基于模糊神经网络的涡结构识别方法研究（精选8篇）
篇1：基于模糊神经网络的涡结构识别方法研究
基于模糊神经网络的涡结构识别方法研究
研究气动光学传输效应产生的机理是红外成像末制导的共性基础技术之一,基于涡结构对光学传输效应进行建模是一种非常有效的方法,而涡结构的识别是其必要前提.文中提出一种新的涡结构识别方法,把折射率场经小波变换后的系数矩阵等效为具有一定纹理结构的图像,计算图像的共生矩阵及其统计量,由于涡结构模式复杂,特征量较多,设计了等价结构的模糊神经网络进行涡结构识别.与小波分解后直接提取特征量的`识别方法相比,本文的方法从空、频角度更加准确全面地表征湍流涡结构模式,计算机仿真结果表明该方法优于神经网络的识别效率.
作 者：杨照华 房建成 吴琳 Yang Zhaohua Fang Jiancheng Wu Lin 作者单位：北京航空航天大学仪器科学与光电工程学院,北京,100083刊 名：航天控制 ISTIC PKU英文刊名：AEROSPACE CONTROL年，卷(期)：24(5)分类号：V4关键词：气动光学 涡结构 小波变换 共生矩阵 模糊神经网络
篇2：基于模糊神经网络的涡结构识别方法研究
基于模糊神经网络的目标识别
结合模糊推理和神经网络两种方法的优点,从网络的结构、工作过程、学习算法等方面,探讨了一种基于模糊神经网络(FNN)的目标识别方法.通过仿真结果证明,此方法确实可行.
作 者：孙宝琛 时银水 朱岩 SUN Bao-chen SHI Yin-shui ZHU Yan 作者单位：防空兵指挥学院,河南,郑州,450052刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：12(3)分类号：V24关键词：模糊推理 神经网络 BP学习算法 目标识别
篇3：基于模糊神经网络的涡结构识别方法研究
目前,已有研究人员对汽车运行状态识别进行了研究,但只是对有限的几种典型运行工况进行识别,识别模型的准确度不高,而且也没有针对我国汽车运行状态识别进行实车实验。
2002年,Lin等[1]以美国和韩国的6种典型运行工况来代表汽车的不同运行状态,采用Hamming神经网络建立了汽车运行状态识别模型。2005年,Langari等[2]采用LVQ神经网络对美国LOS的运行工况进行识别。在我国,2007年,罗玉涛等[3]采用“工况块”的概念,将工况的平均行驶车速和行驶距离作为特征参数,通过模糊分类器对汽车运行工况进行了识别。2009年,周楠等[4]采用循环平均车速、循环行驶平均车速等10个参数,采用简单神经网络对北京、纽约、长春、上海等地汽车运行工况进行了识别,并建立了一个基于工况识别的自适应能量管理算法。2009年,Zhang等[5]采用18个参数,建立了基于SVM的汽车运行状态识别模型,对我国上海和广州的运行工况进行了识别。2010年,田毅等[6]采用13个参数,建立了基于模糊神经网络的汽车运行状态识别模型,对不同敏感性参数的汽车运行工况进行了识别,但是其输入参数选择过多,而且没有对汽车实际运行车速进行识别。
本文采用文献[7]中选择出的汽车运行状态特征参数最优子集,共8个参数,针对我国汽车运行状态,建立一个基于模糊神经网络的汽车运行状态识别模型,并通过实车实验对模型进行了验证。
1 汽车运行状态特征参数统计分析
汽车运行状态特征参数最优子集中的8个参数如表1所示[7]。
表1中,r1、r2为有关减速度的特征参数之间的边界,r1=-0.6m/s2,r2=-0.96m/s2;a2为有关加速度的特征参数之间的边界,a2=1.03m/s2。
首先对汽车运行状态特征参数样本X′中的参数进行归一化处理,将数据控制在(0,1)范围内,归一化公式为
k=1,2,…,m n=1,2,…,8
式中,xkn为第k个样本中第n个参数归一化后的结果;X′kn为第k个样本中第n个参数;minX′n、maxX′n分别为样本中第n个参数的最小值和最大值;m为样本的数量。
绘制汽车运行状态特征参数最优子集中各参数的统计直方图并确定各参数的隶属度函数。
图1～图8分别为运行状态特征参数最优参数子集中参数
图9～图12分别为运行状态特征参数最优参数子集中波动参数部分参数N100s、LN100s在主干道和快速路上的直方图。可以发现,N100s、LN100s在主干道和快速路上的分布虽然不够集中,但还是可以用一个隶属度函数表示的。
图13～图16分别为运行状态特征参数最优参数子集中分段参数部分ηr1-r2、ηa3在主干道和快速路上的直方图。由于ηr1-r2是指减速度小于r1大于r2的时间占总时间的百分比,ηa3是指加速度大于a2的时间占总时间的百分比,因此在测试样本数据中,ηr1-r2、ηa3中具有大量的零点。在建立直方图时,需要去除这些零点才能保证隶属度函数的正确性。从图13到图16可以发现,ηr1-r2和ηa3在主干道和快速路上的分布也比较集中,可以采用一个隶属度函数表示。
2 模糊神经网络识别模型
神经网络和模糊系统的研究有两个共同之处:第一,神经网络和模糊系统都可由给定的系统输入输出数据建立系统的非线性输入输出关系;第二,从数据处理的形式上看,它们均采用并行处理的结构。模糊神经网络就是将模糊逻辑系统同神经网络有机结合起来,汇集了神经网络和模糊理论的优点,在模式识别方面有极强的优势。
2.1隶属度函数
通过对上述直方图的分析可以发现,有些汽车运行状态特征参数的直方图相对比较复杂,不能采用单一的隶属度函数进行表示,如
其他的运行状态特征参数直方图的分布都相对比较集中,都只用一个隶属度函数进行表示。正态型隶属度函数具有正态分布的特点,能够很好地反映事物的分布特征。通过对汽车运行状态的训练样本进行统计可以得到各特征参数的均值向量θi=(θi1,θi2,…,θi8)和方差向量σi=(σi1,σi2,…,σi8),其中,θin和σin(i=1,2;n=1,2,…,8)分别表示第n个特征在第i类状态中的均值和方差。本文仅选用主干道和快速路两种汽车运行状态进行研究,隶属度函数表示为
本文选用正态型隶属度函数对输入模糊神经网络的任一待识别样本进行模糊化处理。通过对测试样本进行计算,可以得到基于模糊神经网络的汽车运行状态识别模型中的隶属度函数的均值和方差。
2.2网络结构
模糊神经网络是全部或部分采用模糊神经元所构成的一类可处理模糊信息的神经网络系统。按照模糊对象不同可以分为输入模糊、中间模糊和输出模糊三种类型。输入模糊是最常用的一种模糊神经网络类型,具有结构简单、推理方便、而且便于进行二次开发的特点。本文采用对输入进行模糊处理的模糊神经网络对汽车运行状态进行识别,其网络结构如图18所示[6]。该模糊神经网络结构共有4层:输入层、模糊层、隐含层和输出层。
第一层是输入层,它的每个节点直接与输入值X(k)连着,它起着将归一化后的汽车运行状态特征参数样本X(k)=(x(k)1,x(k)2,…,x(k)n)传递给下一层的作用。
第二层为模糊层,它的作用是计算各输入分量属于各模糊集合隶属度函数的数值。不同模糊集合的隶属度函数如式(2)所示,μ(k)in为计算得到模糊值。
第三层是隐含层,其每个节点代表一个模糊规则,它的作用是用来匹配模糊规则的前件,计算出模糊规则的适应度,从模糊层得到输入,并把结果输出到输出层,计算公式为
