CN110008914A - 一种基于神经网络的模式识别系统及识别方法 - Google Patents
一种基于神经网络的模式识别系统及识别方法 Download PDFInfo
- Publication number
- CN110008914A CN110008914A CN201910287547.7A CN201910287547A CN110008914A CN 110008914 A CN110008914 A CN 110008914A CN 201910287547 A CN201910287547 A CN 201910287547A CN 110008914 A CN110008914 A CN 110008914A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- module
- network model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于识别技术领域,公开了一种基于神经网络的模式识别系统及识别方法,利用信号采集芯片采集故障信号数据;利用输入设备输入样本数据;通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型;利用感知器判别函数程序对产品的信号特征进行模式判定处理;利用识别程序对判定的数据进行识别;利用证据融合程序对信息进行融合;利用存储器存储采集的故障信号数据、输入样本数据;利用显示器显示输出的神经网络模式识别结果。本发明能够有效地提高故障模式识别的精度;通过神经网络模型构建模块能够破解随机相位加密的解密模型,解决了缺少能破解随机相位加密的算法模型的技术问题。
Description
技术领域
本发明属于识别技术领域,尤其涉及一种基于神经网络的模式识别系统及识别方法。
背景技术
现有的网络模式识别的方法如统计模式识别法、模糊模式识别法、神经网络法模式识别法、专家系统法等,都有自己的优缺点和适应范围。尤其是神经网络模型,由于具有自学习、自组织和自处理的特点,在故障模式识别和分类方面得到了极大的研究和应用。然而,神经网络模型基于大量样本以及精度的局限性,在一定程度上影响了在产品的故障识别上的应用。证据理论作为认知不确定信息的重要量化工具,能够量化样本量不足的信息,并且能有效融合各类证据信息,在可靠性领域得到了广泛的研究和应用;同时,缺少能破解随机相位加密的算法模型。
综上所述,现有技术存在的问题是:
现有模式识别收敛效果差和识别准确率低的问题;同时,缺少能破解随机相位加密的算法模型。
现有技术中,没有基于该神经网络模型对产品的信号特征进行模式判定,进行网络模式的识别;没有利用证据融合法则进行信息的融合,不能证有效地提高故障模式识别的精度。
发明内容
针对现有技术存在的问题,本发明提供了一种基于神经网络的模式识别系统及识别方法。
本发明是这样实现的,一种基于神经网络的模式识别系统的识别方法包括以下步骤:
步骤一,通过信号采集模块利用信号采集芯片采集故障信号数据;通过数据输入模块利用输入设备输入样本数据;
步骤二,主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型;构建神经网络模型中,对多组原始数据进行随机相位加密得到训练数据;利用所述训练数据训练第i-1深度神经网络模型,得到第i深度神经网络模型,及所述训练数据输入所述第i深度神经网络模型后的第i输出结果,并将所述第i输出结果与所述训练数据对应的原始数据进行比对,得到第i比对结果,所述i的初始值为1,且第0深度神经网络模型为初始模型;当所述第i比对结果满足预设收敛条件时,确定所述第i深度神经网络模型为构建的深度神经网络模型;当所述第i比对结果不满足所述预设收敛条件时,令i=i+1,返回执行所述利用所述训练数据训练第i-1深度神经网络模型步骤;
步骤三,通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理;
步骤四,通过识别模块利用识别程序对判定的数据进行识别;识别中,对输入的训练数据进行特征提取,通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库;
对输入的测试数据进行相同特征提取后得到测试特征向量,将测试特征向量与所述参考模型数据库中各参考模型模式匹配,得到模式识别结果;
通过信息融合模块利用证据融合程序对信息进行融合;
步骤五,通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据;
步骤六,通过输出显示模块利用显示器显示输出的神经网络模式识别结果。
