树脂混凝土强度预测的神经网络模型

本文运用均匀设计的方法进行树脂混凝土的配合比设计,用较少的试验取得较好的效果;建立了树脂混凝土的强度预测的神经网络模型,对试验的数据进行了训练和仿真,预测的结果与试验结果吻合非常好。     

铁水含硅量实时预报专家系统的设计与实现

将时差方法与人工神经元网络方法有机地结合起来,提出了一种在高炉铁水含硫量预报中的应用策略。并基于鞍钢10#高炉操作过程,建立了高炉铁水含硫量预报专家系统。     

基于BP神经网络的轮胎花纹沟槽识别

针对传统轮胎花纹沟槽识别算法存在数据特征提取困难、数理运算步骤复杂等问题,基于BP神经网络对生成的不同沟槽类型的轮胎胎冠线数据集进行反复训练,得到BP神经网络轮胎花纹沟槽识别模型。将轮胎胎冠线数据集随机划分为训练集、验证集和测试集,通过试验验证BP神经网络识别模型对轮胎花纹沟槽的识别性能,由混淆矩阵得到模型的正确识别率为94.9%。从3、4沟槽轮胎中获取实际胎冠线样本数据测试BP神经网络识别模型的实际识别效果,6条胎冠线上的花纹沟槽数量全部识别正确。基于BP神经网络识别轮胎花纹沟槽数量具有可行性。     

神经网络在客车车身造型美学评价中的应用研究

提出基于人工神经网络（ANN）对客车车身造型进行美学评价的计算机辅助方法,阐述了用于“准三维”造型评价的BP网络结构以及造型特征提取技术。初步创建了智能化客车造型美学评价软件,并将其应用到实际客车造型评价中,使用效果良好。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。     

考虑峰值数据重平衡的地铁客流预测研究

地铁客流预测是城市轨道交通系统日常运营管理的基础,尤其是对突发大客流影响时的准确客流预测,能够有助于缓解城市地铁运营压力并降低安全风险。虽然目前的地铁客流预测方法在对日常客流预测准确性上有较好的表现,然而由于忽视了客流波动造成的客流峰值和谷值数据量不平衡,其对客流的峰值预测效果并不佳。为了进一步提高客流预测精度,考虑从峰值数据自身特征出发,通过聚类模型判断客流类别并验证不同客流类别间显著的不平衡问题,参照分类任务中类别不平衡问题的处理方式,通过欠采样、随机过采样和合成少数类过采样3种数据平衡方式,实现客流平衡处理。同时,采用支持向量回归、人工神经网络和长短时记忆神经网络3种预测模型,进行客流预测并对比不同数据平衡方式对模型性能的影响。研究结果表明：相比于未对训练集进行数据平衡处理,类别平衡在一定程度上提升了模型的预测精度;基于合成少数类过采样技术平衡数据的支持向量回归模型可以提供最佳的进站客流预测精度;基于随机过采样技术平衡数据的长短时记忆神经网络模型可以提供最佳的出站客流预测精度。研究结果可为客流波动较大情况下的城市轨道客流精准预测提供理论依据。     

基于BP神经网络的海上发射船耐波性优化研究

为了保证海上火箭发射的安全,应用BP神经网络对火箭发射船加以优化。按照海上发射在设备布局方面要求进行总布置设计,建立火箭-发射船刚性连接端的弯矩模型,以方形系数、船长和船宽为优化变量,通过BP神经网络模型对母型船进行优化设计,优化得到的船型弯矩比母型船减少了19.41%;对部分优异样本点进行再建模和数值仿真,仿真结果表明,BP神经网络模型的误差不到1%,验证了模型的准确性。该研究为海上发射船设计优化提供了一种研究思路,为海上火箭发射是否存在风险提供了一种预知方法。     

改进卷积神经网络的船舶纹理图形分割方法

船舶从生产到投入使用,在作业中难免会因为焊接节点的设计问题、货物装卸的操作不规范以及诸如线性尺度较大、吃水较多而受风、流等外部环境的影响而对船体结构造成腐蚀,最终导致船体外部出现裂纹,给船舶的航行带来安全隐患。因此加强关于船舶裂纹的排查,是保证船舶安全行驶的关键。本文从改进卷积神经网络入手,以工程船为例,通过对其船舶纹理进行图形分割研究,提升智能检测的精准度,从而为运维检修带来一定的帮助,并为海上作业的安全性检测提供理论支持。     

改进神经网络的船舶红外图像边缘检测方法

研究改进神经网络的船舶红外图像边缘检测方法,提升边缘检测抗噪声干扰能力。采用块匹配的主成分分析方法对船舶红外图像实施去噪处理后,经梯度算子将降噪后船舶红外图像转换为二值图像;以BP神经网络为基础,通过附加动量法-自适应学习速率调整BP神经网络权值,提高网络训练鲁棒性;将转换后舰船二值图像作为改进神经网络的输入,在实施网络训练后得出输出值,依据输出值和设置阈值的对比结果,获取船舶红外图像边缘点,实现船舶红外图像边缘检测。实验结果表明：该方法降噪后船舶红外图像的PSNR值全部高于40 dB,降噪效果较好;可有效提取船舶红外图像边缘特征且边缘检测结果清晰、连贯,能够达到船舶红外图像边缘检测标准。     

深度神经网络在船用齿轮箱故障诊断中的应用

船用齿轮箱故障诊断系统,通常采用的是基于模型的故障诊断方法,需要依赖专家对采集到的振动信号进行分析和判断,且设备的运行状态会随着时间的推移发生变化。传统的故障诊断方法受专家知识和经验的影响较大,难以获得全局最优解,导致其准确率较低。针对该问题,本文基于深度神经网络（DNN）的故障诊断方法,通过大量实验研究,确定了DNN模型中最佳参数和超参数。实验结果表明,在船用齿轮箱故障诊断领域,DNN模型不仅能够有效地对齿轮箱进行故障诊断,而且具有较高的准确率和较快的收敛速度。