ωin=κin(xin) (3)
式中,ωin为权值;κin(x)为权值的模糊计算函数。
第四层是输出层。输出值的计算公式为
fout=∑ωinμin (4)
其中,fout为模糊函数计算结果,通过对比fout与阈值b,便可以得到汽车当前运行状态。
3 汽车运行状态识别结果及分析
本文中对北京、上海、广州、武汉的主干道和快速路运行工况,以及北京主干道和快速路汽车实际运行车速进行识别,如图19所示(识别出的汽车运行状态为1表示主干道;为0表示快速路)。
从图19可以得到,本文中建立的基于模糊神经网络的汽车运行状态识别模型对北京、上海、广州、武汉的主干道和快速路典型运行工况,以及北京主干道和快速路汽车实际运行车速进行识别,识别结果基本正确,识别准确度为91.74%。在4个城市的典型运行工况识别结果中,只有北京市主干道运行工况中的574～744s时出现了错误,识别准确度为82.67%;其余运行工况的识别准确度为100%;在对北京市主干道和快速路汽车实际运行车速识别结果中也存在一些错误,总体错误时间为952s,识别准确度为89.08%,识别过程中的错误主要是由于识别模型的识别准确度没有达到100%而造成的。
4 结语
本文针对不同汽车运行状态特征参数的分布规律,进行了区域划分,并选择合理的隶属度函数建立了一个基于模糊神经网络的汽车运行状态识别模型。通过对我国北京、上海、广州、武汉的主干道和快速路的运行工况进行识别,说明本文建立的基于模糊神经网络的汽车运行状态识别模型具有很好的识别效果。
摘要：采用汽车运行状态特征参数的最优子集建立了一个基于模糊神经网络的汽车运行状态识别模型。对北京、上海、广州、武汉的主干道和快速路运行工况进行了识别,计算结果为:除对北京市主干道运行工况的识别准确度为82.67%外,对其余运行工况的识别准确度都为100%;对北京市主干道和快速路汽车实际运行车速的识别准确度为89.08%。
关键词：运行状态识别,运行状态特征参数,模糊神经网络
参考文献
[1]Lin C,Jeon S,Peng H,et al.Driving Pattern Recog-nition for Control of Hybrid Electric Trucks[J].Vehi-cle System Dynamics,2004,42(1/2):41-57.
[2]Langari R,Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I:SystemArchitecture and Design of the Driving Situation Identi-fication Process[J].IEEE Transactions on VehicularTechnology,2005,54(3):925-935.
[3]罗玉涛,胡红斐,沈继军.混合动力电动汽车行驶工况分析与识别[J].华南理工大学学报(自然科学版),2007,35(6):8-13.Luo Yutao,Hu Hongfei,Shen Jijun.Analysis and Rec-ognition of Running Cycles of Hybrid Electric Vehicle[J].Journal of South China University of Technology(Natural Science Edition),2007,35(6):8-13.
[4]周楠,王庆年,曾小华.基于工况识别的HEV自适应能量管理算法[J].湖南大学学报(自然科学版),2009,36(9):37-41.Zhou Nan,Wang Qingnian,Zeng Xiaohua.AdaptiveHEV Energy Managemen Algorithms Based on Drive-cycle Recognition[J].Journal of Hunan University(Natural Sciences),2009,36(9):37-41.
[5]Zhang Liang,Zhang Xin,Tian Yi,et al.Intelligent Energy Management for Parallel HEV Based on DrivingCycle Identification Using SVM[C]//The Institution ofEngineering and Technology,Proceedings of the 2009International Workshop on Information Security andApplication.Oulu:IWISA,2009:457-460.
[6]田毅,张欣,张昕,等.基于神经网络工况识别的HEV模糊控制策略[J].控制理论与应用,2011,28(3):363-369.Tian Yi,Zhang Xin,Zhang Liang,et al.HEV FuzzyControl Strategy Based on the Neural Network Identifi-cation of Driving Cycle[J].Control Theory&Applica-tions,2011,28(3):363-369.
篇4：基于模糊神经网络的涡结构识别方法研究
关键词：说话人识别；模式匹配；FCM
中图分类号：TP18 文献标识码：A文章编号：1009-3044(2007)16-31104-02
A Ameliorated Method Of Speaker Recognition With Fuzzy C-meansClustering
SUN De-yi, CUI Lian-yan
(Information Science & Engineering College,Liaoning Institute of Technology, Jinzhou 121001，China)
Abstract:Pattern matching plays a very important role in the speaker recognition system, whose method can affect the system recognition rate directly. This article presents a method about fuzzy vector quantization(FVQ) and a method of the speaker recognition with subtractive clustering and fuzzy c-means clustering arithmetic by analyzing the arithmetic to fuzzy c-means. The experiment indicated that this method enhanced the recognition rate and is a effective speaker recognition method.
