基于概率神经网络的液氨汽车罐车复合故障诊断

故障诊断在保证危险化学品汽车罐车运输安全方面具有重要意义。从国内交通运输安全的实际要求出发,依据液氨汽车罐车的结构特点及国家法律法规的要求,比较全面、系统地分析了液氨汽车罐车故障特征的相关参数,并将其作为概率神经网络的输入结点。根据实际可能发生的故障分类模式,考虑到故障诊断的容错能力和自适应能力,提出了基于概率神经网络的复合故障诊断模型。利用指标参数作为网络训练样本,对未知故障模式进行诊断,并以广西地区压力容器检验所液氨检测数据为例进行说明。理论分析和实例计算表明,该模型物理概念清晰,计算结果合理,精度较高,在危险化学品汽车罐车故障诊断中有很好的适用性。该项工作可为我国危险化学品汽车罐车故障智能诊断的深入开展提供参考依据。     

一种基于LVQ神经网络与图像处理的火焰识别算法

针对传统火灾探测技术存在的不稳定、误判率高等缺点,通过分析室内火灾图像与常见干扰光源图像的特点,提出一种基于人工神经网络的火焰图像检测技术。对火焰图像的基本特性进行分析,利用火焰图像序列的面积重叠率和中心相对移动率以及颜色等信息,结合实现学习向量量化(LVQ)神经网络融合技术,对视频序列图像中火焰的自动检测。仿真试验结果表明,基于LVQ神经网络的信息融合算法的网络收敛速度较快,有较高的火灾火焰识别准确率。     

基于粗糙集-模糊评判-神经网络的隧道施工安全状态评估

为了有效地对隧道施工进行安全状态评估,建立了以人-机-环-管理系统为基础的隧道施工安全状态评估指标体系,构造了基于粗糙集-模糊评判-神经网络的隧道施工安全状态评估模型.该模型通过粗糙集约简输入变量,提炼学习样本,再利用神经网络对其进行训练和评价,提出了使用层次分析法和模糊数学的方法对隧道施工安全整体综合评判,得到的评价值作为神经网络训练目标值的方法.实际结果表明,通过使用该模型方法,神经网络训练的条件属性由原来的17个变成6个,训练周期由原来的2 992次减少为1 637次,泛化能力、安全状态评估的结果都优于约减前,能够对隧道施工安全状态做出有效的评估结论.     

RBF神经网络在土壤重金属污染评价中的应用

运用MATLAB软件的K均值聚类算法结合神经网络工具箱,通过建立RBF神经网络对郑汴路圃田—杏花营段路旁土壤进行了评价。结果表明,土壤重金属积累峰值污染峰值多出现在距路基50m范围以内,并随着距路基距离的增加,污染程度逐渐下降。风力因素和邻近铁路对路段两侧土壤重金属污染影响较大,且公路运营时间越早,对两侧土壤污染越严重。杏花营断面土壤质量以Ⅱ级为主,北侧断面土壤质量多为Ⅲ级。圃田断面各样点综合评价结果均为Ⅱ级,整体质量优于杏花营断面。RBF神经网络评价方法具有计算速度快,评价结果客观等优点。     

基于因子-神经网络预测南渡江海口段水质状况

针对海南省南渡江日益严重的水污染现状,根据南渡江海口段2001年-2006年的监测资料,应用因子分析法找出影响水质的主要污染指标,建立了基于BP神经网络的主要污染指标预测模型,并对其进行训练检验,结果证明该模型预测精度满足要求,再利用训练、检验后的模型对近几年主要污染因子进行预测,发现了变化规律,最后提出南渡江污染防治措施。     

BP模型在水泥行业清洁生产评价案例中的应用

基于BP神经网络的原理与算法,建立清洁生产多指标综合评价模型,采用隶属度函数对评价指标进行描述。以避免评价过程中的人为失误,达到客观评价的目的。用该模型对重庆某水泥厂进行清洁生产评价,结果表明：该评价方法操作性强、准确性高、可为实现清洁生产的客观评价提供科学依据和技术方法。     

应用神经网络对地下水反硝化效果预测与验证

应用人工神经网络对生物脱氮工艺进行预测并验证。采用工艺参数如COD、NO3-N、NO2-N、DO等作为输入节点,COD、NO3-N作为输出节点。结果显示神经网络能够较好地预报出水的水质参数。出水硝酸盐和COD预测结果与试验结果符合得较好,相对误差分别在10％和5％范围内。     

贝叶斯规整化BPNN定量流域非点源污染负荷研究

将贝叶斯规整化BP神经网络(BRBPNN)应用于渭河流域非点源污染、社会和经济之间相互作用的研究。采用相关系数法确定输入变量为"降雨"、"种植地"、"草地"、"人口密度"和"羊密度",输出变量为总氮负荷。结果表明用BRBPNN定量非点源污染负荷是可行的,综合选择最优网络模型结构为BRBPNN(3c-7-1),其训练集和预测集相关系数分别为1.0000和0.9780,对应的均方误差分别为88.32和3.21×102。采用权值理论分析各输入因子对网络的贡献,依次为"降雨">"羊密度">"种植地"。该研究可为流域非点源污染的治理提供依据。     

起重吊装风险协同感知智能装备研发与应用

为解决起重吊装指挥-操作交互的高风险场景下,单一类型装备(如传感器、智能摄像头等)难以实时智能地识别吊装风险的问题,研发集成计算机视觉技术和传感器设备的起重吊装风险协同感知智能装备(简称智能装备)。首先分析起重吊装过程中指挥人员和起重机的运动特征;然后针对起重机驾驶员的误操作行为风险,结合人-机不同的运动特征和工作需求,提出智能装备的风险协同感知方案;最后在实验室模拟场景下检验智能装备的风险感知精度和延迟时间。结果表明：智能装备能够协同感知起重吊装指挥-操作交互过程中的安全风险,发现起重机驾驶员的误操作行为并实时报警。智能装备在该过程中的风险感知精度为95.17%,延迟时间约为0.25 s。     

基于卷积神经网络的安全标识分类算法研究

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明：当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。