进一步,利用所述训练数据训练第i-1深度神经网络模型,得到第i深度神经网络模型,及所述训练数据输入所述第i深度神经网络模型后的第i输出结果,并将所述第i输出结果与所述训练数据对应的原始数据进行比对,得到第i比对结果,所述i的初始值为1,且第0深度神经网络模型为初始模型,具体包括以下步骤:
A、将所述训练数据输入第i-1深度神经网络模型中,使所述训练数据在第一重塑层进行数组重塑,输出第一重塑数据,所述第i-1深度神经网络模型包括所述第一重塑层、三层隐藏层、输出层和第二重塑层;
B、所述第一重塑数据输入由若干神经元组成的三层所述隐藏层,并输入所述输出层输出处理数据,所述处理数据输入所述第二重塑层进行数组重塑,输出第二重塑数据,所述神经元的激活函数为线性整流函数,且所述隐藏层中的神经元个数与所述第一重塑数据的格式对应,所述第二重塑数据为所述训练数据输入所述第i-1深度神经网络模型后的第i-1输出结果,且所述第二重塑数据的格式与所述训练数据的格式相同;
C、基于均方差函数与随机梯度下降函数,对所述第二重塑数据与所述训练数据对应的原始数据进行比对,得到比对结果,利用所述比对结果优化更新所述第i-1深度神经网络模型,得到第i深度神经网络模型。
进一步,当所述第i比对结果满足预设收敛条件时,确定所述第i深度神经网络模型为构建的深度神经网络模型后还包括以下步骤:
对多组原始数据进行随机相位加密得到测试数据;所述测试数据输入构建的所述深度神经网络模型,得到测试输出结果,并计算所述测试输出结果与所述测试数据对应的原始数据之间的相关度;
当所述相关度大于等于预设相关系数时,确定所述深度神经网络模型为正确的解密模型;
当所述相关度小于所述预设相关系数时,返回执行所述对多组原始数据进行随机相位加密得到训练数据步骤。
进一步,所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型包括:
将得到的包含N个训练特征向量的集合{xk}划分为C个子集,其中,k=1,…,N,xk为M维向量,1<C<N,
求出每个子集的聚类中心,使得下列目标函数最小:
且满足下列约束条件一和二:
条件一,条件二,
其中,uik∈U表示第k个特征向量对第i类的隶属度;tik∈T表示集合xk属于第i类的典型值;m,η>1为模糊加权指数;a,b>0为权重系数;vi∈V为聚类中心;系数γi>0。
进一步,所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型具体包括:
步骤A,计算初始聚类中心V0;
步骤B,根据公式(2)和(3)计算高斯核函数的带宽参数σ:
步骤C,根据预定公式计算γi;
步骤D,令t=1;
步骤E,根据公式(4)和(5),计算在第t次迭代时高斯核函数的带宽参数σt:
步骤F,根据第t-1次的聚类中心Vt-1和下列公式(6)计算第t次第k个特征向量对第i类的隶属度Ut:
根据第t-1次的聚类中心Vt-1和下列公式(7)计算第t次集合xk属于第i类的典型值Tt:
根据第t-1次的聚类中心Vt-1和Ut、Tt、下列公式(8)计算第t次的聚类中心Vt:
步骤G,判断当||Ut-Ut-1||≤ε或者||Vt-Vt-1||≤ε时,终止迭代并输出对应的Ut、Tt、Vt;其中,ε为预设的最大误差;
步骤H,令t=t+1,
步骤I,判断当赋值后的t大于最大迭代次数时,终止迭代并输出对应的Ut、Tt、Vt;否则,返回步骤D继续执行直至终止迭代。
本发明的另一目的在于提供一种基于神经网络的模式识别系统的识别程序实现所述的基于神经网络的模式识别系统的识别方法。
本发明的另一目的在于提供一种终端,所述终端搭载实现所述基于神经网络的模式识别系统的识别方法的处理器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于神经网络的模式识别系统的识别方法。
本发明的另一目的在于提供一种基于神经网络的模式识别系统,包括:
信号采集模块,与主控模块连接,用于通过信号采集芯片采集故障信号数据;
数据输入模块,与主控模块连接,用于通过输入设备输入样本数据;
主控模块,与信号采集模块、数据输入模块、神经网络模型构建模块、神经元数据处理模块、识别模块、信息融合模块、数据存储模块、输出显示模块连接,用于通过单片机控制各个模块正常工作;
神经网络模型构建模块,与主控模块连接,用于通过神经网络构建程序构建神经网络模型;
神经元数据处理模块,与主控模块连接,用于通过感知器判别函数程序对产品的信号特征进行模式判定处理;
识别模块,与主控模块连接,用于通过识别程序对判定的数据进行识别;
信息融合模块,与主控模块连接,用于通过证据融合程序对信息进行融合;
数据存储模块,与主控模块连接,用于通过存储器存储采集的故障信号数据、输入样本数据;
输出显示模块,与主控模块连接,用于通过显示器显示输出的神经网络模式识别结果。