Key words:the speaker recognition; pattern matching; FCM
1 引言
随着社会的发展,安全问题日趋重要,用生物特征并结合计算机技术进行安全验证是当今的热门课题,说话人识别技术是生物识别技术的一种,与其它生物识别技术相比, 说话人识别具有更为简便、准确、经济及可扩展性良好等众多优势,可广泛应用于安全验证、控制等方面。说话人识别是一项根据语音波形中反映说话人生理和行为特征的语音参数,自动识别说话人身份的技术。它的基本原理是通过分析人的发声和听觉,为每个人构造一个独一无二的数学模型,由计算机对模型和实际输入的语音进行精确匹配,根据匹配结果辨认出说话人是谁。在声纹识别过程中最主要的两部分内容是特征提取和模式匹配。特征提取,就是从声音中选取唯一表现说话人身份的有效且稳定可靠的特征；模式匹配就是对训练和鉴别时的特征模式做相似性匹配。
2 模式匹配
本文所研究的说话人识别系统主要以美尔倒谱系数MFCC和差分美尔倒谱系数ΔMFCC作为说话人的特征参数，采用模糊矢量量化的识别方法。在分析了模糊C均值（FCM）聚类和改进的FCM聚类算法的性能的基础上，引入减法聚类算法，对改进的FCM算法的初始聚类中心进行初始化，从而避免改进的FCM聚类算法仍然对聚类中心的初值十分敏感，收敛结果易陷入局部极小的弊端，保证获得的改进的FCM聚类结果为全局最优解。
2.1 模糊C-均值（FCM）聚类算法
FCM聚类是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。它把n个数据向量xk（k= 1，2，…，n）分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。并且使得每个给定数据点用值在（0，1）间的隶属函数确定其属于各个组的程度。FCM的目标函数定义为：
2.2 改进的FCM算法
2.2.1 放松隶属度
在FCM算法中，因引入了各个聚类的隶属度之和为1的归一化条件，在样本集不理想的情况下可能导致结果不好。如当存在某个野点样本远离各类的聚类中心时，它严格属于各类的隶属度都很小，但由于各个聚类的隶属度之和为1这个条件的要求，将会使它对各类都有较大的隶属度，这种野点的存在将影响迭代的最终结果。对于此缺点，采用一种放松的归一化条件，使所有样本对各类的隶属度总和为N，即：
这样，在有野点存在的情况下得到较好的聚类结果。
2.2.2 加权模糊C-均值聚类
在解决实际问题的过程中,我们经常发现利用经典的模糊C-均值聚类所得到的结果与主成分分析的结果有较大的差异，本文将模糊C-均值聚类进一步加以改进，使得聚类的结果与主成分分析基本一致。我们的方法将模糊C-均值聚类的迭代公式中的欧氏距离改为加权欧氏距离，其中的权向量采取主成分分析的方法计算。
加权模糊C-均值聚类表示如下：
其中，ωj通过以下方法计算得到：
(1)将原始数据矩阵统一趋势化，得到无量纲矩阵Y；
(2)计算矩阵Y的相关系数矩阵R；
(3)计算相关系数矩阵R的特征值λj；
经过改进的加权模糊C-均值聚类的结果与主成分分析基本一致，特别适用于大样本的聚类。
2.3 减法聚类算法
与传统的FCM聚类算法一样，改进的FCM聚类算法仍然对聚类中心的初值十分敏感，收敛结果易陷入局部极小。为了得到较好的结果，在使用改进的FCM聚类之前先用减法聚类算法进行初始化聚类中心，以保证获得的改进的FCM聚类结果为全局最优解。
减法聚类算法是把所有的数据点作为聚类中心的候选点，它是一种快速而独立的近似聚类方法，计算量与数据点的数目成简单的线性关系，而且与所考虑问题的维数无关。
考虑M维空间的n个数据点xi(i=1,2,…,n)，其减法聚类过程分为下面几步：
（1）计算每个数据点xi的密度指标：
这里ra是一个正数，选择具有最高密度指标的数据点xc1为第一个聚类中心，Dc1为其密度指标。
（2）假定xck为第k次选出的聚类中心，相应密度指标为Dck，对于每个数据点的密度指标按式（5.19）修正：
是否成立。若不成立，则转到（2）；若成立则退出。其中δ<1是事先给定的参数，此参数决定了最终产生的初始化聚类中心数目，δ越小，则产生的聚类数越多。
本系统将减法聚类与改进的FCM聚类相结合，以减法聚类的聚类中心作为改进的FCM聚类算法的初始聚类中心，以保证改进的FCM聚类结果为全局最优解。
3 系统仿真及结果
将减法聚类与改进的FCM聚类相结合的算法应用于说话人识别，为评价识别方法的性能，使用Matlab 6.5 软件进行仿真实验。
3.1 系统设定
本系统语音采样频率为8kHz，量化位数为16bit，采集到的语音用PCM编码的wav格式文件保存。取帧长为30ms，帧移10ms，加海明窗。这里使用短时能量和过零率的端点检测方法，提取语音信号的有声段。
本系统特征参数提取采用从语音信号的有声段提取12维MFCC参数及其12维一阶差分MFCC参数并进行组合，作为说话人的特征参数。说话人码本的建立与识别采用减法聚类与改进的FCM聚类算法相结合的方法对每一个说话人的特征参数进行聚类分析，在Matlab模糊逻辑工具箱中，提供了subclust函数来完成减法聚类的功能，该函数的调用格式如下：
[C，S]=subclust（X，radii，XBounds，options）
其中X为输入数据，radii取为0.5，XBounds、options参数取缺省值。
3.2 仿真结果及分析
在实验中，语音数据是10名说话人相隔3个月在实验室的两组录音，每组录音中每个人录10次音，得到每个人的20次录音。对于每个人的录音，从两组中分别取出3次（共6次）录音进行训练，得到这个人语音的6个码本，其余14次录音用于识别测试。测试结果的总平均量化误差见表3.1，其中，第 行数据代表第 个人的语音分别用第1～10个人的码本进行模糊量化产生的总平均量化误差；从每行的最小值可以看出，每个人的语音用自己的码本进行模糊量化时产生的总平均量化误差最小，即可以代表正确的说话人。
表1 总平均量化误差表
图1 总平均量化误差对比
4 结束语
测试的结果表明：本方法的识别率较高，达到百分之九十以上。该方法以减法聚类的聚类中心作为改进的FCM聚类的初始聚类中心，避免了收敛结果陷入局部极小的问题，识别性能有了明显的改善，是一种行之有效的说话人识别方法。
参考文献：
[1]张军英.说话人识别的现代方法与技术[M].贵州:西北大学出版社,1994.
[2]何英，何强.扩展编程[M].北京:清华大学出版社,2002.
