共查询到20条相似文献,搜索用时 388 毫秒
1.
车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI.边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。 相似文献
2.
3.
4.
针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明:已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。 相似文献
5.
用数值计算方法研究有密度凹坑的等离子体对P偏振入射光的吸收,结果表明,如果密度凹坑及其周围密度分布取得适当参数,吸收峰值可以达到近100%,即远超过线性密度等离子体共振吸收的峰值50%;吸收曲线随入射角变化呈现双峰值结构.密度凹坑就象个共振谐振腔,从腔内的透射光与第一个反射面的反射光干涉相消,使总反射光变弱,由此导致了大的吸收率. 相似文献
6.
文章提出了一种基于小波神经网络的模拟电路故障诊断方法:通过分析被测电路的冲激响应来识别电路中的故障元件,利用小波理论中的多分辨率分析的方法提取出相应信号中的故障特征,组成特征向量后输入神经网络进行训练,实现故障诊断;该方法减少了神经网络的输入、简化了其结构、并缩短了训练和处理时间,文中分别用小波神经网络和传统的BP神经网络对实例电路进行故障诊断,仿真结果发现:小波神经网络相比BP网络方法收敛速度更快,诊断率更高。 相似文献
7.
8.
针对BP神经网络算法训练过程中出现的过拟合问题,提出了利用一阶原点矩,二阶原点矩,方差和极大似然估计概念的推广来计算L2正则化中正则化参数 值的方法。该方法通过对算法数据集[X,Y]中的X矩阵进行运算得到的四个 值,BP神经网络算法训练时通常采用的是贝叶斯正则化方法,贝叶斯正则化方法存在着对先验分布和数据分布依赖等问题,而利用上述概念的推广计算的参数代入L2正则化的方法简便没有应用条件限制。在BP神经网络手写数字识别的实验中,将该方法与贝叶斯正则化方法应用到实验中后的算法识别结果进行比较,正确率提高了1.14-1.50个百分点。因而计算得到的 值应用到L2正则化方法与贝叶斯正则化方法相比更能使得BP神经网络算法的泛化能力强,证明了该算法的有效性。 相似文献
9.
10.
利用深度神经网络和小波包变换进行缺陷类型分析 总被引:1,自引:0,他引:1
超声检测中对缺陷进行类型分析通常取决于操作人员对于特定专业知识的了解及检测经验,从而导致其分析结果的不稳定性和个体差异性。本文提出了一种使用小波包变换提取缺陷特征信息,并应用深度神经网络对得到的信息进行分类识别的方法。利用超声相控阵系统对于不锈钢试块上的通孔、斜通孔和平底孔进行超声检测,并对得到的超声回波波形按照新方法进行分析。实验结果表明,使用小波包变换后的数据进行分类识别能够在提高识别准确率的同时降低神经网络的学习时间,而使用深度神经网络相比通用的BP神经网络以可接受延长学习时间的代价提高了识别的准确率。采用新方法后,缺陷分类正确率提高了21.66%,而网络学习时间只延长了91.9s。在超声检测中使用小波包变换和深度神经网络来对于缺陷进行类型分析,能够排除人为干扰,增加识别准确率,对于实际应用有着极大的意义。 相似文献
11.
红外光谱评价内燃机油抗氧化性能的研究 总被引:1,自引:1,他引:0
红外光谱快速检测石油产品性能是近年来发展的新技术,目前国内外在该领域的研究仅限于测试燃料油性能,由于润滑油组成、结构复杂,红外光谱技术测试润滑油性能的研究还未见报道。文章研究了润滑油组成、结构的红外光谱特征,提出了根据内燃机油组成、结构对抗氧化性能的贡献来提取其光谱信息的技术路线。结合BP神经网络和自组织神经网络的优点,发展了量化自组织神经网络数学模型,该数学模型具有自组织神经网络的定性聚类功能和BP神经网络的定量分析功能,与BP神经网络相比较,量化自组织神经网络具有更好的鲁棒性,测试结果优于BP神经网络,该论文的研究为润滑油性能的快速检测提供了一种新的技术手段。 相似文献
12.
13.
14.
Kohonen与BP人工神经网络结合用于解析钨和钼的吸收光谱,讨论了Kohonen网络输出层的拓扑结构,并利用确定的结构对钨和钼的重叠光谱进行波长选择,在全光谱中选择最能代表光谱特征的不同类波长。所选波长处的吸光度作为三层BP-ANN网络的输入集,分光光度法同时测定了钨和钼。利用Kohonen网络选择全谱特征波长,优化了BP-ANN的输入层。与常规的波长选择方法进行比较,分析结果表明, 经K-ANN方法进行波长选择后,提高了BP-ANN的预测能力。确立了Kohonen网络作为选择最优波长集的一种工具。 相似文献
15.
16.
为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明:原水经过好氧阶段氨氮从45.3 mg·L-1下降到2.7 mg·L-1,亚硝酸盐氮从0.01 mg·L-1上升到19.6 mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6 mg·L-1下降至1.2 mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明:前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示:BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示:BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。 相似文献
17.
18.
为了研究底排推进剂在火炮膛内随弹丸运动时的燃烧特性,采用密闭爆发器仿真实验技术,针对底排推进剂在膛内高压工况下的燃烧特性进行实验研究,获得了两种不同装填密度下平均压力随时间变化的关系,并对压力进行了全程热散失修正。采用多次平滑、滤波数据处理技术和发射药燃速处理方法,得到了燃速与压力(8~150 MPa)之间的关系。基于实验数据特征样本,建立并训练得到了底排推进剂高压工况下的反向传播(Back Propagation)神经网络燃速模型,该模型与传统的指数模型相比,具有拟合精度高和稳定性强的特点。 相似文献
19.