本发明的另一目的在于提供一种搭载所述基于神经网络的模式识别系统的基于神经网络的模式识别设备。
本发明的优点及积极效果为:
本发明是定义了一种新型的种基于神经网络的模式识别系统及识别方法,并且基于该神经网络模型对产品的信号特征进行模式判定,进行网络模式的识别,兼顾样本量有限以及精度要求高的特点,基于证据理论和神经网络模型,证据理论的基本信任分配函数用来度量神经网络训练过程中的不确定性,并且利用证据融合法则进行信息的融合,证据神经网络能够有效地提高故障模式识别的精度。
通过神经网络模型构建模块由于对原始数据进行了随机相位加密,且加密后得到的训练数据输入到深度神经网络模型中,得到的输出结果是与原始数据进行比对的,因此该模型为能够破解随机相位加密的解密模型,解决了缺少能破解随机相位加密的算法模型的技术问题;同时,通过识别模块对输入的训练数据进行特征提取,通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型,从而针对核可能性模糊C均值(KPFCM)算法存在的核函数的参数设置固定,不能充分利用特征数据自身的分布特点,聚类结果很难达到最优的缺陷,提出了自适应的核可能性模糊C均值聚类算法,这样能够根据特征数据的分布状况自适应调整核函数的参数,实现对特征数据更优的聚类,有效提高聚类性能。
附图说明
图1是本发明实施例提供的基于神经网络的模式识别系统的识别方法流程图。
图2是本发明实施例提供的基于神经网络的模式识别系统结构框图。
图中:1、信号采集模块;2、数据输入模块;3、主控模块;4、神经网络模型构建模块;5、神经元数据处理模块;6、识别模块;7、信息融合模块;8、数据存储模块;9、输出显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的基于神经网络的模式识别系统的识别方法包括以下步骤:
S101,通过信号采集模块利用信号采集芯片采集故障信号数据;通过数据输入模块利用输入设备输入样本数据。
S102,主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型。
S103,通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理。
S104,通过识别模块利用识别程序对判定的数据进行识别;通过信息融合模块利用证据融合程序对信息进行融合。
S105,通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据。
S106,通过输出显示模块利用显示器显示输出的神经网络模式识别结果。
如图2所示,本发明实施例提供的基于神经网络的模式识别系统包括:信号采集模块1、数据输入模块2、主控模块3、神经网络模型构建模块4、神经元数据处理模块5、识别模块6、信息融合模块7、数据存储模块8、输出显示模块9。
信号采集模块1,与主控模块3连接,用于通过信号采集芯片采集故障信号数据;
数据输入模块2,与主控模块3连接,用于通过输入设备输入样本数据;
主控模块3,与信号采集模块1、数据输入模块2、神经网络模型构建模块4、神经元数据处理模块5、识别模块6、信息融合模块7、数据存储模块8、输出显示模块9连接,用于通过单片机控制各个模块正常工作;
神经网络模型构建模块4,与主控模块3连接,用于通过神经网络构建程序构建神经网络模型;
神经元数据处理模块5,与主控模块3连接,用于通过感知器判别函数程序对产品的信号特征进行模式判定处理;
识别模块6,与主控模块3连接,用于通过识别程序对判定的数据进行识别;
信息融合模块7,与主控模块3连接,用于通过证据融合程序对信息进行融合;
数据存储模块8,与主控模块3连接,用于通过存储器存储采集的故障信号数据、输入样本数据;
输出显示模块9,与主控模块3连接,用于通过显示器显示输出的神经网络模式识别结果。
本发明提供的神经网络模型构建模块4构建方法如下:
(1)对多组原始数据进行随机相位加密得到训练数据;
(2)利用所述训练数据训练第i-1深度神经网络模型,得到第i深度神经网络模型,及所述训练数据输入所述第i深度神经网络模型后的第i输出结果,并将所述第i输出结果与所述训练数据对应的原始数据进行比对,得到第i比对结果,所述i的初始值为1,且第0深度神经网络模型为初始模型;
(3)当所述第i比对结果满足预设收敛条件时,确定所述第i深度神经网络模型为构建的深度神经网络模型;
(4)当所述第i比对结果不满足所述预设收敛条件时,令i=i+1,返回执行所述步骤(2)。
本发明提供的步骤(2)具体包括以下步骤:
A、将所述训练数据输入第i-1深度神经网络模型中,使所述训练数据在第一重塑层进行数组重塑,输出第一重塑数据,所述第i-1深度神经网络模型包括所述第一重塑层、三层隐藏层、输出层和第二重塑层;
