基于深度学习的高分遥感图像建筑物识别

该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。

发动机连杆恒定机械拉压损伤自适应检测方法

为提高现有发动机连杆拉压损伤检测方法的检测准确率和检测效率,提出发动机连杆恒定机械拉压损伤自适应检测方法。该方法首先研究发动机连杆的机械运动原理及连杆受恒定机械拉压强度影响的分析,然后获取与发动机连杆机械拉压相关的相对损伤分布数据,计算各项相对损伤分布数据所对应的连杆损伤程度,最后利用遗传算法完成概率神经网络模型的优化,基于上述得到的损伤数据建立连杆恒定机械拉压损伤自适应检测模型,实现发动机连杆恒定机械拉压损伤自适应检测。实验结果表明:所提方法检测准确率高于88%,检测时间不超过0.4s,均优于对比方法,具有一定研究价值。

紫外吸收光谱法的水质参数预测模型研究

紫外吸收光谱法是一种快速、简便且无二次污染的水质检测技术,借助孪生卷积神经网络构建的水质化学需氧量和浊度预测模型,在小样本情况下能够实现高精度的预测。在实际水样的预测中,R2值可高达0.97,相较于其他模型,具有更高的预测精度和更广泛的适用范围,为在线监测水体中化学需氧量和浊度的污染程度提供了一种全新的技术支持。

基于多任务NR-DenseNet网络的航班延误预测模型

不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。

基于PBLC算法的滑坡空间易发性分析

滑坡空间易发性统计模型的构建需要正样本(滑坡点)和负样本(非滑坡点)两类数据,但历史观测数据仅记录了正样本,而负样本的选取容易受到正样本污染,因为没有滑坡记录的地方也可能在过去或未来发生滑坡,从而导致模型的预测精度与稳定性受到影响。针对此问题,将前期提出的半监督学习算法PBLC(positive and background learning with constraints)应用于滑坡空间易发性分析,探讨其解决负样本污染问题的有效性。本文以粤东地区为研究区,选择高程、坡度、坡向、剖面曲率、距离道路最短距离、距离断层线最短距离、距水系最短距离、年平均降雨量、归一化植被指数和地理坐标共11个影响因子作为环境变量。结果表明,与传统的人工神经网络模型相比,基于PBLC算法的预测概率取值范围更为合理,预测结果更加稳定,且预测精度随背景样本数量增加而提高;粤东地区的滑坡灾害高易发区集中于北部和西南区域,坡度和高程是影响该地区滑坡易发性的主要因子。结果表明,半监督学习算法PBLC可以有效解决滑坡统计建模过程负样本污染的问题,提高模型预测精度。

基于两阶段分解策略的月径流模拟模型研究

中长期径流模拟可为水资源合理配置提供科学依据,对流域高质量发展具有重要意义。基于改进的自适应噪声完备集成经验模态分解算法(ICEEMDAN)和奇异谱分析(SSA)的两阶段分解策略,利用鲸鱼算法(WOA)优化的长短期记忆网络模型(LSTM),构建了月径流模拟模型ICEEMDAN-SSA-WOA-LSTM。将其应用于石头河水库月径流模拟,并与单次分解的ICEEMDAN-WOA-LSTM、SSA-WOA-LSTM和未分解的WOA-LSTM模型进行对比分析。结果表明,ICEEMDAN-SSA-WOA-LSTM模型模拟效果最佳,率定期和验证期3项评价指标均优于其他模型,验证期均方根误差为1.278 m^(3)/s、平均绝对误差为0.893 m^(3)/s、纳什效率系数为0.985。两阶段分解策略月径流模拟模型可显著提高月径流模拟精度,可用于全年入库径流模拟。

电力统计大数据质量可视化控制方法研究

为使电力统计大数据具备可读性与应用准确性,提升整个电力企业的运转效率,提出可视化控制方法。通过引入、去除数据变量,建立电力统计大数据的质量控制算法。结合地理信息系统技术与Web端口,构建由Web端口连接地理信息系统中各组成部分的平台。采用B/S架构与设计工具模块等,组成可视化实现单元。基于四层卷积神经网络结构,在非线性映射层前后,添加特征缩小网络层与扩展层,构建六层卷积神经网络结构,输出可视化控制结果。实验结果表明,所提方法有效去除了大部分问题数据,数据质量有显著提升。

磨齿机电主轴热特性及热误差建模

针对磨齿机在磨削加工时,电主轴存在热致误差等问题,提出基于模糊神经网络(FNN)建立电主轴热误差模型的方法.分析电主轴内部的热生成和热传递机理,得到内部的传热规律.通过计算热载荷和边界条件,利用有限元分析(FEA)软件对电主轴系统的温度场和热变形进行数值模拟,得到电主轴系统中温升和热变形最大的部位.通过电主轴热误差实验获得温度和热变形数据,分别训练模糊神经网络和BP神经网络,建立温度场和热变形之间的热误差模型,对主轴热误差进行预测.结果显示:在电主轴径向热误差预测模型中,模糊神经网络模型和BP模型的建模精度分别为96.74%和89.77%.这表明模糊神经网络模型建立的热误差模型,在拟合和预测精度上优于BP神经网络模型.

