摘要：针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析(Multilinear Principal Component Analysis,MPCA)深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。

摘要：针对Hopfield NN传统设计方法要求权值矩阵需要满足对称的约束,以及记忆容量和容错性低,且记忆模式易陷入伪稳定状态的缺点,本文提出了利用遗传算法(GA)优化设计Hopfield NN权值的方法,并与传统方法对比,验证了GA-Hopfield NN具有较大的记忆容量和较强的容错性。同时提出了GA-Hopfield NN的板形模式识别模型设计方案,将具有较强计算能力的反馈网络用于实时信息处理系统实现模式识别,克服了当前板形智能识别模型动态性差,容错能力低及实时性差的缺陷。同时,Hopfield NN的二值计算形式大大提高了系统的运算速度,为硬件实现和工程应用提供了新思路。

摘要：常规单RBF神经网络板形识别模型不能全面分离出输入变化对每个特征参数的影响,为此设计了多RBF神经网络板形识别模型,用多个子网络分别识别不同的特征参数,能够更直接、更充分的提取出输入与每个输出的关系。仿真研究结果表明:所设计的多RBF神经网络板形识别模型能够正确识别出全部板形缺陷的类型,并且识别精度上比单RBF神经网络板形识别模型提高了16.1%。

摘要：针对常规神经网络板形识别方法中存在的不足,提出了以PCA替代欧氏距离作为提取特征的手段,并将所设计的PCA-RBF板形识别模型以FPGA为硬件实现载体进行了仿真研究。仿真结果表明,设计的PCA-RBF板形识别模型能够正确识别出板形缺陷,网络结构比常规RBF板形识别模型相对简化,同时识别精度提升了59%,抗干扰能力提升了82%。FPGA仿真结果在精度和实时性上可以满足实际工程需要。

摘要：设计了一种新型结构的磁流变阻尼器,该阻尼器的励磁线圈置于阻尼缸筒的外部,具有线圈组件拆装方便,散热效果好,能够提高磁流变阻尼器的有效行程等优点。研制了该磁流变阻尼器的简易样机,实验验证了样机的阻尼特性。

摘要：针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题,将云遗传算法(CGA)和SNPOM算法结合,提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景,设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明,基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点,识别精度大幅提高,是一种有效的板形识别方案。

摘要：属性约简是概念格理论的研究重点内容之一。通过将粗糙熵引入概念格理论中,定义了一种粗糙熵约简。首先,基于所有概念外延定义了形式背景的粗糙熵,并分析了它的性质;其次,定义了形式背景的粗糙熵约简,并揭示了粗糙熵约简与概念格约简之间的关系;在此基础上,基于属性重要度设计了计算粗糙熵的启发式算法,并通过实验验证了该算法的有效性。

摘要：针对传统火灾报警系统存在着准确度不高、误报、漏报及泛化能力不强的问题,设计了一种基于GA(Genetic Algorithm)优化T-S云推理网络火灾探测模型,对模型进行训练和测试。并将T-S云推理网络与模糊神经网络对火灾信号的识别结果进行对比,给出MATLAB的仿真结果。通过仿真结果表明,该火灾探测模型识别精度更高,偏离样本数据测试结果与期望输出之间误差更小,模型提高了对火灾信号的识别精度和泛化能力。

摘要：针对传统手写汉字识别特征提取过程复杂,识别率低及通用深度学习分类模型判别能力较弱的问题.本文设计了一种多通道交叉融合的深度残差网络模型并对中心损失函数做出了改进.首先,通过对原始数据集进行预处理来降低模型过拟合的风险;然后,将经本文改进后的中心损失函数和Softmax损失函数联合作为模型训练的监督信号,在训练过程中有效的使数据集类内聚合、类间分散,提高了模型的分类性能;最后,将经过预处理的数据集输入到本文设计的模型中,通过多次训练进行参数调整得到最佳识别效果.在CASIAHWDB-V1. 1数据集上的实验表明本文设计的识别模型及算法有效的提高手写汉字的识别率.