[3]杨彦、赵力.一种改进的模糊C-均值聚类算法在说话人识别中的应用[J].电声技术,2006.01.
[4]LiH. Fuzzy clustering method based on perturbation.Fuzzy Sets and Systems[J] ,1989,33:291-302.
篇5：基于模糊神经网络的涡结构识别方法研究
目前，钢筋混凝土框架结构是建筑结构中应用最广泛的结构形式之一。结构在使用过程中常常会出现各种损伤，如梁柱出现裂缝、钢筋锈蚀、混凝土过火等。此外，历史建筑结构中的构件由于老化而出现的破损，亟待损伤和维修加固。由此可见，有必要建立一套系统有效的损伤识别技术，以便及早发现结构损伤，从而保证了结构的安全性。
神经网络是由大量的简单处理单元相互连接而成的巨型复杂网络。神经网络具有处理信息的自学习性、并行性、自组织性，联想记忆功能以及很强的鲁棒性和容错性，因而它在结构损伤识别领域受到广泛的关注。由于BP神经网络在结构损伤识别中应用最广泛，因此本文主要采用BP神经网络进行计算。
1 计算模型
框架结构的计算模型如图1所示，图中加圆圈的数字表示构件编号。结构参数如下:弹性模量E=3×104MPa，泊松比v=0.3，材料密度ρ=2 500 kg/m3，梁的截面为300×600 (mm) ，截面惯性矩I1=5.4×109mm4，柱的截面为500×500 (mm) ，截面惯性矩I2=5.21×109mm4。本文通过折减构件的弹性模量来模拟构件损伤。
注1:2s35表示2号构件发生了35%的损伤, 其他类似;2:20s35+21s40表示20号构件发生了35%的损伤和21号构件发生了40%的损伤, 其他类似。
2 损伤预警
文献[1]研究表明采用损伤异常检测技术对构件损伤进行预警。本文利用BP神经网络建立损伤异常过滤器对构件损伤进行预警。通过用完好结构的自振频率训练网络使之建立结构的健康状态模式，当把未知状态下的自振频率输入到已经训练好的网络时，网络将检查新的模式是否偏离已经建立的健康模式，这一过程可以成为结构的异常检测，根据异常检测的结果可实现损伤预警。在网络的训练阶段，把多次测量的完好结构的自振频率组成的向量f输入神经网络，输入出目标Y定义如下:
式中，k为一个正常数，mi为输入向量f中的第i元素的平均值。网络训练完成后，再将输入向量f输入到训练好的网络，得到输出Y*，于是训练阶段的异常指标λ1定义如下:
在网络的测试阶段，一系列来自同一结构，未知状态下的自振频率输入到训练好的神经网络，得到输出，于是训练阶段的异常指标λ2定义如下:
式中，Yt中的元素为:
将λ1和λ2二者比较:如果测试阶段的异常指标λ2偏离训练阶段的异常指标λ1，则表示损伤产生;若两个序列不可分，则表示无损伤。选取表1中的八种损伤工况，利用有限元模型计算出健康状态下和损伤状态下的前八阶频率。将计算的自振频率加上1%水平的测量噪声，其中测量噪声是用均值为为0，方差为1的高斯白噪声模拟。八种损伤工况的预警结果如图2所示。
由图2可以看出，对于包含测量噪声的训练样本，其异常指标无法指示损伤工况G2和G6下的构件损伤，而对于其他六种损伤工况下的损伤都能准确地预警。这与测量噪声引起的误差及损伤引起的模态频率变化率有关。运用异常指标能够明确预警的损伤工况有G1、G4、G5、G7、G8，它们由于损伤引起的最大频率变化率分别为2.95%、6.42%、3.75%、4.23%、12.26%，这些数值都大于3%。无法运用异常指标进行预警的损伤工况是G2和G14，它们由损伤引起的最大频率变化率分别为2.55%和2.36%，这些数值都小于2.8%。刚好能够运用异常指标进行预警的工况是G4，它由损伤引起的最大频率变化率为2.8%。由上述分析可得:只要由损伤引起的最大频率变化率大于测量误差时，损伤异常过滤器就能明确判断损伤是否出现，当损伤引起的最大频率变化率小于测量误差时，过滤器也能判断损伤是否出现，但是最大频率变化率必须要大于2.8%。
3 损伤初步定位
文献[2,3]研究表明:标准化频率变化率NFRN，频率变化比FCR都是损伤定位指标。采用频率组合指标X1对构件损伤初步定位。组合指标X1表示为:
为了对比分析，另外选取单一频率定位指标NFRN, FCR。考虑到结构的对称性，在形成神经网络训练样本时，对于单损伤，对称位置的构件只取一根构件损伤50%，共有16种损伤工况;对于双损伤，对称位置的构件组合只取其中一组的两根构件同时损伤 (50%，50%) 、 (30%，70%) 、 (70%，30%) ，共有612种损伤工况，因此训练样本一共有628种损伤工况。网络理想输出采用二进制编码 (数值1对应有损伤的楼层，数值0对应无损伤的楼层) ，神经网络输出中大于0.5的数值所对应的楼层确认为有损伤楼层。
采用结构的前八阶频率，三种网络的训练步数分别为2268步、5281步、9028步，可见采用组合指标X1的网络收敛最快。采用三类输入向量的网络对构件损伤初步定位结果如图3所示。由图可以看出，采用组合指标X1网络和采用FCR的网络能够准确地识别出构件损伤的初步位置，而采用NFRN的网络则对损伤工况G6发生误判。
4 损伤具体定位
采用固有频率和少数点的一阶模态振型水平分量构造的组合指标X2。组合指标X2表示为:
式中，m为固有频率阶数，n表示模态分量的测试点编号，NFRNm表示第m阶标准化频率变化率，DS1 (n) 表示第一阶模态数据计算的第n个测试点的DS[4]值。
模态振型分量测试点如图1所示，编号分别为1～8，都是所在柱的中点部位。模态振型水平分量分别用符号表示为:φ1～φ8。选取前六阶频率和八个测试点的模态分量来计算组合指标X2。对构件损伤具体定位分为两个子网进行识别。子网1识别分布在一层的构件损伤具体位置，子网2识别分布在两层的构件损伤具体位置。形成神经网络训练样本的方法是:考虑单根构件损伤50%，两根构件同时损伤 (50%，50%) 、 (30%，70%) 和 (70%，30%) 。对于子网1，有70种损伤工况，对于子网2，有147种损伤工况。分别计算出相应损伤工况下的前十阶固有频率和第一阶模态分量。网络理想输出采用二进制编码 (数值1对应有损伤的构件，数值0对应无损伤的构件) ，神经网络输出中大于0.7的数值所对应的楼层确认为有损伤构件。神经网络的识别结果如图4所示，G1-G5为子网1的识别结果，G6-G8为子网2的识别结果。