B、所述第一重塑数据输入由若干神经元组成的三层所述隐藏层,并输入所述输出层输出处理数据,所述处理数据输入所述第二重塑层进行数组重塑,输出第二重塑数据,所述神经元的激活函数为线性整流函数,且所述隐藏层中的神经元个数与所述第一重塑数据的格式对应,所述第二重塑数据为所述训练数据输入所述第i-1深度神经网络模型后的第i-1输出结果,且所述第二重塑数据的格式与所述训练数据的格式相同;
C、基于均方差函数与随机梯度下降函数,对所述第二重塑数据与所述训练数据对应的原始数据进行比对,得到比对结果,利用所述比对结果优化更新所述第i-1深度神经网络模型,得到第i深度神经网络模型。
本发明提供的步骤(3)之后还包括以下步骤:
对多组原始数据进行随机相位加密得到测试数据;所述测试数据输入构建的所述深度神经网络模型,得到测试输出结果,并计算所述测试输出结果与所述测试数据对应的原始数据之间的相关度;
当所述相关度大于等于预设相关系数时,确定所述深度神经网络模型为正确的解密模型;
当所述相关度小于所述预设相关系数时,返回执行所述步骤(1)。
本发明提供的识别模块6识别方法如下:
1)对输入的训练数据进行特征提取,通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库;
2)对输入的测试数据进行相同特征提取后得到测试特征向量,将测试特征向量与所述参考模型数据库中各参考模型模式匹配,得到模式识别结果。
本发明提供的通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型包括:
将得到的包含N个训练特征向量的集合{xk}划分为C个子集,其中,k=1,…,N,xk为M维向量,1<C<N,
求出每个子集的聚类中心,使得下列目标函数最小:
且满足下列约束条件一和二:
条件一,条件二,
其中,uik∈U表示第k个特征向量对第i类的隶属度;tik∈T表示集合xk属于第i类的典型值;m,η>1为模糊加权指数;a,b>0为权重系数;vi∈V为聚类中心;系数γi>0。
本发明提供的通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型具体包括:
步骤A,计算初始聚类中心V0;
步骤B,根据公式(2)和(3)计算高斯核函数的带宽参数σ:
步骤C,根据预定公式计算γi;
步骤D,令t=1;
步骤E,根据公式(4)和(5),计算在第t次迭代时高斯核函数的带宽参数σt:
步骤F,根据第t-1次的聚类中心Vt-1和下列公式(6)计算第t次第k个特征向量对第i类的隶属度Ut:
根据第t-1次的聚类中心Vt-1和下列公式(7)计算第t次集合xk属于第i类的典型值Tt:
根据第t-1次的聚类中心Vt-1和Ut、Tt、下列公式(8)计算第t次的聚类中心Vt:
步骤G,判断当||Ut-Ut-1||≤ε或者||Vt-Vt-1||≤ε时,终止迭代并输出对应的Ut、Tt、Vt;其中,ε为预设的最大误差;
步骤H,令t=t+1,
步骤I,判断当赋值后的t大于最大迭代次数时,终止迭代并输出对应的Ut、Tt、Vt;否则,返回步骤D继续执行直至终止迭代。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于神经网络的模式识别系统的识别方法,其特征在于,所述基于神经网络的模式识别系统的识别方法包括以下步骤:
步骤一,通过信号采集模块利用信号采集芯片采集故障信号数据;通过数据输入模块利用输入设备输入样本数据;
步骤二,主控模块通过神经网络模型构建模块利用神经网络构建程序构建神经网络模型;构建神经网络模型中,对多组原始数据进行随机相位加密得到训练数据;利用所述训练数据训练第i-1深度神经网络模型,得到第i深度神经网络模型,及所述训练数据输入所述第i深度神经网络模型后的第i输出结果,并将所述第i输出结果与所述训练数据对应的原始数据进行比对,得到第i比对结果,所述i的初始值为1,且第0深度神经网络模型为初始模型;当所述第i比对结果满足预设收敛条件时,确定所述第i深度神经网络模型为构建的深度神经网络模型;当所述第i比对结果不满足所述预设收敛条件时,令i=i+1,返回执行所述利用所述训练数据训练第i-1深度神经网络模型步骤;
步骤三,通过神经元数据处理模块利用感知器判别函数程序对产品的信号特征进行模式判定处理;
步骤四,通过识别模块利用识别程序对判定的数据进行识别;识别中,对输入的训练数据进行特征提取,通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型并保存至参考模型数据库;
对输入的测试数据进行相同特征提取后得到测试特征向量,将测试特征向量与所述参考模型数据库中各参考模型模式匹配,得到模式识别结果;
