基于双阈值的ANN-SNN转换方法优化

脉冲神经网络作为第三代神经网络,能够克服许多人工神经网络中所存在的问题,如高功耗、鲁棒性较差等;通过对预训练好的人工神经网络模型进行转换是获取深度脉冲神经网络模型的一种主要方法,然而通过这种方法获取的脉冲神经网络的延迟较高,无法满足实时性要求;文章在双阈值转换方法的基础上,采用阈值平衡技术对转换过程进行优化,通过理论推导,提出了一种对称阈值LeakyReLU激活函数,并对人工神经网络到脉冲神经网络的转换流程进行了梳理;此外,采用了泄漏机制对转换后的脉冲神经网络模型结构进行了优化,并通过脉冲时序依赖可塑性学习规则对该结构进行训练;最终,在MNIST数据集与CIFAR-10数据集上进行了实验,结果表明,优化后脉冲神经网络的收敛速度与鲁棒性得到了大幅提升。

栅藻Desmodesmus sp.SNN1处理生活污水及油脂积累研究

利用生活污水培养微藻可去除污水中的氮、磷等污染物,有效缓解水体富营养化,生活污水培养微藻可以实现水质净化和生物质生产耦合。文章以前期筛选的栅藻Desmodesmus sp.SNN1为目标藻种,研究了初始pH、初始接种量等条件对生活污水处理及油脂积累的影响,并优化了培养条件。结果表明:栅藻Desmodesmus sp.SNN1处理生活污水最佳条件为初始pH=9.0、微藻初始接种量=0.6,在此条件下培养12 d后污水的化学需氧量、氨氮、总氮、总磷的去除率分别为47.98%、99.93%、97.29%和97.13%,最终生物量可达1.34 g/L;微藻生产油脂的最佳培养条件为初始pH=9.0、初始接种量=0.1,在优化条件下培养12 d后,油脂比例和油脂产量分别为29.54%、291.33 mg/L。

基于SNN-密度峰值聚类算法的商业用户典型负荷模式提取

对商业用户典型负荷进行精确、迅速、高效地提取及分类,是电网公司摸清商业用户用电行为和需求规律不可或缺的重要工作。大数据背景下传统聚类算法用于高维汇集、类簇结果差别大的商业用户负荷曲线时,存在截断距离选取困难、聚类效果不够清晰、负荷模式提取效率低等问题,为此,提出一个改善局部密度测量和聚类中心点选取的算法。首先,将数据预处理,剔除掉完整程度较低的负荷曲线;接着,运用PCA分析方法降低处理后的商业用户负荷曲线维度,并在构建样本点共享邻域集合的基础上利用改进SNN-DPC算法计算出距离矩阵,代替原算法的距离矩阵作为输入数据;然后在重新定义SNN相似度、样本局部密度ρ和距离最大密度点距离δ的算法计算基础上,利用拐点确认聚类中心,并完成对抽样曲线的聚类分析。总之,改进算法通过样本点之间的共享近邻定义样本的相似性,精准分析了一些多维异构的负荷数据,通过拐点实现了真实聚类中心点的确定,解决了主观意志择取聚类中心的问题,从而大幅度提升负荷聚类效果。算例结果表明:1)对于商业用户实测负荷数据集,所提算法能够更加准确选择聚类中心,运行效率高。2)相对于传统的算法,基于该改进算法所提出负荷模式识别模型可以更好地帮助电网公司分析用户的用电特性,验证了该模型针对不同商业用户典型负荷模式可以进行更加精确地识别。综上,所提策略在现实商业用户场景下存在效能优势。

一种基于网格框架下改进的多密度SNN聚类算法

针对数据集中数据分布密度不均匀以及存在噪声点,噪声点容易导致样本聚类时产生较大的偏差问题,提出一种基于网络框架下改进的多密度SNN聚类算法。网格化递归划分数据空间成密度不同的网格,对高密度网格单元作为类簇中心,利用网格相对密度差检测出在簇边界网格中包含噪声点;使用改进的SNN聚类算法计算边界网格内样本数据点的局部密度,通过数据密度特征分布对噪声点进行类簇分配,从而提高聚类算法的鲁棒性。在UCI高维的数据集上的实验结果表明,与传统的算法相比,该算法通过网格划分数据空间和局部密度峰值进行样本类簇分配,有效地平衡聚类效果和时间性能。

