逆问题分析存在解非唯一,是多载荷识别的最大难题.通过相关分析方法来实现对载荷数量的识别,然后在板结构试件上同时加载已知数量载荷的情况下,可以使用遗传算法求解所有载荷的大小和位置.该算法具有数据融合能力和冗余性.文中提出的"模式"和"相关系数矩阵"的概念不但可以用于多载荷识别,也可以用于静载荷的损伤识别.

无陀螺捷联惯导系统中所使用的石英加速度计的输出在不同温度条件下漂移比较显著，通过理论分析和试验研究了其静态温度特性，提出了利用小波神经网络进行补偿的方案。与传统的BP神经网络相比，其拟合精度得到大幅度提高。实验结果表明，该方法能有效补偿加速度计的温度漂移误差。

为了提高扫描隧道显微镜微位移工作台的定位精度,提出了一种基于遗传算法的神经网络PID控制方案.微位移工作台以压电陶瓷为驱动器、柔性铰链为导向机构,在分析工作原理的基础上,建立了工作台的数学模型.神经网络PID控制器对工作台进行闭环控制,能够在线调整网络加权值,实时改变PID控制器的系数,减小工作台的位移误差.利用遗传算法的全局搜索能力对BP网络的初始权值进行学习优化,有效消除了神经网络对初始权值敏感和容易局部收敛的缺陷,改善了控制器的控制效果.性能测试表明,12μm阶跃参考输入下的稳态误差从3.24%减小到2.55%,稳态时间从1.7 s缩短到1.1 s.

微机械陀螺是近年发展起来的一种角速率传感器,具有体积小、重量轻、价格便宜等优点。但是微机械陀螺的精度很容易受到温度的影响。本文介绍了微机械陀螺的温度特性,并且通过实验推导出陀螺输出与温度的关系,在此基础上使用了最小二乘拟合与神经网络两种算法进行温度补偿并将结果进行了对比。通过实验验证对于由温度导致的误差有很好的补偿效果,为今后在实际中的应用提供了一种参考途径。

项目背景为广东岭澳核电站机房中央空调控制系统设计,针对广东高温高湿环境,设计中央空调智能控制器,控制机房温度、湿度在合适的范围。针对温湿度控制中存在的大惯性、强耦合问题,需要选择合适的解耦控制器及控制系统结构,着重讨论神经网络算法在该控制系统中的应用。并使用MATLAB进行建模仿真验证控制效果。

总风量控制法自提出后,由于末端动作频繁、通信量大、控制复杂而一直处于研究完善阶段。在分别对表冷器的PID控制系统和空调室的神经网络预测控制系统得出满意的动、静态性能的基础上,应用总风量控制法,对多区域变风量空调系统联动控制。在MATLAB环境下仿真表明系统达到了良好的控制效果。

在利用NOAAAVHRR／3资料并根据雾的均匀纹理特性进行白天雾检测研究中，为了克服对整幅图像进行纹理分析存在的处理复杂和运算量大等缺点，提出了采用纹理分析方法优化细分神经网络雾检测结果的思想。通过计算神经网络检测结果中的低云和雾区连通域的灰度标准差并设定灰度标准差阈值，对神经网络检测结果中的低云区和雾区作了进一步的纹理分析优化细分。结果表明，该方法有效地提高了雾检测的准确性和可靠性。

针对现有液压支架护帮板状态监测方法可靠性低、量化监测能力缺乏的问题,提出了一种基于深度神经网络的非接触式护帮板运动状态监测方法。该方法通过卷积和反卷积网络实现护帮板关键点空间位置检测,然后利用前馈神经网络将护帮板关键点的空间运动轨迹转换为护帮板伸缩角度,实现护帮板状态监测的量化。研究结果表明,基于深度神经网络的护帮板关键点空间位置的平均检测误差小于2个像素,护帮板位姿角度的平均量化误差小于3°,算法处理速度大于60f/s,具有良好的监测性能。

介绍了一种通过神经网络算法进行故障诊断的方法,神经网络的输入为通过对转子模拟信号进行傅里叶变换得到的典型频谱特征,将旋转机械不对中、不平衡、碰摩、涡动四种典型的故障作为网络的输出。首先用传统的BP网络算法进行诊断,得到故障诊断的精度,再将模糊理论与神经网络相结合,取长补短,组成模糊神经网络,对故障进行识别,从而得出模糊神经网络在模式识别方面具有更大的优越性的结论。

将模式识别技术引入到工程机械液压系统的状态监测,以提高监测的可靠性.首先介绍了三种主要的模式识别方法,在此基础上以阀控液压缸系统为例阐述了如何利用神经网络模式识别技术对液压泵异常状态进行监测.结果表明,本文提出的方法可以快速、准确地监测出液压泵的异常状态.