基于BP神经网络的静态手势识别方法

手势识别正成为人机交互技术研究中的一种重要模式.本文针对运用摄象机和计算机视觉技术捕获来的静态手势,提出了一种手势特征提取和基于神经网络分类的手势识别方法.实验表明该方法的正确识别率可以达到98%左右,是一种非常有效的静态手势识别方法.     

船舶操纵运动的神经网络控制系统研究

船舶在航行时由于航行工况和环境变化多端,受力十分复杂,使得船舶操纵运动特性具有非线性、时变性和干扰的复杂性等特点．文中基于神经网络控制的自学习和自适应性,研究了三种无监督学习的船舶操纵运动神经网络控制系统,并对系统在混合干扰情况下进行了仿真研究,与优化后的传统PID控制系统进行了比较．     

基于卷积神经网络的铁路曲线特征点检测算法

针对现役轨道检测系统中曲线特征点检测算法参数难以适应实际线路中曲线半径范围较大,以及由于参数设置不当导致检测的曲线特征点位置与实际位置偏差较大的问题,结合机器学习算法,提出了一种基于卷积神经网络的曲线特征点检测算法.该卷积神经网络模型可以同时对曲线的特征点进行分类和定位,将一段连续的超高数据归一化处理后作为输入数据,计...     

基于BP神经网络的桥式起重机主梁故障预测和评估

为及时发现主梁故障,做好日常检测维修工作,延长桥式起重机使用寿命,利用BP神经网络对桥式起重机主梁进行故障预测和评估。从主梁载荷分析和结构失效准则入手,建立主梁故障评估体系,利用采集的各项实际数据作为BP神经网络的输入,主梁的故障特征作为输出,进而预测主梁的故障情况。通过BP神经网络训练,验证桥式起重机主梁评估体系的可行性,为通用桥式起重机主梁故障的安全评估提供方法。     

一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最...     

汽车ABS中的模糊神经网络模型参考自适应控制策略

针对汽车制动的特点以及汽车防抱死制动系统的性能要求,建立了汽车的数学模型,提出一种模糊神经网络的自适应控制方案,构建了基于模糊神经网络的控制器和辨识器的结构模型。通过对网络参数的离线训练得出其初值,在控制过程中对网络参数进行在线微调,实现对汽车制动过程的有效控制。仿真结果表明:在不同的路面,汽车均能保持在最佳滑移率附近进行制动,制动时间及距离比较理想,满足ABS的安全性能要求。     

基于声强与神经网络技术的发动机故障诊断

根据发动机的结构特点,将其表面划分成不同的测试区域进行声强信号采集;依据声强特征,确定不同区域对应零部件的工作状况;利用模块化神经网络,建立基于声强特征的故障诊断模型,该模型中包含发动机低速与中速诊断模块、决策模块和故障知识库;在建模过程中,利用特征函数强化故障特征作为网络输入。结果表明,该方法具有诊断精度高、速度快、实时自学习等特点,为建立更为完善的发动机智能化故障诊断系统提供新途径。     

基于小波包熵及双重优化神经网络的牵引逆变器开路故障诊断

功率模块器件作为高速动车组电力牵引传动系统的核心组成部分,大多应用于多场域耦合且承受主要的电热应力,故障率较高。通过提取其故障特征并准确定位故障点,实时在线诊断故障对于牵引传动系统的安全可靠运行具有重要意义。以CRH2型动车组牵引传动系统为例,三电平牵引逆变器存在12个功率管,故障发生频繁且种类繁多,故对于三电平牵引逆变器功率管的单管以及多管故障诊断不可忽视。以提升三电平牵引逆变器功率模块器件故障准确定位为目的,研究单个功率器件和多个功率器件开路故障诊断。通过分析该三电平牵引逆变器正常工作模式和多种功率管开路故障情况对比,将三电平牵引逆变器三相桥臂输出侧电流作为诊断电气量,对故障进行分类,提取每类故障特征电气量经小波包分解后各节点的熵值作为故障特征信息。以提取的小波包熵值作为故障特征向量建立BP神经网络,采用粒子群算法结合遗传算法对神经网络权值和阈值结构同时优化,2种算法优劣互补,实现不同故障分类的诊断,准确定位故障点。仿真结果表明,该方法能实现牵引逆变器单管以及多管故障类型的诊断和对不同故障点的准确定位,且诊断结果精度高,抗噪性能优异,实时性强。     

基于迁移学习的桥梁表观病害检测技术研究

桥梁表观病害检测是保证桥梁设施安全的关键技术之一。深度卷积网络因其强大的特征提取能力,被广泛应用于土木工程领域的结构病害识别与检测,然而在土木工程领域中往往缺乏用于训练深度学习网络的高质量大规模病害图像数据集。针对上述问题,提出一种基于迁移学习的桥梁表观病害检测方法。该方法运用迁移学习技术,通过迁移VGG16网络模型结构及全部卷积层参数,并在迁移后的模型结构上添加新的全连接层,以此来解决训练数据集不足的问题。运用动态学习率调整策略,以不同的学习率对卷积层和全连接层参数分别进行微调,用于提高模型的识别准确率。实验对比ResNet18,ResNet50,VGG19,VGG16等主流深度学习网络模型,该方法在验证集上取得了最高准确率,为98.86%。用实拍的未经过处理的桥梁表观病害图像数据集进行测试,该方法的整体结构表观病害识别准确率达到88.33%,其中泛碱、露筋和裂缝3类病害的测试准确率分别达到96.25%,80.00%和88.75%,具有较高的病害识别准确率,可以用于在役桥梁表观病害识别。     

基于生成对抗网络的地铁OD需求短时预测

城市轨道交通作为一种安全、运量大、环保节能的交通工具,能有效缓解城市交通压力,逐渐成为大中城市居民最重要的出行方式之一。准确可靠的城市轨道交通短期客流预测对旅客出行与客流管控有重要意义。有鉴于此,提出一种新型的生成对抗网络(GAN)模型,即CWGAN-div模型,以实现对地铁OD需求的短期预测。CWGAN-div模型融合条件生成对抗网络(CGAN)模型以及基于Wasserstein散度的生成对抗网络(WGAN-div)模型,结合2种模型的特点,来提高原始生成对抗网络模型的稳定性和生成精度。考虑到地铁客流量变化的时间周期性,使用一种融合2类周期信息的时间标签作为条件信息,并与历史OD数据一起作为模型的输入。为了更充分、更稳定地挖掘地铁客流需求的时空相关性,采用一种改进的卷积神经网络,即残差神经网络构建CWGAN-div的内部结构。以深圳地铁1号线和4号线的44个站点为例,数值实验表明,CWGAN-div模型具有较好的稳定性和预测效果,相比传统预测方法和普通深度学习方法在预测精度上分别提高了27.97%和6.59%,相比其他组合模型提高了3.26%,相比基础CGAN模型和WGAN-div模...