基于灰度纹理特征提取和CS-SNN的双初级永磁同步直线电机退磁故障诊断研究

引入一种基于图像形态学纹理特征提取与布谷鸟搜索优化脉冲神经网络(cuckoo search-spiking neural network,CS-SNN)算法相结合的方法,以解决双初级永磁同步直线电机(dual primary permanent magnet synchronous linear motor,DPPMSLM)退磁故障精细定量化诊断识别的问题。首先,根据DPPMSLM拓扑结构约束,通过有限元仿真提取电机气隙空间中三线磁密信号作为有效故障信号;其次,引入图像纹理分析的方法,将一维数据信号映射为二维灰度图像,再采用伽马矫正和边缘提取技术增强图像信息,以提取图像纹理特征组成故障特征向量;然后建立两级CS-SNN分类器实现退磁故障位置类型和严重程度的精确诊断分类;最后,通过退磁样机制作和实验平台验证,提出的新方法能够准确识别DPPMSLM退磁故障位置和严重程度,并具有良好的鲁棒性,是一种有效可行的方法。

ISNN:一种基于密度的高效增量聚类算法

目的提高算法效率,减少磁盘访问次数,提出一种基于密度的高效增量聚类算法ISNN.方法将更新对象的空间进行划分,定义了基于该划分的最近邻居概念,在此基础上应用一种剪枝策略来确定受影响对象的集合,数据更新时,只需要对受影响对象集合进行处理.结果受影响对象集合远小于原数据集合,显著地提高了算法效率.结论实验表明,ISNN在效率和磁盘访问次数上都显著优于SNN算法.

基于SNN核的景象匹配算法

提出一种基于核方法的下视等分辨率景象匹配算法.通过模拟电荷吸引模型,提出了计算不等维高维数据相似度的SNN核函数.将图像中的特征点映射到径向基向量(Radial basis vector,RBV)空间,利用SNN核函数计算两个特征点集的相似度及过渡矩阵.利用置换测试模块来增强SNN核的稳定性,以确保输出解的可靠性.实验证明,基于SNN核的景象匹配算法对图象畸变、噪声干扰与信号缺失具有很强的鲁棒性,并可保证高精度与高实时性.

基于SNN-LSTM的小样本数据下轴承故障诊断方法

基于深度学习的故障诊断方法的实现,需要用到大量的、有标注的训练样本,而在小样本数据下,采用这些方法会产生模型欠拟合问题,同时获得的分类准确率也较低。为了解决上述问题,提出了一种小样本数据下结合孪生神经网络(SNN)与长短时记忆网络(LSTM)的轴承故障诊断方法。首先,以一对带有正负标签的原始振动信号样本作为诊断方法的输入,采用比较二者相似度的方法,扩充了训练样本个数;然后,采用共享提取样本对特征网络参数的方法,完成了SNN的搭建过程;使用卷积层、池化层及LSTM层提取了原始振动信号的特征,通过计算二者之间的曼哈顿距离,判断输入样本对的相似度,对不同状态下的轴承完成了分类;最后,为了验证基于SNN-LSTM的故障诊断方法在轴承故障诊断中的有效性,通过轴承故障诊断实验,采集了在不同转速、不同状态下的轴承振动信号数据。研究结果表明:当样本数量仅为140个,采用基于SNN-LSTM的故障诊断方法的准确率达到80.57%,相比于深度学习经典方法,在小样本数据下采用该方法具有更高的诊断准确率。