5 损伤程度识别
对构件损伤程度的识别指标采用频率平方变化率RNF，表示为:
式中，m为固有频率阶数。构件损伤程度识别的具体方法是:以已知损伤构件 (构件组) 产生不同损伤程度 (组合) 时的结构作为样本进行分析，计算损伤指标RNF来训练神经网络，然后把测试样本输入到训练好的神经网络识别构件的损伤程度。选取前四阶频率识别构件损伤程度。
训练样本形成方法是:单根构件损伤10%、20%、30%、40%、50%、60%、70%，两根构件同时损伤 (10%，10%) 、 (20%，20%) 、 (30%，30%) 、 (40%，40%) 、 (50%，50%) 、 (60%，60%) 、 (70%，70%) 、 (20%，30%) 、 (20%，40%) 、 (20%，50%) 、 (20%，60%) 、 (20%，70%) 、 (30%，40%) 、 (30%，50%) 、 (30%，60%) 、 (30%，70%) 、 (40%，50%) 、 (40%，60%) 、 (40%，70%) 、 (50%，60%) 、 (50%，70%) 、 (60%，70%) 、 (30%，20%) 、 (40%，20%) 、 (50%，20%) 、 (60%，20%) 、 (70%，20%) 、 (40%，30%) 、 (50%，30%) 、 (60%，30%) 、 (70%，30%) 、 (50%，40%) 、 (60%，40%) 、 (70%，40%) 、 (60%，50%) 、 (70%，50%) 、 (70%，60%) 。训练样本所对应的神经网络理想输出为构件损伤程度指数。神经网络的测试样本采用表1中的八种损伤工况。采用前四阶的频率计算，神经网络识别结果如表2所示，表中识别误差取网络识别值与实际值的绝对误差的绝对值。由表可以看出，神经网络对构件损伤程度识别误差控制在2%以内，效果非常好。
注:表中每种损伤工况中的构件编号见表1。
6 结论
(1) 利用神经网络建立的损伤异常过滤器能够很好地对构件损伤进行预警。当损伤引起的最大频率变化率大于测量误差时，损伤异常过滤器就能明确判断结构损伤是否出现;当损伤引起的最大频率变化率小于测量误差时，过滤器也能判断损伤是否出现，但是最大频率变化率必须要大于2.8%。
(2) 提出的频率组合指标X1能够更加全面地反映构件损伤的位置信息，与单一频率定位指标 (NFRN和FCR) 相比，不但加快神经网络的训练收敛，而且能有效地避免对构件损伤位置的误判。
(3) 只需利用结构的前几阶频率及少数点上的低阶模态振型分量，采用指标X2作为输入向量的神经网络可以准确地识别构件损伤的具体位置。
(4) 采用损伤指标RNF作为输入向量的神经网络能够很好对构件损伤程度识别，其识别误差都分布在2%以内。
参考文献
[1]姜绍飞.基于神经网络的结构优化与损伤检测[M].北京:科学出版社, 2002.
[2]Kam insk i P C.The approximate location of damage through the a-nalysis of natural frequencies w ith artificial neural networks[J].Journal of process m echan ical engineering, IM echE, 1995:117-123.
[3]P.Caw ley and R.D.Adam s.The location of defau lts in structuresfrom m easurem ents of natural frequencies[J].Journal of Strain A-nalysis, 14 (1979) :49-57.
[4]George Hearn, Rene B.Testa.Modal Analysis for Damage detec-tion in structures[J].Journal of structural Engineering, 1991, 117 (10) :3042-3063.
[5]陈远.基于神经网络的框架结构损伤的多重分步识别方法[D].重庆:重庆大学硕士学位论文, 2009.
[6]吴波, 胡云霞.基于BP神经网络的空间索杆结构节点损伤识别研究[J].地震工程与工程振动, 2006, 26 (1) :83-88.
[7]吴金志.基于动力检测的网格结构损伤识别研究[D].北京:北京工业大学博士学位论文, 2005.
篇6：基于模糊神经网络的涡结构识别方法研究
【关键词】学术期刊；期刊评价；网络口碑；模糊综合评价
一、引言
随着互联网的普及，网络已经成为人们生活中的一部分。人们习惯把自己一些心得与体会写到网络上。目前，网络口碑已成为广大学者研究热点之一。赖胜强等对网络口碑的特征、传播者的发送动机、传播意愿、接收者的搜寻动机以及说明效果等进行了文献梳理；卢向华等从网络口碑的点评数量、评分以及负面的点评率三方面来量化网络口碑为产品销售收入带来的价值；李念武等分析正、负面网络口碑可信度的影响因素以及这两种口碑如何影响消费者对商家的信任和购买行为。本文提出将网络口碑应用到学术期刊评价中，建立学术期刊网络口碑评价的指标体系，并采用模糊综合评价方法对其进行评价，这对于完善、提高学术期刊评价体系有着十分重要的指导作用。
二、学术期刊网络口碑指标体系构建
国内外对学术期刊的评价基本上都是基于内容和引用的评价，这种评价实质上是对学术期刊论文的评价。随着国际化的发展，学术期刊不仅要看学术性，还需要看期刊的整体性情况。学术期刊网络口碑评价大部分都是以大众评价为主体，整理出投稿者对期刊的认可程度，并且把投稿的过程经验分享给其他投稿者。所以，本文采用以下指标：
（一）期刊的质量
