像验证,仿真试验流程清晰,试验结果达到预期设想。     

基于NARX神经网络的路面不平度识别

为应用NARX神经网络识别路面不平度,对NARX神经网络及其训练过程和结构设计进行了分析,采用相关系数和均方根误差作为NARX神经网络识别效果的评价指标。建立了路面不平度滤波白噪声模型和汽车平顺性4自由度平面模型,通过仿真获得路面不平度和车辆响应。以可测试的车辆响应作为NARX神经网络的输入,采用正交试验设计提出确定NARX神经网络输入方案的方法,对在常用等级路面上以常用车速行驶的某汽车的前轮路面不平度进行了识别。结果表明,将可测试的车辆响应作为NARX神经网络输入,结合正交试验设计,解决了NARX神经网络最优输入方案的确定问题。     

基于盾构掘进参数的孤石地层识别方法研究

为了在盾构掘进过程中准确识别孤石地层，保证施工安全，运用理论分析与工程数据验证，研究孤石地层识别方法。基于盾构掘进比能，结合主掘进参数，提出修正比能（SM），构建孤石地层SM识别模型及识别矩阵。运用BP神经网络技术，以实测掘进参数作为训练样本，建立孤石地层神经网络识别模型，具有极高的识别精度。利用盾构掘进数据对孤石地层识别方法进行工程验证。研究结果表明： 1) 修正比能法具有较强的容错能力、稳定性及特异性，识别效果优于掘进比能法； 2) 2组实测数据下，神经网络识别结果与识别矩阵的吻合率达到98.3%和98.8%； 3) 以修正比能法为基础，结合神经网络法作为辅助与参考对孤石地层进行双重识别，具有较好的工程实际意义。     

基于BP神经网络的路面不平度识别

将BP神经网络作为识别路面不平度的工具,确定了用于识别的评价指标。建立了前后轮路面不平度滤波白噪声模型和汽车平顺性4 自由度平面模型,通过仿真获得车辆响应和前后轮路面不平度,作为BP 神经网络的输入和输出。采用3 层BP 神经网络识别路面不平度,先后构造了44 种车辆响应输入方案进行训练和测试,通过评价指标选出最优输入方案。研究结果表明,在车辆行驶的常用路面和车速条件下,识别前后轮路面不平度的最优输入方案由车轮垂直加速度、车轮垂直位移和悬架动挠度组成。     

基于车用柴油机不平衡数据集的故障识别组合模型

基于车用柴油机的不平衡数据集,根据对应故障发生频次高与低,将模型建立对象分为样本丰富的大数据量故障与样本集不完备的小数据量故障两种。面向前者,基于XGBoost (Extreme Gradient Boosting)分类算法构建故障识别模型,面向后者,基于模糊神经网络构建故障识别模型,然后针对两类模型进行参数调节以获得最优效果,并分别建立评估机制。模型评估结果表明,该故障识别组合模型能够较为精确、全面地识别大多数故障种类,是一种对数据量要求不高且总识别率超过80%的多适应性识别模型算法,可作为汽车维保工作中的重要工具使用。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

BP神经网络和GM(1,1)灰色模型在公路客运量预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM(1,1)和BP神经网络组合模型。此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少,数据波动性大对预测精度的影响,也增强了预测的自适应性。实例证明了组合模型的预测精度高于单独的GM(1,1)模型,可以用于公路客运量预测。     

基于迁移学习的桥墩结构损伤识别方法

提出一种深度学习的桥墩结构损伤识别方法,该方法通过迁移学习(TL)将源模型的权重和参数转移到目标模型上,加快深度模型的训练速度、提升模型损伤识别精度。使用连续小波变换将振动信号转换成时频图作为深度模型的输入,构建可识别砼结构损伤的深度模型,该模型的固定部分使用源模型的权重和参数,非固定部分的权重和参数使用新的数据训练得到;通过试验及仿真对该模型的有效性进行验证,试验方面使用砼桥梁在有损伤和无损伤时的振动信号,仿真采用ABAQUS/CAE建立砼塑性损伤识别模型(CDP)并采集振动信号;将文中方法与从零开始训练的深度卷积神经网络(CNN)及支持向量机(SVM)方法进行对比,文中方法在试验数据上的识别精度达99.1%,在仿真数据上的精度达100%,相对于传统识别方法,该方法可提高损伤识别精度和模型训练速度。     

交通标志的智能检测方法研究

从交通标志的颜色信息和形状特征出发,研究一种交通标志的智能检测方法.该方法主要包括基于HSV颜色空间的交通标志图像分割和基于颜色与形状的交通标志检测两部分.针对自然场景下影响交通标志检测效果的不利因素,提出了基于多尺度Retinex的交通标志图像增强和仿射变换的三角形交通标志校正算法以及规范化圆形交通标志和矩形交通标志...     

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。     

基于模态分析理论和神经网络的斜拉桥拉索损伤识别研究

将振动模态分析和神经网络技术结合起来,以振动模态构造的损伤标识量作为神经网络识别输入的特征参数,进行结构健康监测。根据云阳长江公路大桥设计资料,考虑桥梁拉索结构的单构件损伤、2个构件损伤、3个构件损伤3类损伤工况,分别采用了模态频率、位移振型模态、曲率模态3种指标作为神经网络的输入参数,共建立9个BP神经网络模型进行了桥梁损伤识别的研究。研究结果表明基于振动模态分析理论和BP神经网络的桥梁损伤识别方法可用于识别斜拉桥拉索结构的损伤位置和损伤程度。