一种基于残差MLP的多模态点云分类网络

针对PCT等先进点云算法存在模态单一、特征提取器复杂、参数量大、计算效率低等问题,提出一种精简快速的多模态点云分类网络Res-CLIP。将ResMLP-PC与CLIP结合,通过学习多模态信息提高主干网络性能和迁移学习能力,使用残差MLP提高算法效率;将仿射变换模块融入主干网络提高算法精度。排水管道缺陷数据集实验结果表明:与PCT等算法相比,ResMLP-PC算法的精确率、召回率均有提升,且参数量减少近50%,检测速度提升23%。Zero Shot实验结果表明:与现有多模态点云网络相比,Res-CLIP算法在2类公开数据集上的Zero Shot精度均较优,比ULIP相比分别提升4.6%、0.5%。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

融合时频空间特征的土石坝地震易损性分析改进MLP模型研究

针对现有地震易损性分析中采用的峰值加速度、峰值速度等地震动指标未能充分反映地震动复杂的时频空间特征,且现有基于对数空间线性函数关系假设的地震需求模型难以揭示地震动指标与地震响应间复杂非线性关系的问题,提出一种融合时频空间特征的土石坝地震易损性改进多层感知机(Multi Layer Perceptron,MLP)模型。该模型利用胶囊网络(Capsule Network,CapsNet)能够充分捕捉和表征目标特征空间位置分布的优势,从地震动小波时频图中提取反映地震动时频空间分布的深层特征,并以特征拼接的方式与既有特征进行融合,构建地震动融合指标;进一步地,采用树形Parzen优化算法(Tree structured Parzen Estimator,TPE)对MLP的神经元数量、学习率等超参数进行优化,提出基于TPE-MLP的土石坝地震需求模型,以反映地震动融合指标与地震响应间的复杂非线性关系,进而实现土石坝地震易损性的可靠分析。案例分析表明,相比于既有地震动指标,基于地震动时频空间特征融合指标的土石坝地震需求模型的MAE降低了40.5%,表明了所提模型的可靠性和优越性。

基于Hessian局部线性嵌入和MLP-Mixer的液体火箭发动机涡轮泵轻量化故障诊断框架

作为液体火箭发动机推进剂输送系统的关键部件,涡轮泵的运行状态直接影响着整个运载系统的性能,然而,现有的故障诊断方法往往面临特性参数选择片面及计算复杂度高等问题。针对上述局限,提出了面向涡轮泵的轻量化故障诊断框架。所提方法利用Hessian局部线性嵌入算法对信号时域、频域及时频特征进行降维,并引入一种轻量化的深度学习模型MLP-Mixer作为分类器,进而实现不同故障状态的辨识。采用某型号涡轮泵试车数据验证了所提方法的有效性,结果表明,该方法能够在保障诊断精度的同时有效降低计算复杂度,提高诊断效率。

GraphMLP-Mixer:基于图-多层感知机架构的高效多行为序列推荐方法

在多行为序列推荐领域,图神经网络(GNNs)虽被广泛应用,但存在局限性,如对序列间协同信号建模不足和处理长距离依赖性等问题.针对这些问题,提出了一种新的解决框架GraphMLP-Mixer.该框架首先构造全局物品图来增强模型对序列间协同信号的建模,然后将感知机-混合器架构与图神经网络结合,得到图-感知机混合器模型对用户兴趣进行充分挖掘.GraphMLP-Mixer具有2个显著优势:一是能够有效捕捉用户行为的全局依赖性,同时减轻信息过压缩问题;二是其时间与空间效率显著提高,其复杂度与用户交互行为的数量成线性关系,优于现有基于GNN多行为序列推荐模型.在3个真实的公开数据集上进行实验,大量的实验结果验证了GraphMLP-Mixer在处理多行为序列推荐问题时的有效性和高效性.

基于MLP-AE网络的电磁层析成像算法

电磁层析成像(electromagnetic tomography, EMT)传统算法由于物理模型的限制,导致重建数据缺失,使其逆问题存在着严重的不适定性和病态性。为解决重建图像普遍存在伪影多,质量差等问题,提出了一种基于MLP-AE的复合电磁层析成像算法。首先用待测物场信息作为输入送入自编码神经网络(AE)学习,得到编码数据;再对待测物场进行电磁激励获取电压数据;将电压数据作为输入,待测物场信息编码后的数据作为输出送入多层感知机神经网络(MLP)学习;最终解码实现端到端的图像重建。通过均方误差、结构相似性指数和成像时间评估所述算法的性能,并与线性反投影算法、Tikhonov正则化算法、Landweber迭代算法进行对比。实验结果表明,所述算法在单幅图像上:均方误差较以上传统算法分别降低了28.77%、22.57%、23.74%,结构相似性指数分别提升了17.54%、14.38%、15.44%,成像时间分别快了73.78%、98.63%、93.86%。所述重建算法对于待测物位置和形状的预测更为精确,时间大幅度减少,为之后进行实时精确成像提供了思路。