通过信息融合模块利用证据融合程序对信息进行融合;
步骤五,通过数据存储模块利用存储器存储采集的故障信号数据、输入样本数据;
步骤六,通过输出显示模块利用显示器显示输出的神经网络模式识别结果。
2.如权利要求1所述基于神经网络的模式识别系统的识别方法,其特征在于,利用所述训练数据训练第i-1深度神经网络模型,得到第i深度神经网络模型,及所述训练数据输入所述第i深度神经网络模型后的第i输出结果,并将所述第i输出结果与所述训练数据对应的原始数据进行比对,得到第i比对结果,所述i的初始值为1,且第0深度神经网络模型为初始模型,具体包括以下步骤:
A、将所述训练数据输入第i-1深度神经网络模型中,使所述训练数据在第一重塑层进行数组重塑,输出第一重塑数据,所述第i-1深度神经网络模型包括所述第一重塑层、三层隐藏层、输出层和第二重塑层;
B、所述第一重塑数据输入由若干神经元组成的三层所述隐藏层,并输入所述输出层输出处理数据,所述处理数据输入所述第二重塑层进行数组重塑,输出第二重塑数据,所述神经元的激活函数为线性整流函数,且所述隐藏层中的神经元个数与所述第一重塑数据的格式对应,所述第二重塑数据为所述训练数据输入所述第i-1深度神经网络模型后的第i-1输出结果,且所述第二重塑数据的格式与所述训练数据的格式相同;
C、基于均方差函数与随机梯度下降函数,对所述第二重塑数据与所述训练数据对应的原始数据进行比对,得到比对结果,利用所述比对结果优化更新所述第i-1深度神经网络模型,得到第i深度神经网络模型。
3.如权利要求1所述基于神经网络的模式识别系统的识别方法,其特征在于,当所述第i比对结果满足预设收敛条件时,确定所述第i深度神经网络模型为构建的深度神经网络模型后还包括以下步骤:
对多组原始数据进行随机相位加密得到测试数据;所述测试数据输入构建的所述深度神经网络模型,得到测试输出结果,并计算所述测试输出结果与所述测试数据对应的原始数据之间的相关度;
当所述相关度大于等于预设相关系数时,确定所述深度神经网络模型为正确的解密模型;
当所述相关度小于所述预设相关系数时,返回执行所述对多组原始数据进行随机相位加密得到训练数据步骤。
4.如权利要求1所述基于神经网络的模式识别系统的识别方法,其特征在于,所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型包括:
将得到的包含N个训练特征向量的集合{xk}划分为C个子集,其中,k=1,…,N,xk为M维向量,1<C<N,
求出每个子集的聚类中心,使得下列目标函数最小:
且满足下列约束条件一和二:
条件一,条件二,
其中,uik∈U表示第k个特征向量对第i类的隶属度;tik∈T表示集合xk属于第i类的典型值;m,η>1为模糊加权指数;a,b>0为权重系数;vi∈V为聚类中心;系数γi>0。
5.如权利要求4所述的基于神经网络的模式识别系统的识别方法,其特征在于,所述通过自适应核可能性模糊C均值聚类算法进行聚类分析后建立参考模型具体包括:
步骤A,计算初始聚类中心V0;
步骤B,根据公式(2)和(3)计算高斯核函数的带宽参数σ:
步骤C,根据预定公式计算γi;
步骤D,令t=1;
步骤E,根据公式(4)和(5),计算在第t次迭代时高斯核函数的带宽参数σt:
步骤F,根据第t-1次的聚类中心Vt-1和下列公式(6)计算第t次第k个特征向量对第i类的隶属度Ut:
根据第t-1次的聚类中心Vt-1和下列公式(7)计算第t次集合xk属于第i类的典型值Tt:
根据第t-1次的聚类中心Vt-1和Ut、Tt、下列公式(8)计算第t次的聚类中心Vt:
步骤G,判断当||Ut-Ut-1||≤ε或者||Vt-Vt-1||≤ε时,终止迭代并输出对应的Ut、Tt、Vt;其中,ε为预设的最大误差;
步骤H,令t=t+1,
步骤I,判断当赋值后的t大于最大迭代次数时,终止迭代并输出对应的Ut、Tt、Vt;否则,返回步骤D继续执行直至终止迭代。
6.一种基于神经网络的模式识别系统的识别程序,应用于终端,其特征在于,所述基于神经网络的模式识别系统的识别程序实现权利要求1~5任意一项所述的基于神经网络的模式识别系统的识别方法。
7.一种终端,其特征在于,所述终端搭载实现权利要求1~5任意一项所述基于神经网络的模式识别系统的识别方法的处理器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于神经网络的模式识别系统的识别方法。
9.一种基于神经网络的模式识别系统,其特征在于,所述基于神经网络的模式识别系统包括:
信号采集模块,与主控模块连接,用于通过信号采集芯片采集故障信号数据;
数据输入模块,与主控模块连接,用于通过输入设备输入样本数据;
主控模块,与信号采集模块、数据输入模块、神经网络模型构建模块、神经元数据处理模块、识别模块、信息融合模块、数据存储模块、输出显示模块连接,用于通过单片机控制各个模块正常工作;
