一种训练神经网络的新型遗传算法

针对神经网络中具有大量的相似解，提出了一种规范化方法，大大地减少了神经网络中解的数目。然后，给出了多种不同的算子，通过对简单网络问题的实验，比较了它们的优劣，得出了一个新型的遗传算法ＮＧＡ。实验表明，ＮＧＡ比用传统的ＧＡ训练神经网络效果要优。     

基于CMAC的摆式列车倾摆控制研究

摆式列车是具有诸多不确定因素的动态系统,其倾摆系统的控制是摆式列车成功的关键,利用传统控制方式很难得到倾摆系统较好的控制品质。本文针对摆式列车的特点提出一种基于CMAC神经网络与PID相结合的倾摆系统并行控制方法。该方法利用传统PID实现反馈控制,保证系统的稳定性,且抑制扰动;利用CMAC神经网络控制器实现前馈控制,确保系统的控制精度和动态响应速度。此外,该并行控制算法相对简单,实时性好,易于在倾摆控制系统中实现。通过对阶跃信号、正弦波信号和方波信号的跟踪仿真,表明该算法克服了传统控制的不足,增强了倾摆系统的控制精度,提高了系统的动态响应速度,并且使系统具有较强的抗干扰性和鲁棒性。     

基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法.首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的...     

基于改进神经网络的路基沉降预测

为克服路基沉降预测方法的缺陷和传统BP神经网络存在的不足,采用Levenberg-Marquardt算法改进了BP神经网络的收敛性,建立了路基沉降预测模型。结合津秦客运专线路基沉降实测数据,将该优化模型与传统的BP神经网络预测模型进行了对比,计算结果表明改进后的BP神经网络在路基沉降预测中精度最高,取得了好的效果。     

基于改进神经网络的机器视觉的路面破损检测系统研究

研究开发了一套基于机器视觉的路面质量检测系统,并将改进的神经网络方法应用到道路路面缺陷检测中。分析了系统的基本组成和总体结构,介绍了软件设计流程以及网络设计与训练过程。同时考虑到传统图像分割算法的局限性,设计了一种检测图像内任意区域实时检测算法。可以适应路面龟裂、横裂、纵裂、块裂等多种缺陷以及缺陷并存的复杂道路样本图像。该检测系统具有很强的灵活性,检测速度较快,完全满足实时检测的要求。     

山区高速公路桥隧段行车安全评价模型研究

桥隧连接段属于道路环境突变段。研究表明在道路环境突变段所产生的交通事故多为恶性事故,为了改善桥隧段的行车安全,利用模糊理论的相关方法来评价桥隧段行车的安全性,并在计算隶属函数隶属度的时引入人工神经网络的相关理论,避免了确定隶属函数时的主观性和模糊性;在方法类型的角度,使用模糊理论来评价桥隧段行车的安全性,在评价时使用了多个层次、多个因素的分析方法,在解决道路行车安全评价时具有一定的优越性,使得评价更趋于精确,客观。     

BP和RBF神经网络在边坡稳定性评估中的比较研究

通过实例分析,对BP神经网络和RBF神经网络在边坡稳定性评估中的应用进行了比较研究,结果表明,BP神经网络和RBF神经网络均能很好地对边坡稳定性进行评估,但RBF神经网络比BP神经网络的训练速度更快,效率更高,并且对于同样的精度要求,RBF神经网络对边坡稳定性的评估结果更加准确和适用。     

电子装备故障预测方法研究

文章介绍了电子装备系统故障预测的概念,以及故障预测的流程,并对预测的方法进行了研究。其中展开对灰色系统理论进行研究并建立了故障预测的灰色模型方法;以及建立了最小二乘支持向量机(LS-SVM)回归预测算法和反向传播神经网络预测方法。三种预测方法为后续电子装备的故障预测建立了理论基础。     

基于神经网络的液晶数字识别在船用设备管理中的应用

数字识别是字符识别中的一个重要的研究课题。阿拉伯数字只有0～9十个,而且笔画简单,但是识别这十个数字并非易事,识别的正确率并不高。虽然液晶数字在形式上相对于识别难度较大的手写体数字来说比较规范,但是液晶数字的变体也比较多,形状各异,因此文章研究的目的在于找到一种对于液晶数字识别的一般的有效的方法。文章建立了＂仪表监控与数字识别系统＂,主要对液晶数字识别的过程进行了讨论,重点研究了数字图像处理和数字识别,做了以下几个方面的工作：1）在研究了多种液晶数字特征的基础上,提取了数字的粗网格特征。2）建立了一个基于BP神经网络的液晶数字识别系统,进行了分类器设计,并对数字识别结果进行了检验,取得了较好的系统性能,从而证明了采用的方法是可行的。     

基于卷积网络与自适应SVM的齿轮箱故障诊断

针对齿轮箱运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络(CNN)与粒子群优化的支持向量机(PSO-SVM)方法.首先利用特征参量求出信号的时频特征统计量,其次利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类.经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练...