基于增强型概率神经网络的安全态势要素获取

态势要素获取作为整个网络安全态势感知的基础,其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题,提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中,利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理,将其结果用于优化概率神经网络(PNN)结构,降低系统复杂度。以PNN作为基分类器,基分类器通过反复迭代、权重更替,然后加权融合处理形成最终的强多分类器。实验结果表明,该方案是有效的态势要素获取方法并且精确度达到95.53%,明显优于同类算法,有较好的泛化能力。

密度对不同生态区马铃薯产量及块茎空间分布的影响

【目的】探究群体密度对四川不同生态区马铃薯产量及空间分布的影响,为马铃薯机械化采收提供依据。【方法】以"川芋117"为试验材料,采用随机区组设计,分别在平原生态区(四川成都温江)和盆周山地生态区(四川雅安汉源)研究5个密度(分别为6,9,12,15,18万株/hm^2)对马铃薯产量及其构成因素、块茎横向和纵向分布距离、不同质量块茎空间分布的影响。【结果】1)在试验密度范围内,平原生态区马铃薯产量与密度呈凸二次函数关系,在密度为15.75万株/hm^2时产量最高;山地生态区马铃薯产量与密度呈递增的线性关系,在密度为18万株/hm^2时产量最高。2)密度对两个生态区单薯质量影响较大,但提高产量的主攻方向不同,平原生态区以提高单株产量为核心,山地生态区则以提高群体产量为目标。3)随密度的增加,两个生态区马铃薯块茎在纵向分布距离的集中度降低,横向分布距离上的集中度增加,块茎平均纵向分布距离与密度呈正向递增的双曲线函数关系,平原生态区和山地生态区纵向分布距离的最大值分别为8.415 2和8.413 0cm,差异不大;平均横向分布距离与密度呈正向递减的双曲线函数关系,平原生态区和山地生态区横向分布距离的最小值分别为8.766 6和8.544 1cm。4)通过建立的单薯质量空间分布的人工神经网络模型(ANN)发现,密度主要影响80g以上块茎的数量和空间分布情况;80g以上块茎主要分布于纵向6~10cm和横向12~20cm的空间,且高密度下,80g以上块茎的数量和横向分布范围显著降低。当横向分布距离大于20cm时,平原生态区以40g及以下块茎为主,山地生态区则以40~80g块茎为主。【结论】改变密度能影响单位面积结薯数,从而有效控制块茎大小,最终影响块茎在纵向和横向分布距离上的集中程度。

基于FOA-GRNN油井计量原油含水率的预测

研究原油含水率准确预测问题,提供高精度的原油含水率数据在油井计量中具有重要意义。针对原油含水率预测受到多因素影响,由于原油中存在复杂的非线性关系,传统的预测方法无法满足预测精度要求。为了提高原油含水率的预测精度,提出了果蝇优化广义回归神经网络的原油含水率预测方法,果蝇优化算法用于广义回归神经网络的参数优化。通过同轴线相位法含水率计的测量系统对原油含水率有影响的多个参量进行测定,建立果蝇算法优化广义回归神经网络的原油含水率预测模型。仿真结果表明:相对于广泛应用的BPNN预测模型,果蝇算法优化的广义回归神经网络预测精度高,是一种实用有效的原油含水率预测方法。

应用快速多分类SVM的航空发动机故障诊断方法

提出了一种新的快速多分类SVM算法,用于解决大样本情况下航空发动机的多类故障诊断问题。首先,选用层次支持向量机(H-SVM)来实现多类分类,用各类数据中心代表该类数据,通过自组织特征映射神经网络(SOFM)进行聚类,把类中心之间距离较近的数据归为同一个子类进行训练,得到H-SVM层次结构。其次,在训练H-SVM中的二元分类器时,应用相对边界向量(RBV)代替全部训练样本,在保持分类精度几乎不变的条件下大幅度减少了训练样本数,使训练时间明显缩短;同时,由于支持向量的数量减小,分类时间也相应缩短。在分类数据混迭较为严重的情况下,新算法先剔除混迭的异类数据,再计算RBV,并且把与计算的RBV距离小于一定数值的样本都选择来训练SVM,保证了RBV的合理性,防止了关键数据的丢失,有效提高了分类精度。针对一个航空涡喷发动机5类复合故障的分类进行了实例仿真,总的故障分类正确率达到91.2%,二元SVM的训练时间最多只有原来的16.20%;当训练样本总数达到7500的大规模情况下,根据本算法,约减后的样本数量只有原来的3.05%。仿真结果表明,提出的算法有效、可靠,容易实现。