神经网络模型构建模块,与主控模块连接,用于通过神经网络构建程序构建神经网络模型;
神经元数据处理模块,与主控模块连接,用于通过感知器判别函数程序对产品的信号特征进行模式判定处理;
识别模块,与主控模块连接,用于通过识别程序对判定的数据进行识别;
信息融合模块,与主控模块连接,用于通过证据融合程序对信息进行融合;
数据存储模块,与主控模块连接,用于通过存储器存储采集的故障信号数据、输入样本数据;
输出显示模块,与主控模块连接,用于通过显示器显示输出的神经网络模式识别结果。
10.一种搭载权利要求9所述基于神经网络的模式识别系统的基于神经网络的模式识别设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287547.7A CN110008914A (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的模式识别系统及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910287547.7A CN110008914A (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的模式识别系统及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110008914A true CN110008914A (zh) | 2019-07-12 |
Family
ID=67170987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910287547.7A Pending CN110008914A (zh) | 2019-04-11 | 2019-04-11 | 一种基于神经网络的模式识别系统及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008914A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112507624A (zh) * | 2020-12-15 | 2021-03-16 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
CN112650392A (zh) * | 2020-12-23 | 2021-04-13 | 航天时代电子技术股份有限公司 | 构建基于多源生物信息确定控制指令的模型的方法 |
CN112800045A (zh) * | 2021-02-23 | 2021-05-14 | 青岛海科虚拟现实研究院 | 一种基于大数据的数据信息分析系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN108154186A (zh) * | 2017-12-29 | 2018-06-12 | 青岛真时科技有限公司 | 一种模式识别方法和装置 |
CN108362510A (zh) * | 2017-11-30 | 2018-08-03 | 中国航空综合技术研究所 | 一种基于证据神经网络模型的机械产品故障模式识别方法 |
CN108921282A (zh) * | 2018-05-16 | 2018-11-30 | 深圳大学 | 一种深度神经网络模型的构建方法和装置 |
CN108960300A (zh) * | 2018-06-20 | 2018-12-07 | 北京工业大学 | 一种基于深度神经网络的城市土地利用信息分析方法 |
-
2019
- 2019-04-11 CN CN201910287547.7A patent/CN110008914A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105372087A (zh) * | 2015-11-30 | 2016-03-02 | 南通大学 | 基于多传感器信号分析的故障诊断方法 |
CN108362510A (zh) * | 2017-11-30 | 2018-08-03 | 中国航空综合技术研究所 | 一种基于证据神经网络模型的机械产品故障模式识别方法 |
CN108154186A (zh) * | 2017-12-29 | 2018-06-12 | 青岛真时科技有限公司 | 一种模式识别方法和装置 |
CN108921282A (zh) * | 2018-05-16 | 2018-11-30 | 深圳大学 | 一种深度神经网络模型的构建方法和装置 |