质量是学术期刊发展的重要前提。影响期刊质量的原因有很多种，对投稿者来稿的选择、定稿的编辑直接影响学术期刊的质量。编辑者的思维模式、学术的观察能力、鉴别能力、都影响学术期刊的质量。
（二）审稿的速度
审读稿件是学术期刊编辑最基本的工作要求。一般审定文稿已经建立了完善的“三审制”机制。通常是指编辑部初审，室主任复审，总编辑终审。有的期刊编辑部在初审和复审之间，还需要加一个外审的过程。每一个评定对投稿者来说，都是一个漫长的等待过程。一般情况下期刊编辑部的审稿时间是1个月或3个月，有的需要6个月。
（三）编辑的态度
期刊是为读者服务的。编辑态度直接影响投稿者对期刊的印象，所以期刊编辑应该做到各方面都考虑到读者的需求，才能够发挥期刊的功能。期刊编辑应该从期刊的读者经营要求出发，编辑人员应该对社会、对读者、对刊物和对编辑职责具有责任感，通过各种方法，尽自己最大的能力回答读者的问题并且帮助读者解决困难。
（四）发稿的速度
发稿速度是指从文稿的录用到论文出版这段时间的快慢。该期刊的论文从录用到发表，需要多长时间，大部分期刊在“投稿须知”中都会介绍的很清楚。投稿者可以根据以前发表的论文后面的“投稿日期”和“录用日期”来进行推断。这样投稿者就可以根据判断，来决定是投哪一种期刊来发表论文。
从上面的评价指标可以看出，期刊质量是学术期刊评价的最核心的部分，审稿速度是投稿者最关心的问题，编辑态度对投稿者来说也是很重要的一部分，可以促进期刊编辑与投稿者的关系，如果编辑的态度好，在很大程度上能够提高投稿者对该期刊的认可程度。发稿的速度对于投稿者来说，只要文章能够录用就可以，如果有急着需要出版的论文也可以与出版社协商。
三、应用实例
期刊点评网创建于2009年8月，是中国第一家为期刊提供点评服务的网站。目的是积累有经验的投稿者的投稿经历，为缺乏投稿经验的人提供投稿指导。基于此平台，本文选取图书情报与数字图书馆学科领域点评数量最多的《图书情报工作》作为模型检验。根据AHP计算出各指标相应的权重，从点评信息中提取各项指标的等级评语，由于数据量有限，本文采用人工处理的方式。
（一）计算各指标权重
1、根据评价指标U={U1、U2、U3、U4}={期刊质量、审稿速度、编辑态度、发稿速度}的重要性得出指标判断矩阵。
其中bij=1，表示Ui和Uj同等重要；bij=3，表示Ui比Uj稍重要，反之为1/3；bij=5，表示Ui比Uj重要，反之为1/5；bij=7，表示Ui比Uj非常重要，反之为1/7；
2）判断矩阵的特征根=4.12
3）对判断矩阵进行一致性检验=0.04，=0.04﹤0.1，符合一致性检验。
（二）模糊综合评判
1、模糊隶属度矩阵。根据期刊点评网上《图书情报工作》的点评信息，按照评价指标U={U1、U2、U3、U4}={期刊质量、审稿速度、编辑态度、发稿速度}为关键字，采用评价语V= （很好、好、一般、差），将该期刊网络口碑评价模糊转换为矩阵R（rij）4×4，其中rij=对U中某一指标，点评划归为V中的某等级的点评数/点评该指标的点评数，得出
2、根据各指标的权重W={ 0.563、0.263、0.118、0.056}，得出学术期刊网络口碑的综合评价
3、在评价等级中给定评价标准的分值，相应的4个等级分别对应7分，5分，3分，1分。即有评价期刊的得分值
四、结论
通过以上的分析，验证了对学术期刊的网络口碑是有效的。目前，国内各评价机构对学术期刊的评价均未考虑大众对学术期刊的点评。因此，本文提出把网络口碑作为一项评价指标应用到学术期刊评价体系中，让广大的科研人员以及学者都投身到对学术期刊评价的工作中，这样有助于学术期刊评价工作的完善性、科学性、公平性。学术期刊网络口碑评价有助于投稿者选择投稿期刊，提高投稿的成功率，降低信息不对称引起的时间成本消耗。
参考文献
[1]赖胜强，朱敏.网络口碑研究述评[J].财经经济，2009（6）：127-131.
[2]卢向华，冯越.网络口碑的价值——基于在线餐馆点评的实证研究[J].管理世界，2009（7）：126-132.
[3]李念武，岳蓉.网络口碑可信度及对购买行为影响的实证研究[J]. 图书情报工作，2009，53（22）：133-137.
[4]杨晓娜.学术期刊编辑与期刊质量的两点关系[J].科技创新导报，2009（15）：215-216.
[5]期刊点评网. http：//www.qikan001.com/[2010-9-20].
作者简介
篇7：基于模糊神经网络的涡结构识别方法研究
自“9·11”恐怖袭击事件发生以来,世界各国都加强了安保工作,个人的身份认证被摆在至关重要的位置。生物特征是一种基于人体生理或行为特征的身份识别方法,具有非常重要的应用价值。步态属于行为特征,是根据后天习惯形成的,由于具有非侵犯性和远距离识别性,成为一种新兴的识别途径。步态识别就是根据人走路的姿势辨别行人身份。与可见光识别模式不同,红外步态识别是应用热成像仪进行步态检测,可在完全漆黑的环境下进行身份鉴别,因此,具有特殊的应用意义。研究表明,任何环境下都理想适用的分类器是不存在的[1]。考虑到模式特征和分类方式具有互补性,识别时把多个分类器融合起来,可得到更优的识别率[2,3]。通过与可见光步态图像相比较,发现红外步态图像成像效果差,纹理信息缺失,因此导致最终识别性能的下降。为此,本文提出一种新算法,以多分类器融合为手段,以期达到改善红外步态识别性能的目的。首先分别进行基于小波描述子特征的识别和基于人体体形平均灰度图特征的识别,然后利用BP模糊神经网络和遗传算法开展多分类器融合识别,实验结果表明正确识别率有很大的提高。
1 遗传算法优化的BP模糊神经网络
BP网络是采用误差反向传播算法(简称BP算法)的多层神经网络模型, 一个3层的BP网络可以实现任意L维到P维的映射[4]。BP模糊神经网模型是在融合BP神经网络和模糊系统两者的基础上生成的,由模糊隶属度函数、模糊规则和模糊逻辑运算等组成,共有5层,依次是:输人层、模糊化层、模糊条件层、模糊判决层和去模糊化层,具有模糊推理和学习等能力,其结构如图1所示[5]。
