基于深度学习的光纤麦克风频带扩展

光纤麦克风具有体积小、精度高、抗干扰能力强等优点,能在复杂环境下拾取目标语音.然而,在采集语音过程中,光纤麦克风受响应带宽限制,出现了高频成分缺失情况,进而降低语音短时客观可懂度(short-time objective intelligibility,简称STOI)和信噪比(signal-to-noise ratio,简称SNR).将时间卷积模块(temporal convolutional module,简称TCM)引入Wave-U-Net,提出TCM_Wave-U-Net.在此基础上,提出频域卷积递归神经网络(convolutional recurrent neural networks,简称CRN)与时域TCM_Wave-U-Net协同的网络(简称协同网络).实验结果表明:协同网络具有较强的泛化性和鲁棒性.该文研究结果为光纤麦克风的语音保真拾取奠定了基础.

用Matlab中的Neural Network Toolbox仿真赤道东太平洋SST的预报模型

基于NCEP/NCAR再分析资料和COADS海洋资料中的全球月平均海平面气压场、850hPa纬向风场及海表温度场 ,利用Matlab中的NeuralNetworkToolbox仿真环境和BP模型改进算法比较准确地仿真和反演出了南方涛动指数、赤道纬向风指数和滞后的赤道东太平洋海温之间的动力结构和预报模型。该模型具有很好的拟合精度和可行的预报效果 ,可在一定时效内预测赤道东太平洋月平均海温的变化趋势。由于所建系统是具有直接因果关系的预报模型 ,因此不仅可直接用于预测 。

基于深度学习的语音处理实时性优化

针对基于深度学习的语音处理系统在实时性方面面临的挑战,提出一种连接剪枝的优化方法,旨在提高语音识别的实时性。通过深入研究基于深度学习的语音识别系统的基本原理,引入连接剪枝的方法对循环神经网络(Recurrent Neural Network,RNN)进行实时性方面的优化。采用Libri Speech数据集对优化方法和传统方法进行对比实验,结果表明优化方法能够有效提高模型的识别准确性和运行效率。

Spatial interpolation method based on integrated RBF neural networks for estimating heavy metals in soil of a mountain region

A novel spatial interpolation method based on integrated radial basis function artificial neural networks （IRBFANNs） is proposed to provide accurate and stable predictions of heavy metals concentrations in soil at un- sampled sites in a mountain region. The IRBFANNs hybridize the advantages of the artificial neural networks and the neural networks integration approach. Three experimental projects under different sampling densities are carried out to study the performance of the proposed IRBFANNs-based interpolation method. This novel method is compared with six peer spatial interpolation methods based on the root mean square error and visual evaluation of the distribution maps of Mn elements. The experimental results show that the proposed method performs better in accuracy and stability. Moreover, the proposed method can provide more details in the spatial distribution maps than the compared interpolation methods in the cases of sparse sampling density.

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30min的预测精度,而对提前量为1h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。

基于风险神经网络的大气能见度预测

针对空气污染导致大气能见度降低的预测研究,构建了一个风险神经网络模型,模型以6个气象因子、3种主要污染物（SO2,NO2,PM10）浓度和能见度作为输入因子,输出为24h后能见度的预测值.该模型对低能见度情况的数据给予相对较高的风险值,而对高能见度情况的数据则给予相对较低的风险值.以天津市2003-2007年的气象数据对模型进行检验,结果表明该风险神经网络模型优于传统神经网络模型和线性回归模型.

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。

地铁隧道土体参数敏感性分析与正交反演

以郑州地铁工程为依托,现场监测数据为依据,采用敏感分析和数值模拟相结合的研究方法进行地铁盾构隧道土体力学参数的反演分析。利用MATLAB神经网络工具箱计算平台,计算分析土体变形量与其对应的力学参数之间的非线性关系,构建BP神经网络的训练结构;以地表竖向监测位移为输入样本值,对土体力学参数进行位移反分析。研究结果表明:影响地表变形的主要土体力学参数敏感度依次为内摩擦角(φ)、弹性模量(E)、内聚力(C)、泊松比(μ)。应用FLAC3D软件模拟分析地铁区间隧道盾构施工过程的力学特征,并将其成果作为反演分析的样本数集;杂填土层弹性模量E1为7.60 MPa,内摩擦角φ1为22.5°;粉土层弹性模量E2为19.68 MPa,内摩擦角φ2为27.7°;粉质黏土层弹性模量E3为12.98 MPa,内摩擦角φ3为19.5°。现场应用证明了该方法的有效合理性。

基于TOPSIS和BP神经网络的高标准农田综合识别

为提高耕地综合生产能力,适应农业现代化发展需求,我国提出了高标准农田建设的重大战略部署。高标准农田的识别是建设前选址和建设后评价的基础。本文以耕地图斑为基本单元,融合遥感影像等多源数据,从本底条件、空间形态、建设水平、生态防护等方面,构建农田综合质量多特性表征体系,采用逼近理想点排序法(TOPSIS)进行初步评价,再以人机交互的方式选取各质量等级农田的真值样本,进一步采用BP神经网络算法修正各特性权值,得到农田综合质量的精确评价结果,实现高标准农田识别。以吉林省大安市为研究区,研究结果表明:基于多特性表征体系的农田综合质量评价方法精度达到96%以上;研究区高标准农田面积广大,主要分布在耕地集中连片、道路通达、生态防护良好、具有农业现代化生产优势的东北部、中北部、西北部边缘和部分南部区域;当地已备案的高标准农田和未备案、有潜力的高质量农田区域均得到有效识别。

