BP网络算法在模式识别中的应用

神经网络是目前处理科技领域各类问题的一个重要工具,它由大量简单单元以及这些单元的分层组织大规模联结而成,力图像生物神经系统一样处理事物;BP网络采用传播算法,是目前应用最为广泛和可靠的神经网络之一,具有较强的分类和学习能力。从模式识别出发,在选取典型实例的基础上,建立BP网络算法模型,对算法进行动态误差修正的改进,提高了算法的收敛速度,并根据算法流程,通过运用Matlab软件对其进行仿真验证,说明了BP网络算法在模式识别中具有应用可行性。     

漏钢预报在板坯连铸中的应用

本文介绍达涅利漏钢预报系统的构成,以及其在福建三钢板坯连铸机上的的应用。重点介绍了漏钢预报系统的原理,不足及改进措施。     

优化预处理方法提高BP网络模式识别能力

通过改进样本的预处理方式,将神经网络理论中的以分量为单元的预处理方式改为以样本为单元的预处理方式,对样本进行归一化或正规化处理。简化了预处理程序,提高了样本类的可分性,保持了样本各特征量之间的特征关系。实验表明,网络的训练效率和模式识别能力得到大幅度提高。     

基于粗糙集解决BP网络模式识别中的噪声

为了解决BP网络模式识别中的噪声问题,提出了利用粗糙集的上、下近似和边界线集理论对噪声样本进行处理的方法。该方法对处于下近似集内的含噪声属性值,将噪声消除后转换为理想状态下的属性值;对处于边界域内的含噪声属性值保持不变。当属性值处于边界域内属性的个数与全部属性数的比值达到某个确定的值时,就认为该样本受到噪声干扰过大,对其拒绝识别。通过实验对比表明,该方法能有效地降低BP网络模式识别的误识率。     

BP网络在建筑物变形预报中的应用

为探索人工神经网络用于建筑物变形预报的可能性，采用ＢＰ网络代替传统的回归分析方法，处理变形观测数据。结果表明，当影响建筑变形的因素较多，且各因素间存在非线性关系或关系不确定时，加归分析预报的结果存在较大偏差，ＢＰ网络有助于提高建筑物变形预报的精度。     

波形识别技术在漏钢预报中的应用

介绍板坯连铸结晶器拉坯阻力在线监测的功率法原理,在对漏钢事故前拉坯阻力时域异常特征分析总结的基础上,利用线性最小二乘法进行数字曲线的线性逼近,通过分段识别的方法进行波形识别,达到提取拉坯阻力时域异常特征的目的.最后介绍了波形识别算法及其在连铸漏钢预报上的应用,现场试验数据证明了算法的可靠性.     

MATLAB在模式识别中的应用

MATLAB为人工神经网络模型识别方法的实现提供了简单、高效的编程环境，本结合字符识别问题介绍了运用MATLAB软件包中的神经网络工具箱编制模式识别程序的具体方法。     

基于粒子群优化的神经网络漏钢预报模型研究

针对BP神经网络在训练过程中收敛速度慢以及用于模式识别泛化能力差的问题,将粒子群优化算法PSO引入到BP神经网络的训练过程,建立了PSO-BP神经网络模型,并将其应用到连铸漏钢预报系统中。结合某钢厂连铸现场历史数据对该连铸漏钢预报系统进行了测试,测试结果以98.03%的预报率及100%的报出率,验证了基于粒子群优化算法的BP神经网络连铸漏钢预报系统模型的可行性和有效性。     

基于BP网络模式识别的变压器故障诊断

针对传统的离线色谱分析法在变压器故障诊断中的不足，提出了一种基于BP网络模式识别的变压器在线故障诊断方法。阐述了模式识别的原理。建立了诊断模型，给出训练精度。通过将BP网络诊断结果与传统三比值法诊断结果的对比，验证了该诊断方法的准确性与有效性。     

基于不变矩特征及BP神经网络的图像模式识别

根据图像的不变矩特征,应用BP神经网络实现了图像的模式识别.由于神经网络本身具有很强的学习能力及容错能力,且采用并行工作方式,因此,此识别方法与传统的模式识别方法相比,具有较强的抗干扰能力及较快的识别速度.本文通过实验验证了此方法的有效性.     

基于BP神经网络的行人和自行车交通识别方法

研究了基于BP神经网络的行人和自行车识别方法.首先对图像提取4个特征,形成特征向量作为BP神经网络的输入;然后设计BP神经网络的结构,网络输出为对行人和自行车的识别;为了确定BP神经网络合理的隐层神经元数目,分别对不同隐层神经元数目的神经网络进行了实验分析.最后利用实测的数据对BP神经网络进行训练、仿真实验,并对实验结果进行分析;结果表明:最佳网络的正确识别率为84%,行人和自行车的正确识别率分别为89%和71%.     

用于故障模式识别的自适应模糊训练BP网络

针对ＢＰ算法固有的收敛速度慢和局部极小等问题,在对已有ＢＰ改进算法进行研究的基础上,提出了用于在线故障模式识别的自适应模糊加速训练算法,可在网络学习过程中,通过模糊推理,对网络拓扑结构、学习因子、惯性因子及激励函数进行自适应调整,实例验证表明该算法具有收敛速度快、不易陷入局部极小、网络综合性能好等特点。     

板坯连铸漏钢预报神经元网络专家系统的研究

在提出混合式神经元网络专家系统的理论框架结构的基础上，用C语言开发了具有神经元网络模式识别功能和专家系统功能的漏钢预报模型。离线测试表明，本系统比武钢引进的逻辑判断预报系统性能更好。     

基于BP神经网络的轨道基桩识别

运用BP神经网络对用CCD拍到的基桩图片进行识别,包括BP神经网络的输入、输出层的设计,隐层节点的选取等。实验结果表明,经大量基桩样本的训练后,BP神经网络能将拍到图片中的基桩有效地识别出来,且达到较高的正确率。     

基于BP人工神经网络的局部放电模式识别

介绍了ＢＰ人工神经网络在局部放电模式识别中的应用．结合实际现场情况提出了一种基于统计分析的局部放电特性提取方法,在此方法的基础上对空气火花放电和油中火花放电进行了模式识别实验,实验结果证明了这种放电特性提取方法在局部放电模式识别应用中的可行性．     

BP神经网络算法在字符识别中的应用

介绍了BP学习算法的基本原理及其优缺点,并针对其不足,引入了动量项进行改进,并对BP网络的算法实现作了探讨。     

基于模糊距离的BP网络板形信号模式识别的研究

介绍了一种新的板形信号模式识别方法 .该方法基于待识别信号与标准样本之间的模糊距离 ,并将模糊距离作为 BP网络的输入 ,有效地解决了在板材宽度变化时神经网络的拓扑结构形式不变的问题     

基于BP 网络的一种机型识别方法

目标识别是防空信息处理中的一个重要环节，而对空中目标类型的识别仍没有成熟的理论，在BP算法的基础上，提出了一种基于神经网络的目标识别方法，并就具体的主空袭飞机类型给出了识别模型，最后用MATLAB提供的神经网络工具箱进行仿真，仿真结果表明，此方法合理可行，这对提高防空信息处理的准确性具有重要意义。