基于人工神经网络的甲烷富氧燃烧机理优化

采用带误差传播的直接关系图法、全物种敏感性分析和人工神经网络(ANN)联合方法,以点火延迟时间和CO摩尔分数为优化目标,通过对甲烷富氧燃烧详细机理USC mech2.0的简化和优化,提出了基于人工神经网络的甲烷富氧燃烧优化机理(ANN-OMOC)。甲烷富氧燃烧模拟计算和对比分析的结果表明:相比于甲烷富氧燃烧简化机理FSSA的预测误差,优化机理ANN-OMOC对点火延迟时间、层流火焰速度的预测误差分别从2.53%、24.38%降到0.50%、14.41%;与甲烷富氧燃烧的简化机理DRGEP和FSSA相比,优化机理ANN-OMOC对点火延迟时间、OH摩尔分数峰值和CO摩尔分数峰值的预测结果最佳,其相对误差均在10%以下。

人工神经网络在治疗药物监测中的应用

人工神经网络(ANN)是对生物神经网络的一种模拟,通过相互连接而构成的自适应非线性动态网络系统,ANN的优势在于优化容易、建模简便、结果准确。该文根据文献资料对ANN在免疫抑制剂、抗菌药物、抗癫痫药物等治疗药物监测中的应用进展进行阐述,阐明ANN模型的优缺点以及未来的发展方向,希望为未来的研究者提供有价值的参考信息。ANN用于治疗药物监测有着巨大的潜在前景,有希望成为实现患者个体化用药的有效手段。

采用遗传-反向传播人工神经网络法构建新疆地区癫痫患儿拉考沙胺血药浓度预测模型

目的:利用遗传-反向传播(GA-BP)人工神经网络法构建新疆地区癫痫患儿拉考沙胺(LCM)血药浓度的预测模型。方法:采用超高效液相色谱法测定400例癫痫患儿的LCM稳态血药浓度,收集患儿临床资料,提取相关数据,采用GA-BP人工神经网络法构建LCM血药浓度的预测模型。结果:模型验证结果显示,80例预测浓度的平均预测误差(MPE)绝对值均<10%,预测误差(PE)绝对值<20%的比例是100%,PE绝对值<10%的比例是92.50%,平均预测绝对误差(MAE)为2.28%,提示GA-BP模型预测的准确度和精密度均较好,预测浓度和实测浓度的相关系数为0.998,预测结果较理想。结论:应用GA-BP人工神经网络法预测LCM血药浓度是可行的,可应用于LCM个体化给药研究,促进临床合理用药。

人工神经网络筛选类风湿关节炎的特征基因及免疫细胞浸润分析

目的:运用人工神经网络确定类风湿关节炎(RA)的特征基因,并分析免疫细胞在RA相关微环境中的作用。方法:GSE1919和GSE77298芯片均来自GEO数据库。运用R语言将两芯片进行合并与批次矫正,得到一个新数据集,并进行差异分析。对差异表达基因(DEGs)进行Metascape富集分析和GO、KEGG富集分析。运用R软件“randomForest”包在随机森林(RF)算法下筛选RA特征基因,并依据基因评分构建人工神经网络模型。提取排名前4的基因(HubGene)进行后续分析。应用单样本基因集富集分析(ssGSEA)计算样品中免疫细胞丰度并进行相关性分析。结果:人工神经网络模型筛选出排名前15的基因作为RA特征基因:STAT1、RUNX3、AR、CDH11、LMO4、TIMP1、PLXNC1、CAP2、PRKAA2、VDR、SPP1、HCK、EPHB2、KCNAB1、ITGB7,其中STAT1、RUNX3、CDH11在RA滑膜组织中均上调,AR在RA滑膜组织中下调。免疫细胞浸润结果显示,RA与活化CD4 T细胞相关性最显著。与RUNX3存在显著相关性的免疫细胞最多。RUNX3与活化B细胞、活化CD4 T细胞、活化CD8 T细胞、中央记忆CD4+T细胞、效应性记忆CD8 T细胞、调节性T细胞、γδT细胞和巨噬细胞呈显著正相关,但与NK细胞呈显著负相关。结论:通过人工神经网络确定了与RA相关的15个特征基因,其中排名前4的基因为STAT1、RUNX3、AR、CDH11。强调了活化CD4 T细胞、调节性T细胞、γδT细胞、巨噬细胞、NK细胞、活化B细胞等免疫细胞在RA发病机制中的重要性,为RA诊断和免疫细胞分子机制研究提供了新见解。

研讨法在《人工神经网络》教学中的应用与探索——培养学生创新与探索精神

近年深度学习发展日新月异,新的人工神经网络模型层出不穷,为培养紧跟科技前沿的高水平研究生,不仅教学内容需要不断更新,教学方法也必须针对性的改进,采用研讨法开展《人工神经网络》的教学探索与实践,秉持启发性原则、循序渐进原则及和谐性原则,让学生占据课堂教学的主体地位,发掘他们的创造潜力。经过一段时间的教学实践,结果表明该教学方法不仅让学生们掌握了科技研究方法,而且使学生们具备了独立研讨问题的心理准备和心理负载能力,较好的启发了学生们的创新意识与科研探索精神。

紫外光谱结合人工神经网络识别不同品种红薯淀粉

为了识别不同品种红薯淀粉,建立紫外光谱的红薯淀粉品种识别模型。采用单因素试验优化提取条件,对不同品种红薯淀粉提取液进行紫外光谱扫描,将原始光谱数据预处理后进行主成分分析,比较不同数据处理方法区分品种的效果,并进行聚类分析,利用人工神经网络建立识别模型。结果表明:最佳提取溶剂为甲醇,最佳超声时间为20 min;紫外光谱图有相似的吸收峰,但吸光度存在差异;以小波降噪后一阶求导处理数据进行主成分分析的品种识别效果最好。建立的人工神经网络识别模型对13个品种预测的准确率为100%。因此,紫外光谱结合人工神经网络模型可作为红薯品种淀粉快速、准确识别的新方法。