CN108960300A (zh) * | 2018-06-20 | 2018-12-07 | 北京工业大学 | 一种基于深度神经网络的城市土地利用信息分析方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112610903A (zh) * | 2020-12-10 | 2021-04-06 | 合肥学院 | 一种基于深度神经网络模型的给水管网泄漏定位方法 |
CN112507624A (zh) * | 2020-12-15 | 2021-03-16 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
CN112507624B (zh) * | 2020-12-15 | 2023-11-10 | 交通运输部公路科学研究所 | 一种城际公路出行方式识别模型构建、识别方法及装置 |
CN112650392A (zh) * | 2020-12-23 | 2021-04-13 | 航天时代电子技术股份有限公司 | 构建基于多源生物信息确定控制指令的模型的方法 |
CN112800045A (zh) * | 2021-02-23 | 2021-05-14 | 青岛海科虚拟现实研究院 | 一种基于大数据的数据信息分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008914A (zh) | 一种基于神经网络的模式识别系统及识别方法 | |
WO2021109578A1 (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
CN108805193B (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
TW200949596A (en) | Server and system and method for automatic virtual metrology | |
CN112910711B (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
CN110224862B (zh) | 基于多层感知器的多智能体系统网络容侵能力评估方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN109034232B (zh) | 城市规划条件核实成果报告的自动化输出系统及控制方法 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN114692665A (zh) | 基于度量学习的辐射源开集个体识别方法 | |
CN114332545A (zh) | 一种基于低比特脉冲神经网络的图像数据分类方法和装置 | |
CN110334478A (zh) | 机器设备异常检测模型构建方法、检测方法及模型 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
Lee et al. | A new intelligent SOFM-based sampling plan for advanced process control | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
CN116094758B (zh) | 一种大规模网络流量采集方法及系统 | |
CN110673577A (zh) | 一种复杂化工生产过程的分布式监控与故障诊断方法 | |
CN109978138A (zh) | 基于深度强化学习的结构可靠度抽样方法 | |
CN116150687A (zh) | 一种基于多分类g-wlstsvm模型的流体管道泄漏识别方法 | |
CN108921278B (zh) | 一种水表检定装置的台位差计算方法 | |
CN115392102A (zh) | 能耗预测模型的建立方法及装置、能耗预测方法及系统 | |
CN113128615A (zh) | 基于pca的bp神经网络对信息安全的检测系统、方法、应用 | |
Xiao-Xu et al. | An intelligent inspection robot of power distribution network based on image automatic recognition system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |
|
RJ01 | Rejection of invention patent application after publication |