小样本下基于决策树-SNN的恶意流量检测方法

针对目前小样本下的恶意流量检测方法存在准确度低、特征提取不足和模型过拟合问题,提出了一种小样本下基于改进决策树-孪生神经网络的恶意流量检测算法。为了降低小样本下多分类任务的难度,利用类间中心距离构建二叉决策树将多分类问题转换为二分类问题。将孪生神经网络的对比分支设计为三支一维卷积神经网络并行的结构来解决小样本下特征提取不足问题。引入了通过池化策略和一维卷积操作优化的SE(squeeze-andexcitation)模块,以减少小样本下模型过拟合问题。通过对比样本的相似度实现了恶意流量检测。实验结果表明,所提方法在小样本下的恶意流量检测问题上具有良好的效果。

基于联合权重超图划分的SNN负载均衡方法

大规模脉冲神经网络并行模拟是探究大脑机能的重要手段。其难点在于合理地将负载映射到并行分布式平台上,提升模拟速度。为解决该问题,提出一种基于联合权重超图划分的SNN负载均衡方法,解决并行计算中进程间计算负载与通信负载的均衡问题,提高SNN模拟速度,并使用稀疏通信的方式替代集体通信,解决事件通信过程中的数据冗余问题,提升通信效率。实验结果表明,该方法使带有STDP突触20%规模的皮质层微电路模型的模拟时间,比标准循环分配算法缩短约64.5%,比普通超图分配算法缩短约57.4%,同时事件通信数据量减少了90%以上。

基于SNN-AP聚类的扩展目标量测集划分方法

针对杂波环境下且量测密度差别较大的多扩展目标量测集划分问题,引入近邻传播聚类技术,提出了一种新的量测集划分算法。该算法首先采用局部异常因子检测对量测为杂波的程度进行度量,通过设定阈值的方法进行杂波滤除;同时对于目标量测密度差别较大的问题,引入一种基于共享最近邻的相似度度量方法;考虑了周围量测的影响,通过迭代传递两个信息量逐步寻找聚类中心,避免了对初始聚类个数的选择。仿真实验表明,与传统量测集划分算法相比,所提算法在保证扩展目标跟踪性能的同时,有效减少了算法的运算时间。

IncSNN——一种基于密度的增量聚类算法

基于密度的聚类算法是一类重要的聚类算法,能发现任意形状的簇,但由于它的时间复杂度较高,因此设计有效的增量更新算法是一个重要研究方向.在SNN算法的基础上,提出一种基于密度的增量聚类算法-IncSNN.该算法将所更新对象的空间进行划分,定义了基于该划分的最近邻居的概念,进而确定了受影响对象的集合,当算法更新时,只需要对受影响的数据进行处理.由于受影响对象的集合远小于原数据集合,因此显著提高了算法的效率.实验结果验证了IncSNN的有效性.

基于SNNs-RR的聚丙烯熔融指数软测量

提出了一种组合神经网络-岭回归(SNNs-RR)建模方法,并将该方法应用于聚丙烯熔融指数软测量研究中。通过多个单一神经网络的合理组合可显著改善神经网络模型的泛化能力,而选择合适的组合权重对组合神经网络模型是否具有良好预测性能是至关重要的,因此提出了采用岭回归方法来选择合适的组合权重。通过与单一神经网络模型的预测结果进行比较,表明基于SNNs-RR的聚丙烯熔融指数软测量模型具有更佳的预测精度和鲁棒性。

VMD-PE协同SNN的输电线路故障辨识方法

针对输电线路短路故障危害大、故障辨识率较低等问题,提出一种结合变分模态分解排列熵(VMD-PE)与孪生神经网络(SNN)的故障辨识方法,利用瞬时频率均值对VMD进行参数优化,确定分解层数K,通过VMD分解故障时的三相电压,计算分解后每个分量的排列熵,将其作为故障特征量;将故障特征输入到训练好的SNN中进行相似性度量,比较两个输入样本之间的相似程度,判别出输电线路短路故障类型。通过仿真实验验证了该方法的可行性,并与其他分类方法相对比,证明了该方法的准确性和优越性。

