图像识别与卷积神经网络结合的船舶裂缝图像处理技术

裂缝是船舶致命的缺陷,不仅会降低舰船的防水性能,严重时还会导致整个船体的结构破裂,导致船舶沉没等严重事故。因此,在船舶的生产与制造过程中及时对船舶的裂缝进行识别,在船舶的正常运行维护中提早发现船舶的裂缝缺陷并处理,具有重要意义。传统的船舶裂缝识别主要靠超声波探测等技术,效率低,为了改善这一现状,本文研究了一种基于图像识别与卷积神经网络的船舶裂缝图像识别系统,分别从图像识别技术和神经网络算法进行了相关的阐述。     

基于CNN和粒子群优化SVM的手写数字识别研究

针对传统卷积神经网络手写体数字识别中Softmax因指数函数运算而易产生计算溢出以及较高的计算机硬件需求问题,提出了基于卷积神经网络特征提取的支持向量机手写体数字识别方法。同时,为了提高手写体数字的识别精度,设计了基于K-CV意义下适应度函数的粒子群优化SVM参数方法。基于Semeion及MNIST手写体数字集的实验仿真表明,文章所设计的方法与传统方法相比能够获得更高的识别率。     

基于卷积神经网络的声信标信号识别方法

声信标信号的有效检测识别方法在找寻失事黑匣子的过程中起到关键作用。本文基于卷积神经网络(CNN)的检测识别方法,把已知声信标信号作为卷积神经网络的训练样本,提取梅尔频率倒谱系数(MFCC)特征后输入卷积神经网络进行训练,得到相应的训练标签。把待测的声信标信号输入经过训练的卷积神经网络进行测试,得到相应的识别结果。试验结果表明,基于卷积神经网络的方法可用于声信标信号的检测识别,并且有较好的识别率。     

层次分析法的大跨浅埋公路隧道施工风险识别

茅山隧道工程的施工建设作为主要研究对象,简单的阐述了层次分析法的基本概念,及其在茅山隧道施工风险识别当中的应用,通过进一步的分析得知,层次分析法具有极高的准确性,能够准确的识别施工过程中存在的各类风险,具有较高的利用价值和应用效果。     

基于虚拟仪器的车内噪声源识别系统研究

基于Labveiw的低开发成本及强实用性的特点开发了一套车内噪声源识别系统,实现车内噪声信号的采集与存储、功率谱分析、混合噪声分离等功能,快速定位车内噪声源,具有较强的实用价值。     

强干扰下舰船通信网络信号传输质量检测方法

为解决舰船通信网络信号质量检测区间受限的问题,提出强干扰下的新型舰船通信网络信号传输质量检测方法。通过信号波形特征提取、干扰算子定义2个步骤,完成强干扰下舰船通信网络的信号识别。在此基础上,通过传输信号质量的抖动幅值定义、传输时间间隔误差计算、检测相位算子求解3个步骤,完成新型信号传输质量检测方法的搭建。对比实验结果表明,与传统检测方法相比,应用强干扰下舰船通信网络信号传输质量检测方法后,待检测信号质量算子的最大值超过9.50 Mb,最小值低于2.00 Mb,整个检测区间长度得到明显扩充。     

BP神经网络的舰船辐射噪声识别

当前舰船辐射噪声识别方法存在识别率低,对环境鲁棒性差等缺陷,为了对复杂环境下的舰船辐射噪声识别进行准确识别,提出了BP神经网络的舰船辐射噪声识别方法。首先采集舰船辐射噪声,并提取舰船辐射噪声识别有效特征参数,然后采用BP神经网络建立舰船辐射噪声识别模型,从而实现对舰船辐射噪声信号的分类和识别,最后进行舰船辐射噪声识别的仿真测试。结果表明,相对于已有的舰船辐射噪声识别方法,BP神经网络提高了舰船辐射噪声识别率,可以对各种舰船辐射噪声信号进行准确分类。