基于人工神经网络的降雨径流模拟研究

针对水库径流难以预测的问题,采用改进的动量-自适应学习率调整BP神经网络方法,以南告水库作为研究对象,对水库的日资料进行径流模拟,并对该模型在径流模拟中的方法和难点问题进行分析和探讨。改进的BP模型模拟的结果与三水源新安江模型的模拟结果相比较,探讨改进的BP模型应用于水文模拟的可行性。研究结果表明,改进的BP模型用于水文模拟是可行的。

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。

基于诱发因素响应分析的滑坡位移预测模型研究

滑坡位移的变化除与其基础地质条件相关之外,更取决于诱发因素的动态作用。为建立滑坡位移动态变化与诱因变化的响应关系,采用时间序列分解预测模型,通过移动平均法将位移分解为趋势项及周期项。趋势项位移由边坡的势能和约束条件所决定,利用多项式位移函数进行拟合预测。周期项位移受库水位涨落和降雨等诱因的周期性动态作用而变化,选取当前月降雨量、累计前两月降雨量、月库水位高程变化量及年内总位移累计增量为影响因子,利用BP神经网络进行多变量位移预测。将各分项位移预测值叠加,从而得到总位移预测值。以三峡库区白水河滑坡为例,利用位移、降雨及库水位变化数据进行计算验证。结果表明,基于滑坡诱发因素和位移变化综合分析预测模型,可以较好地反映诱因动态变化对滑坡位移发展的关键作用,提高预测结果的精度和有效性。

煤的工业分析至元素分析的BP神经网络预测模型

以大量煤质分析数据为基础，建立了利用煤工业分析数据（ 包括水份、灰份、挥发份及热值） 计算元素分析数据的ＢＰ神经网络预测模型，并将该模型与现有经验公式进行了比较，结果表明神经网络模型有很好的推广能力。

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标，在分析现有识别指标的基础上，提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标，并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报，其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。

基于GA-BP算法的隧道围岩力学参数反分析

建立智能位移反分析系统,用其确定隧道围岩的力学参数.针对BP神经网络易陷入局部极小值和训练时间过长等缺点,利用遗传算法全局寻优能力优化BP神经网络的权值和阈值.结合均匀设计法在围岩力学参数初始域范围内设计实验方案,这样不仅减少了迭代时间和次数,还提高了预测精度.通过对绿春坝隧道围岩力学参数的反演,验证了该方法的可靠性及适用性.将反演得出的围岩力学参数代入到数值模型中进行计算,结果表明,数值计算值与现场实际监测值的误差分别为-8.9%和4.5%.

南方塑料大棚冬春季温湿度的神经网络模拟

利用浙江省慈溪市草莓塑料大棚和南京信息工程大学农业气象试验站番茄塑料大棚的小气候观测数据及气象站资料,建立3个以棚外辐射、温度、相对湿度和风速为输入变量,棚内温度和相对湿度为输出变量的BP神经网络预测模型。结果表明,3个模型气温训练值与实测值的均方根误差(RMSE)都在2℃以内,相对误差都在4%左右;相对湿度训练值的RMSE都在7个百分点以内,相对误差不超过7%。利用此模型得到的气温预测值与实测值的RMSE都在2℃左右,冬季气温的相对误差较大,春季通风和不通风模型气温的相对误差不超过6%;相对湿度预测值的RMSE都在7个百分点以内,相对误差不超过9%。说明所建BP神经网络模型对于不同季节、不同通风条件、不同作物的大棚温湿度模拟都有较高的精度,能够满足棚内温湿度的预测要求,且对温度的模拟精度高于对相对湿度的模拟。

用于暂态稳定评估的人工神经网络输入特征离散化方法

针对基于人工神经网络的暂态稳定评估数据预处理中的数据离散化进行了深入的研究,提出了一种基于信息熵和粗糙集理论的输入特征离散化新方法:通过对样本空间的聚类分析筛选出各条件属性在离散化过程中的可用断点;利用信息熵的相关概念,构建各条件属性的候选断点集;采用粗糙集理论中决策表不相容度的概念,检测出各条件属性间的最优断点组合。算例表明:该方法在保证暂态稳定评估精度的前提下,能有效地压缩训练样本集,减轻神经网络的训练负担,为基于神经网络的大系统暂态稳定评估提供了新思路。

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。

改进Madaline学习算法预测蛋白质二级结构

通过对Ｍａｄａｌｉｎｅ深入研究，同时结合蛋白质一级结构由局部编码方案获得的输入输出编码的特性，对Ｍａｄａｌｉｎｅ网络作了改进：删除了训练和预测过程中的部分乘法和加法运算以缩短训练学习和预测时间；以非线性作用函数代替原来的线性作用函数以提高其预测精度。通过对３１个蛋白质共５７２０个氨基酸残基的训练学习，预测了９个蛋白质共１０９１个氨基酸残基，结果表明：与经典Ｍａｄａｌｉｎｅ网络相比，改进Ｍａｄａｌｉｎｅ的训练学习速度提高了１４倍；其平均精度也由原来的６０．６１％提高到６３．０５％。

基于深度学习的离心泵空化状态识别

空化状态识别是离心泵状态监测的难点之一,为了提高空化状态识别的效果,提出了一种基于深度学习的离心泵空化状态识别方法。首先,采集了在3种工况下泵壳的振动信号,分别构建了振动信号的改进倍频带特征矩阵和时频特征矩阵;然后,基于自动编码器构建了深度学习网络,通过无监督训练自动学习输入数据的特征,利用监督训练对网络的参数进行了调整;最后,运用深度学习网络,对离心泵的4类空化状态进行了分类识别。研究表明,无论是基于改进倍频带特征矩阵还是基于时频特征矩阵,深度学习网络对4类空化状态都有很好的识别效果,尤其是对于弱空化状态,深度学习网络比BP神经网络更有效。