SNN算法在测量信息处理中的应用

针对协同神经网络SNN具有自组织、自学习、联想记忆和自寻优等特点,提出将SNN算法应用于测量信息处理的新方法。仿真实验表明,应用SNN算法处理存在的噪声干扰和数据残缺等测量信息问题的效果良好。

基于局部密度和相似度的自适应SNN算法

在近邻算法中,近邻样本和目标样本之间的绝对距离和相似性为目标样本类别的判断提供重要的决策依据,K值的大小也会直接决定了近邻算法的预测效果。然而,SNN算法在预测过程中,使用固定的经验K值来预测不同局部密度的目标样本,具有一定的片面性。因此,为实现SNN算法中K值的合理调节,提高算法的预测准确度和稳定性,提出一种基于局部密度和相似度的自适应SNN算法(AK-SNN)。算法的性能在UCI数据集上进行验证,结果显示该算法取得优于KNN和SNN的预测效果和鲁棒性。

SWAM:SNN工作负载自动映射器

为了满足大规模脉冲神经网络(SNN)的计算需求,类脑计算系统通常需要采用大规模并行计算平台。因此,如何快速为SNN工作负载确定合理的计算节点数(即如何把工作负载合理映射到计算平台上)以获得最佳的性能、功耗等指标就成为类脑计算系统需解决的关键问题之一。首先分析了SNN工作负载特性并为其建立起计算模型;然后针对NEST类脑仿真器,进一步实例化了SNN的内存、计算和通信负载模型;最终设计并实现了一种基于NEST的SNN工作负载自动映射器(SWAM)。SWAM可以自动计算出映射结果并完成映射,避免了极其耗时的工作负载映射手动试探过程。在ARM+FPGA、纯ARM、PC集群三种不同的计算平台上运行SNN典型应用,并比较SWAM、LM算法拟合和实测的映射结果。实验结果表明:SWAM的平均映射准确率达到98.833%,与LM方法与实测映射相比,SWAM具有绝对的时间代价优势。

γ′-Fe_3SnN的制备与穆斯堡尔谱研究

热处理 (Fe0 .75Sn0 .2 5) C2 O4 · n H2 O可制得单相氮化物γ′- Fe3 Sn N,其中氮化前的氧化过程、热处理温度和 H2 / NH3 气流比是影响产物的 3个关键因素 .此氮化物的晶格参数为 a =0 .38371(5) nm;室温下 57Fe穆斯堡尔谱为顺磁双峰 。

基于预测模型的SNN控制在湿法脱硫中的应用

针对目前燃煤电厂湿法脱硫动态特性具有大迟延、大惯性、时变、非线性等特点,且系统自动控制投运率低的现状,该文设计了一种基于预测模型的单节点神经网络(SNN)控制算法,将单节点神经网络结构控制器与传统的PID控制规律相融合,既具有了自学习和自适应的特点,也弥补了常规PID参数不能在线调整带来的弊端。同时加入预测控制,将系统未来的输出值提前反馈到控制器,对过程纯滞后特性具有明显的补偿效果,提高系统的稳定性和鲁棒性。结合某300 MW CFB机组炉外湿法脱硫系统数学模型进行控制仿真。结果表明,该控制算法相对于传统PID控制不仅超调量小、调节时间短、而且能有效解决模型参数改变和扰动带来的不稳定性,具有较强的适应性和抗干扰能力。

基于动态网格密度的SNN聚类的ET-GM-PHD滤波算法

针对不同扩展目标产生的量测密度差异较大时,多扩展目标高斯混合概率假设密度(ET-GM-PHD)量测集划分困难,计算量繁重的问题,提出了一种基于动态网格密度的SNN相似度的量测划分算法。首先利用动态网格技术对量测数据进行预处理,减小量测中的杂波干扰;而后采用共享最近邻(SNN)相似度对处理后的观测值进行量测划分。经过仿真结果分析,文中提出的算法相较于传统算法,减少了运行时间,提升了跟踪的稳定性。