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合(EMD-MLP)的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数(Intrinsic Mode Function,IMF)分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。

基于MLP-Bagging集成分类模型的在线学习行为分析

针对教育者难以对学习者多样化的在线学习行为进行监测和研判等问题,提出一种带嵌入层的MLP-Bagging集成分类模型对学习者的在线学习行为进行分析与判别.考虑到学习者的在线学习行为以及个体特性,从学习准备行为、知识获取行为、交互学习行为、学习巩固行为和辅助特征5个方面构建在线学习行为模型,并采用MLP-Bagging集成分类模型对学习者进行分类判别.实验结果表明,所构建的学习模型可对在线学习者的学习行为进行符合实际的建模,加入辅助特征有利于对各类学习者的在线学习行为进行深入的分析与指导,并且在分类模型中加入嵌入层可以有效克服标签编码带来的数据冗余和误差缺陷,从而获得更好的分类效果.与其他分类模型相比,融合多个MLP分类器的Bagging集成模型可以减少单个MLP分类器的方差,其分类准确率达到98.72%,具有较好的实际应用价值.

轻量级空间移位MLP用于指静脉分割

基于CNN和Transformer架构图像分割网络模型参数繁多、计算复杂,需要消耗大量的内存资源,这使得它们无法满足快速、有效的指静脉图像分割需求,并且在算力有限的嵌入式平台部署非常困难。因此,提出一种基于MLP的轻量级手指静脉分割算法。首先,通过不同轴向移动特征图获取信息流来捕获局部依赖性,提高局部信息提取能力;其次,使用标记MLP块对特征图进行标记和投影卷积特征;然后,在下采样和上采样之前都添加一个轻量级注意力模块来提升分割性能,在输入到MLP的同时转移输入的通道,使网络模型更专注于学习本地依赖性。在SDU-FV、HKPU和UTFVP三个公开的手指静脉数据集中进行实验,结果表明:该方法仅使用了346.949K Params、1.835G Flops和11.023M的计算复杂度,分割性能指标Dice、AUC、Acc分别达到0.515 6、0.895 9、91.68%。在三种NVIDIA嵌入式平台上,该算法的Dice和AUC指标均取得了最优性能。

基于MLP和Transformer模型的大气温度预测

文章以运城市2015年1月1日至2020年12月21日期间监测的大气温度数据作为研究的基础资料,运用MLP模型和Transformer模型,预测了运城市大气温度。由于温度数据具有很强的时序性,对MLP模型与Transformer模型,各选取了两层、四层(MLP-2、MLP-4、Transformer-2、Transformer-4),进行了3天、5天、7天多组试验对比。结果显示:MLP-4模型7天的均方误差为3.2649,Transformer-4模型3天的均方误差为5.3767,预测精度都比较高,且MLP模型预测温度的精度高于Transformer模型预测温度的精度;MLP-2模型的均方误差分别为3.2662、3.2996、3.3579,MLP-4模型的均方误差分别为3.2674、3.2996、3.2649,均方误差有变化,但比较平稳;Transformer-2模型的均方误差分别为5.6225、5.9491、5.3892,Transformer-4模型的均方误差分别为5.3767、6.3787、6.1108,增加模型层数和参数量,均方误差增大,存在过拟合现象。运用Transformer模型进行预测,出现过拟合现象,原因是Transformer模型太过庞大(接近四百万个参数),而研究数据只有1531组,即使使用Weight decay和Dropout正则化的方法,仍然过拟合文章中提供的1531组研究数据,使其预测精度出现一定程度的下降。