采用推广钟形函数作为其输入隶属函数,如式(1)所示。
式中:a,b和c是控制钟形的参数,通过调节参数可获得不同分布的隶属函数。
由于BP算法的收敛速度太慢,而且目标函数存在局部极小值,因此,引进遗传算法进行优化,其流程图如图2所示[6]。
2 特征提取
2.1 轮廓线小波描述子特征
人体轮廓线是通过对红外视频序列进行运动人体分割等预处理操作来获得的,如图3所示。通过对一个步态序列第k帧的二维人体轮廓线L,按照式(2)逐点计算每个点(xi,yi)与重心坐标(xc,yc)的距离dki[7],并进行归一化处理后,即可将其转换为一维距离信号:Dk=[dk1,dk2,…,dkN][8]。
其中,
小波描述子就是小波系数。由于小波变换呈现多分辨率特性,因此通过确定小波系数的限制级数并对其归一化处理,即可表示步态轮廓[9,10]。距离信号Dk的小波描述子wk是根据式(4)实行两层小波变换得到的,可选择其低频段的34个点作为轮廓特征,如图4所示[11]。
式中,h是小波基。
2.2 人体体形平均灰度图特征
人体体形平均灰度图综合了体形和运动两方面的信息作为红外步态识别的特征。一个红外步态序列的体形平均灰度图特征可通过式(5)计算出来,图5是该特征的一个例子。
式中:AP是体形平均灰度图特征;N是一个红外步态序列包含有效人体体形的帧数;PM(x,y,k)是对二值行人剪影图像截取包含行人的最小矩形框后进行归一化处理所得到的二值图,(x,y)是平面坐标,k表示具体第几帧[12]。
3 基于BP模糊神经网络多分类器融合原理
基于BP模糊神经网络多分类器融合原理[13]如下所述。
假设有G个互不相关的模式类集合ξ1,ξ2,…,ξG一起构成了模式空间Ψ,如公示(6)所示。那么,把一个具体的模式x,归类为ξ1,ξ2,…,ξG中的一个,就是模式分类。
对于每个具体的输入模式x,每个分类器ek都会有一个输出mk(i),将它们结合起来即可形成度量向量Me(k),如式(7)所示。
式中:mk(i) 是分类器ek判定x属于类ξi的程度,共有R个分类器e1,e2,…,eR。
在多分类器融合领域,输出结果可以直接形成度量向量的分类器有贝叶斯分类器和模糊分类器。贝叶斯分类器,可以实现快速推理。本文利用贝叶斯分类器根据人体体形平均灰度图特征对红外步态进行识别。此外,本文根据轮廓线小波描述子特征通过最近邻模糊分类器对红外对步态序列实现识别,其特征的隶属度可由式(8)求出[7,14]。
式中:δi是测试样本特征与第i个训练样本对应特征的差额。
基于BP模糊神经网络的多分类器融合就是把R个度量向量Me(k)连接成为一个尺寸为R×G的度量特征向量,作为网络输入,利用BP模糊神经网络进行学习和分类,输出为样本所属的类别标识。
按照上述的多分类器融合原理,本文算法的框架如图6所示。
4 实 验
本文利用中国科学院自动化研究所红外步态数据库[15]进行识别实验。该数据库是使用红外摄像机在夜间于室外拍摄的,包含4种行走状态:正常行走、快走、慢走和带包走,共有1 530段步态视频,每段约5 s长,帧频率25 f/s,图像分辨率是320×240,如图7所示。本文算法在CPU为Intel Core i5 760(2.8 GHz),内存为4 GB 的系统上,利用Matlab V 7.0平台进行实验。本文使用留一法则进行分类结果检测, 训练样本是每个序列的一半周期,测试样本是另一半周期。表1分别统计了单分类器和基于BP模糊神经网络多分类器融合的正确识别率(CCR)和等错误率(EER)值,通过比较分析可以发现:
(1) 当行人带包走时,识别率有所降低。这主要是因为如果携带背包,人体分割效果会变差。
(2) 采用BP模糊神经网络进行多分类器融合,效果比较理想。识别率比单一分类器高,提高约10%;等错误率有明显下降,降低约10%,验证性能比单一分类器好。这主要是因为多分类器融合更能充分挖掘不同特征模式的信息量。
利用累积匹配分值CMS来判断算法的收敛性[16,17],如图8所示,通过分析和比较,可以发现:采用BP模糊神经网络进行多分类器融合,由于信息融合,识别性能理想,3阶时已获得100% 的匹配,完全收敛阶数提高1倍多,显示其良好的收敛性。
5 结 语
本文提出一种新的红外步态识别算法,利用遗传算法优化的BP模糊神经网络进行多分类器融合识别,并在CASIA红外步态数据库中进行仿真实验。实验结果显示,多分类器融合识别比单分类器识别提高约10%识别率,降低约10%等错误率,完全收敛阶数提高1倍多,这从识别率、验证性能和收敛性等方面验证了算法的有效性。本文的步态数据来源于中国科学院自动化研究所CASIA红外步态数据库,在此表示感谢。
篇8：基于模糊神经网络的涡结构识别方法研究
传统采煤机滚筒调高方式是通过人工判断采煤机滚筒截割物料成份实现的。由于采煤机实际截割过程中, 煤尘较大等原因造成人工判断方式效率低、准确率低等问题。为了取代人工判断采煤机滚筒截割物料成份, 自动识别煤岩技术逐渐兴起。因此研究采煤机煤岩自动识别技术, 用于取代人工判断采煤机滚筒截割煤壁的煤岩界面, 对降低人工成本, 减小煤矿安全隐患, 提高采煤质量, 减小煤中的矸石等杂料的比例以及提高采煤机寿命等具有重要意义[1]。
目前针对自动识别煤岩技术的主要技术手段有:
(1) 使用传感器采集截割煤岩的伽马射线的辐射特性进行煤岩识别。这种煤岩识别技术仅适用于甲烷含量丰富的煤岩环境中, 并且由于识别技术使用时需要在工作面的顶部或者底部煤岩有一定预留量, 造成采煤效率下降[2]。
(2) 使用振动、力或压力传感器对采煤机滚筒截割煤岩过程的振动信号、力信号或液压力信号进行采集并分析, 从而判断煤岩性质[3]。
(3) 使用红外成像传感器对采煤机滚筒截割煤岩时的温度进行测量, 根据滚筒截割不同介质时产生的温度变化实现煤岩识别[4]。
(4) 通过测定采煤机滚筒截割掉落的物料撞击到刮板输送机中部槽时发出的不同声音, 确定煤岩的性质, 但是这种方法使用局限性较大, 即滚筒必须已经截割到岩石并且岩石能够落入中部槽发出声音, 此方法才有效果[5]。