人工神经网络在企业组织再造中的应用研究

根据人工神经网络系统的非线性动力学特性提出了体现敏捷、柔性的企业学习组织思路。并结合实证研究 。

活塞环-缸套动力润滑分析及结构优化设计

采用混合润滑模型分析了柴油机活塞环-缸套系统的润滑性能。选取影响润滑性能的5个主要参数进行正交试验,通过极差分析确定了各个因素对活塞环-缸套摩擦功耗影响的主次关系。建立遗传算法优化的BP神经网络,利用正交试验结果训练该神经网络,得到活塞环-缸套的摩擦功耗神经网络预测模型,然后利用该模型针对选取的5个主要参数进行了优化设计。结果表明,影响摩擦功耗的主要因素由强到弱为:缸套表面粗糙度、活塞环桶面高度、活塞环桶面偏移、活塞环表面粗糙度和活塞环轴向高度。运用正交试验和遗传算法优化的BP神经网络相结合的方法进行活塞环优化设计,试验工作量大大减少,预测精度较好,为活塞环-缸套摩擦学设计提供了便利。

采用BP神经网络预测乳聚丁苯橡胶的门尼黏度

在工业生产乳液聚合丁苯橡胶配方的基础上,于实验室聚合釜中考察了增加引发剂和乳化剂用量对聚合速率的影响以及补加相对分子质量调节剂及其加入时机对聚合产物门尼黏度的影响。结果表明,增加引发剂和乳化剂用量可以加快丁苯乳液聚合的速率,配合补加相对分子质量调节剂的手段可以使单体转化率达到70%时丁苯橡胶生胶的门尼黏度达到国家标准的要求。同时以原配方及其调整数据为基础,采用Levenberg-Marquardt算法对所建立的BP神经网络模型进行训练,仿真结果显示该网络的仿真数据与实验数据的误差小于1%,具有较好的一致性,可以用于判断丁苯乳液聚合不同配方在特定反应条件下产物的门尼黏度。

复合地基承载力预测的支持向量机方法应用研究

针对复合地基承载力设计存在的问题,提出了基于支持向量机的预测方法,通过对影响复合地基承载力因素的分析,建立了复合地基承载力预测的支持向量机模型。研究结果表明,基于支持向量机的复合地基承载力预测方法具有较高的准确率,应用前景广阔。

基于GRNN的海上钻井平台建造质量预测研究

对海上石油钻井平台建造质量进行有效预测,可提前预知未来建造质量状况,从而促使建造商在建造过程中,运用已有的并开发新的方法和手段,规避并解决质量不稳定因素,进一步提高建造质量和完善建造工艺.在阐述了海上钻井平台质量检测的内容及要求的基础上,利用广义回归神经网络构建了海上钻井平台建造质量预测模型,并以某自升式钻井平台为实证研究对象,运用该模型对其一年半的质量检测数据进行预测,将广义回归神经网络的预测误差与BP神经网络预测误差相比较,得出了广义回归神经网络对平台建造质量的预测精度高的结论.

基于改进GA算法优化RBF网络的航空发动机叶片损伤图像识别

通过对航空发动机叶片损伤图像进行识别,可以快速准确地发现叶片损伤状况,有利于对故障进行及时有效的预测。本文对损伤图像进行分割,提取损伤图像特征参数,采用改进GA算法优化RBF网络参数的方法建立航空发动机叶片损伤图像识别模型,对损伤图像特征参数样本进行仿真实验,识别正确率为93.33%,同时与单一RBF网络模型识别结果进行对比分析,结果表明该方法更加优越有效。

考虑时延的多Euler-Lagrange系统自适应神经网络协调跟踪控制

考虑存在通讯时延,在有向通讯拓扑结构下研究多Euler-Lagrange系统的协调跟踪控制问题。仅有部分跟随者可以获得静态领航者信息。对每一个跟随者设计了一种分布式观测器,以获得领航者的状态量。针对系统模型具有非线性不确定性和外部扰动情况,基于神经网络方法提出了两种分布式自适应协调控制律,分别使每一个跟随者对领航者的跟踪误差最终有界和渐近收敛到零。运用Lyapunov稳定性理论对两种控制律的稳定性进行了证明。数值仿真验证了本文提出的控制律的有效性。

关于天然气管网的短期燃气负荷优化预测研究

由于短期天然气负荷受天气、温度和社会等多种复杂因素的影响而表现出非线性、非平稳的特性,在负荷曲线上表现为多种波动模态,而多数预测方法直接把影响因素引入到整体的燃气负荷中。为有效提高预测精度,提出一种采用经验模式分解(EMD)和粒子群小波神经网络(PSO_WNN)的短期燃气负荷预测方法。针对历史负荷中的不良数据,首先进行预处理,然后针对历史负荷序列的,再利用EMD按频率将负荷序列分解为固有模态IMF分量,小波神经网络(WNN)具有良好的非线性逼近能力和自学习能力,所以选择WNN预测模型,采用粒子群优化(PSO)算法的全局快速寻优优化小波神经网络的参数,增强预测模型的全局搜索能力,最后对各IMF建立PSO_WNN预测模型进行预测,对上述预测结果进行重构得到最终的预测结果。运用上述模型进行仿真,结果表明,该模型与单一的BP预测和EMD_WNN预测方法相比,预测精度比较高,为短期负荷优化预测提供了参考。