LM-UNet:横向MLP用于增强U-Net的医学图像分割

卷积神经网络(CNN)作为医学图像分割领域中U-Net基线网络的重要组成部分,其主要作用是处理局部特征信息之间的关系.而Transformer是一种能够有效强化特征信息之间的远距离依赖关系的视觉模型.目前的研究表明,结合Transformer和CNN可以在一定程度上提高医学图像分割的准确性.但是,由于医学图像的标注数据较少,而且训练Transformer模型需要大量数据,这使得Transformer模型面临耗时长和参数量大的挑战.基于这些考虑,本文在UNeXt模型的基础上,结合多尺度混合MLP和CNN,提出了一种新型的基于混合MLP的医学图像分割模型——LM-UNet.这种模型能够有效地增强局部与全局信息之间的联系,并加强特征信息间的融合.在多个数据集上的实验表明,LM-UNet模型在皮肤数据集上的分割性能明显提升,平均Dice系数达到92.58%,平均IoU系数达到86.52%,分别比UNeXt模型提高了3%和3.5%.在软骨和乳腺数据集上的分割效果也有显著提升,平均Dice系数分别比UNeXt提高了2.5%和1.0%.因此,LM-UNet模型不仅提高了医学图像分割的准确性,还增强了其泛化能力.

基于MLP-Bagging的PCB电热耦合建模方法

随着三维集成电路性能的提高和复杂程度的增加,印制电路板(PCB)的散热问题日益突出。研究了PCB在电热多物理场相互作用下各部件的发热情况,提出了基于混合激活函数的多层感知机(MLP)-Bagging多物理参数算法。通过使用ReLU和Sigmoid两个激活函数进行学习和训练,建立了精度更高的MLP模型。之后,结合Bagging算法构建多个并行的MLP模型。所提出的神经网络多物理模型可以快速准确地预测PCB的电热响应。实验结果表明,此方法与有限元法相比,可以节省约97%的计算内存和99%的计算时间,与传统神经网络如随机森林(RF)、长短时记忆(LSTM)网络、MLP相比,该方法表现优良且泛化能力较好,为提高PCB设计效率提供了一种可行方法,为PCB热分析提供了更高效的解决方法。

湿度对PM_(2.5)/PM_(10)比值影响及MLP神经网络大气污染预测

颗粒物污染严重影响大气环境质量和公众身体健康.基于郑州、太原、成都2022—2023年秋冬季大气污染和气象数据,讨论了PM_(2.5)、PM_(10)污染特征,通过计算斯皮尔曼系数并进行偏相关分析,得出PM_(2.5)/PM_(10)与相对湿度之间的相关性,并利用MLP神经网络建立关于PM_(2.5)和PM_(2.5)/PM_(10)的预测模型.结果表明,郑州、太原、成都2022—2023年秋冬季PM_(2.5)均值分别为63.52、52.68、50.95μg/m^(3),PM_(2.5)/PM_(10)比值都超过0.5.郑州、太原PM_(2.5)/PM_(10)与相对湿度呈现较强的正相关性.利用MLP神经网络对PM_(2.5)和PM_(2.5)/PM_(10)建立预测模型,误差分别为6.75μg/m^(3)和0.076,模型精度较高.建议未来从秋冬供暖、推广工业水蒸气回收装置、合理开展道路洒水等方面巩固颗粒物污染治理成效,探索和优化机器学习模型用于PM_(2.5)/PM_(10)预测,为大气污染防治提供数据参考,以求发挥大数据在做到精准治污中的作用.

PCA-MLP神经网络模型在黄河宁夏段径流预测中的应用

为提高短时间尺度的月径流量预测效果并简化神经网络模型结构,将主成分分析(PCA)和多层感知器神经网络(MLP)相结合,构建PCA-MLP神经网络模型预测汛期月径流量。模型首先采用主成分分析法确定影响径流量的主要影响因子,再将主要影响因子数据输入MLP神经网络模型,预测月径流量数据。将宁夏青铜峡水文站2010—2019年汛期的月径流量和影响因子数据作为训练样本训练神经网络模型,以2020—2022年汛期月径流量和影响因子数据作为检验样本进行对比分析。预测结果表明:目前影响汛期径流量的因素主要是历史径流和气候特征,检验集预测结果确定性系数为0.851,模型可为宁夏汛期月径流量预测提供相应指导。

基于MLP和多头自注意力特征融合的双模态情感计算模型

针对情感计算中传统的单模态情感分析通常存在分类准确率不高和不同语言环境间泛化能力较差的问题,提出一种双模态情感计算模型,以同时使用包含中英文两种语言、两种不同模态的情感数据。首先,利用多层感知机(MLP)网络和双向长短时记忆(BiLSTM)网络对数据进行特征提取;其次,基于MLP和自注意力机制分别对提取的特征进行特征融合,得到多模态分析模型;最后,使用该模型在构建的包含中英文两种语言数据的数据集上进行二分类情感计算预测。实验结果表明,所提模型相较于次优的BiLSTM模型,精度提高了1.22%;相较于单模态情感计算模型,精度提高了6.21%~14.00%。