(5) 当采煤机滚筒截割较硬的岩石时, 截割电机消耗的功率较大, 而截割较软的煤层时, 截割电机消耗的功率相对较小, 因此通过对截割电机消耗的功率进行实时测量从而进行煤岩识别, 同样, 这种方法需要滚筒必须已经截割到岩石时才能够识别煤岩[6]。
以上自动识别煤岩技术均使用单一传感器和单一的识别技术实现煤岩识别。使用单一传感器的问题在于获取煤岩特征信息的渠道窄、使用局限性大、片面、不能完全反映煤岩真实情况, 并且一旦使用的单一种类传感器发生故障, 则不能继续进行煤岩识别[7]。
鉴于以上问题, 本文研究基于信息融合技术的采煤机煤岩识别技术, 使用多个传感器代替传统单个传感器建立煤岩识别系统, 并使用模糊神经网络算法作为系统的核心算法, 从而提高采煤机煤岩识别的稳定性、抗干扰能力以及准确性等。
1 煤岩识别系统及特征参数分析
1.1 煤岩识别系统
采煤机截割煤岩的工况简图如图1所示。采煤机截割的煤壁中, 有时是均质的煤层, 有时煤壁是煤层与岩层共存, 设定煤层与岩层以一定比例存在。研究的煤岩识别系统识别的煤壁中岩层的煤层与岩层的比例分别为:全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层四种情况[8]。
使用多传感器信息融合技术及模糊神经网络算法建立的煤岩识别系统主要分为两大部分, 第一部分是数据采集层, 通过多传感器信息融合技术对采煤机截割煤岩时的振动、阻力矩以及电机电流等进行监测, 并采集数据提取特征值。第二部分是识别模型, 即使用模糊神经网络算法建立煤岩识别模型。通过多传感器采集并处理后的特征分为两大类, 第一类用于使用模糊神经网络算法建立煤岩识别模型进行网络训练, 使得识别模型具有相应的泛化能力;第二类用于对所建立的煤岩识别模型进行性能测试, 测试识别模型泛化能力, 识别能力能够达到识别要求[9]。
1.2 特征参数分析
本文建立的煤岩识别采用多传感器信息融合技术, 主要对采煤机截割煤岩时的振动、阻力矩以及电机电流等进行监测。由于采煤机在截割不同比例的煤岩时, z轴方向振动量变化基本相同, 因此提高识别效率, 本文的多传感器融合系统只对采煤机滚筒截齿的x轴和y轴振动量进行采集处理。图2是采煤机截割全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层, 这四种情况时煤岩的振动监测值。图3是采煤机截割四种情况煤岩时的阻力矩情况。图4是采煤机截割四种情况煤岩时的电机电流监测数据[10]。
2 ANFIS原理及结构
模糊神经网络 (ANFIS) 的结构如图5所示, 主要由前件网络和后件网络组成, 其模糊系统采用Sugeno型[11]。
2.1 前件网络
前件网络由4个层组成。前件网络的第1个网络层是整个模糊神经网络的输入层, 有n个节点, 模糊神经网络输入的各个分量xi与输入层的各个节点相连, 将输入向量传递到第2个网络层。
第2个网络层是模糊化层, 其主要用于计算第1个网络层的输出量隶属于各个节点的语言变量的隶属度函数μij, 具有个节点数[12]。
式中:n是第1个网络层输出的维数;mi是xi的模糊分割数。
设定第2层网络输入的隶属函数是高斯型, 则有:
式中:cij表示隶属函数的中心值;σij表示隶属函数的宽度。
第3个网络层是模糊规则层, 用于匹配模糊规则的前件, 然后对逐条规则的适用度进行计算。该层具有m个节点, 各节点表示一个模糊规则。
亦可表示为:
第4个网络层用于进行归一化计算, 节点数为m, 与第3个网络层具有相同的节点数[13]。
2.2 后件网络
后件网络由r个同样具有三个网络层的并列的子网络组成。各个子网络具有一个输出值。
后件网络子网络第1层是将输入量传递至第2层的输入层。第1层的第0个节点输入值为1, 其用于提供模糊规则后件中的常数项。
后件网络子网络第2层用于计算各个规则的后件, 该层节点数为m, 一个节点表示一个规则[14]。
后件网络子网络第3层是模糊神经网络结构第5层, 即系统的输出层, 用于对系统的输出进行计算:
ANFIS算法主要使用混合算法对前提和结论参数不断更新。通常将一个初始值赋予给前提参数, 结论参数由最小二乘估计算法得到。最终从最后一层反向向第一层由梯度下降算法传递系统的误差, 以不断更新前提参数。
本文研究的识别系统所建立的模糊神经网络模型使用减法聚类算法对进行归一化处理后的流特征数据样本空间进行非线性规划, 选用三角函数型的隶属度函数, 模型的参数学习率设定为0.01, 误差上限[15]为10-3。
3 实验分析
本文通过实验方法对所建立的基于模糊神经网络信息融合的采煤机煤岩识别系统的性能进行测试分析。实验用的采煤机型号是鸡西煤矿机械有限公司生产的MG300/701-WD型采煤机, 其采高可达3.2 m, 截深为0.63 m, 截割速度为6 m/min。对采煤机截割全煤层、煤岩比2∶1、煤岩比1∶2以及全岩层四种情况煤岩时的振动、阻力矩以及电机电流等数据进行监测。通过建立的煤岩识别系统进行识别, 识别结果如图6所示, 同时与使用基于单一的振动、阻力矩以及电机电流传感器的识别系统的识别结果进行对比[16]。
测试结果表明, 使用基于单一的振动、阻力矩以及电机电流传感器的识别系统能够对煤岩具有一定的识别能力, 但是由于其使用单一传感器的局限性, 使得识别结果准确度不够高, 而本文研究的基于模糊神经网络信息融合技术的识别系统能够对煤层和岩层的分界面进行有效识别, 识别的准确度和稳定性相比其他方法更高。
4 结语
【基于模糊神经网络的涡结构识别方法研究】相关文章：
四川省凉山州地方政府财政支出结构合理性分析——基于模糊模式识别理论09-10
基于模糊网络层次分析法的评价研究09-12
基于模糊数学的公路路线评判方法研究09-11
基于模糊综合评判法的档案库房选址问题研究09-10
基于AHP的通信企业人力资源绩效的多级模糊综合评价方法02-13
基于模糊数学的公交移动支付盈利模式分析及其对社会福利影响的研究09-12
基于模糊控制的光伏发电最大功率点跟踪10-10
基于一型模糊逻辑系统的天气预测02-02