基于VMD与MLP的电机轴承故障检测方法研究

本文综述了三相异步电动机及其轴承故障检测领域的研究现状和关键技术,介绍了三相异步电动机的工作原理及其在工业应用领域的重要性,随后重点探讨了三相异步电动机轴承故障的表征指标集合和检测方法,对于表征指标集合,从振动信号、温度、声音、电流、油液等多方面提取参数和特征,为轴承故障的监测和诊断提供综合性参考。针对检测方法,分别详细介绍了基于优化VMD和基于MLP的两种不同方法,以及其在提取特征和诊断故障方面的优势。此外,还就轴承故障特征提取和滚动轴承故障检测器的训练与分析展开了讨论,综合研究现状,本文呼吁加强对三相异步电动机轴承故障检测领域的深入探索,以推动相关技术的进步和应用,为电机设备的可靠性和性能提升做出贡献。

基于WP-MLP神经网络的VoIP自适应抖动缓冲算法

为解决抖动缓冲区播放延时和丢包之间的矛盾,实现缓冲区的动态调整使延时和丢包达到最优的平衡,提出一种基于WP-MLP神经网络的自适应抖动缓冲算法。首先,对抖动缓冲区的基本原理进行了分析并给出了丢包率与缓冲延时之间的函数关系;其次,提出了WP-MLP神经网络抖动缓冲算法的网络模型并对算法流程进行了分析;最后,通过VoIP网络仿真进行建模对比几种常用抖动缓冲算法,结果表明,本文所提算法能够在播放延时和丢包率之间保持更好的平衡,对缓冲区大小的动态调节表现出更优异的性能。

基于K-means聚类和改进MLP的苹果分级研究

为准确实现多特征融合的苹果分级,提出了一种基于K-means聚类和改进MLP的苹果分级方法。该方法主要包括图像预处理、亮度均衡化、背景分割、特征加权以及改进的MLP分级网络训练。首先借助均值滤波算法和直方图均衡化操作改善苹果图像质量;接着借助K-means聚类算法进行背景分割;在果体与背景分割的基础上,依次提取苹果的果径、果形、颜色、缺陷、纹理5个特征;然后借助皮尔逊相关性分析和人工挑选偏好权重对特征数据集综合加权,模拟人工分级场景;最后将特征数据送入改进的MLP神经网络中完成苹果的分级定等。通过对400个定好等级的苹果进行分级测试,准确率达到94.25%,验证了分级方法的可行性与准确性。该方法与现行的苹果分级标准相结合,具备时效性强、检测指标完备等分级优势。

基于小样本手部关键点的MLP网络提升3D光场交互准确度方法

针对当前3D光场手势交互存在识别率低、识别速度慢、深度学习网络需要较多数据样本的问题,本文提出了一种基于小样本手部关键点的多层感知器(Multi-Layer Perceptron,MLP)网络提升3D光场交互准确度方法,识别速度达到毫秒级。在手部关键点采集过程中,从不同位置采集得到的同一种手势关键点三维数据存在显著差异。为了消除差异,本文提出在同一右手笛卡尔坐标系下,通过位移和罗德里格旋转公式对简化后的手势模型进行位姿变换,将同一种手势归一化。一个MLP神经网络被用来从归一化后的手部关键点跳变关系中提取手部特征。实验结果表明,本文提出的方法对3D光场交互中的简单手势识别率为95%以上,对复杂手势的识别率为90%以上。与此同时,该方法在小样本数据集训练下表现出优秀的性能,能够满足精确和快速手势识别的要求。最后,本文展示了一种将所提出的方法成功应用于3D光场交互的场景。

结合残差块和MLP卷积的真实图像去噪网络

与传统的去噪方法相比,基于卷积神经网络的去噪方法有良好的去噪性能,然而此类方法在恢复图像时会产生过平滑伪影导致信息缺失。因此提出了一种基于残差块和多层感知器(MLP)卷积的端到端去噪网络,其由特征提取模块、多路径扩张模块和去噪特征学习模块组成。该网络首先引入特征提取模块来对输入特征进行约束增强处理;然后使用多路径扩张模块捕获局部上下文信息的同时增加感受野;最后利用残差块和MLP卷积进一步捕捉复杂的特征信息以及实现跨通道的信息交互和整合,同时提升模型的泛化能力,以获得高质量的无噪声图像。实验结果表明,所提方法在主观和客观上均具有先进的去噪性能。