基于人工神经网络的自然语言处理技术研究

文章探讨了基于人工神经网络的自然语言处理技术,首先,阐述了人工神经网络的定义、结构、工作原理,以及与深度学习的关系。其次,详细研究了基于人工神经网络的自然语言处理技术,包括神经网络模型、词嵌入技术、循环神经网络、长短期记忆网络、转换器模型与自注意力机制等,并分析了这些技术面临的挑战。最后,通过实验设计与结果分析验证了所提出方法的有效性。文章研究内容对于推动自然语言处理技术的发展和应用具有重要意义。

人工神经网络课程与深度学习融合的混合式教学改革研究

文章依托人工神经网络研究生课程的讲授经验,分析其特点和现状,着重探讨其教学内容上的时效性与实践性问题,提出神经网络与深度学习融合的线上线下混合式教学改革,提升课程理论和方法的时效性;提出前沿性的实践类研究型专题,提升研究生的实践动手能力;搭建与课程内容配套的线上系统,方便研究生自主学习、互动学习。通过践行“与时俱进、互动评价、专题创新”的教学理念,提高研究生的创新思维与综合素质。

基于人工神经网络的透射水体亚硝酸盐含量模拟估计

亚硝酸盐是水体的重要测试指标,对水体质量的评估有着重要意义。采用透射高光谱结合人工神经网络(ANN)建立水体亚硝酸盐含量估算模型。首先采用试剂配制10种浓度的亚硝酸氮标准溶液(0.02、0.04、0.06、0.08、0.10、0.12、0.14、0.16、0.18和0.20 mg/L),并使用OCEAN-HDX-XR微型光纤光谱仪扫描10次各浓度亚硝酸盐溶液在181.1~1023.1 nm的透射光谱,取平均值作为各浓度亚硝酸盐溶液原始透射光谱,分别使用最大最小均一化(MMN)、标准正态变化(SNV)、多元散射校正(MSC)、以及二阶差分(SOD)四种光谱预处理方法,并结合ANN方法建立水体亚硝酸盐含量估算模型,通过比较模型的精度来选择最优的模型进行水体亚硝酸盐含量的估计。结果显示,基于二阶差分预处理下的BP-ANN神经网络预测模型中的均方根误差RMSE为0.032367,平均绝对误差MAE为0.016895,决定系数R^(2)为0.987403,与二次有理高斯过程回归(QR-GPR)和二次支持向量机(Q-SVM)预测模型相比,该模型的拟合效果更好,精确度更高。提出了反向传播人工神经网络(BP-ANN)高光谱水质亚硝酸盐参数的反演方法,为水质亚硝酸盐参数动态检测提供了新方法。

基于人工神经网络的D2D通信中继优化选择方法研究

在中继选择过程中,考虑不同信号参数的重要性,综合考虑信号强度、信道状态、距离、能源等因素,可以快速、准确地确定最佳的中继节点,提供更稳定、可靠的D2D通信服务。为此引入人工神经网络算法,对中继选择过程中的参量进行针对性优化。首先,建立D2D通信中继系统模型,并完成最优功率分配计算;然后,在优化中继信号的权重后,基于人工神经网络完成D2D通信中继优化选择。仿真实验表明:应用此方法后,D2D通信中继选择速度更快、准确性更高,D2D通信信号质量更优。

基于人工神经网络的大地电磁时序分类研究

随着社会的发展,各类干扰日益加剧,高质量的大地电磁采集也变得愈加困难。为了提高数据质量,学者们针对不同类型的噪声提出了很多对应的去噪方法,由于大地电磁数据量都比较大,去噪前不可能对每条数据进行人工判读,急需一种高效率的噪声识别和分类方法。基于此,本文将人工神经网络应用于大地电磁时间序列分类中,为了选取最为合适的大地电磁时间序列分类网络模型,使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型,分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明,FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中,FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s,LSTM-FCN较FCN具有更高的分类精度,实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看,如果数据量较少使用LSTM-FCN可以获取更高的分类精度,数据量较大时需考虑时间成本,使用FCN则更为合适。最后,利用LSTM-FCN分类模型和LSTM去噪模型搭建了大地电磁噪声处理系统,对含有不同类型噪声的大地电磁数据进行了成功处理。

基于人工神经网络的东亚电离层临界频率f_(o)F2长期变化趋势

利用人工神经网络对东亚中纬地区电离层台站观测的F2层临界频率f_(o)F2进行长期趋势研究.用F107、Ap、地方时(Local Time,LT)、月份(Month)作为输入神经元,分别表示太阳活动、地磁活动、日变化和季节变化;用f_(o)F2的月中值作为输出神经元,通过训练网络获取f_(o)F2预测值,对预测值和观测值进行计算和处理,得到东亚中纬地区f_(o)F2长期变化趋势.结果表明:人工神经网络的方法较常用的回归方法能更有效地消除地磁活动对f_(o)F2的影响;这些站点的f_(o)F2随着年份的增长存在明显的长期负趋势,无明显的日变化和统一季节变化性.这对于全球电离层结构和运动变化规律,全球电离层经验模型构建和同化以及电离层特征参数和结构预测具有重要意义.

高光谱结合人工神经网络鉴别不同来源的丹参饮片

提出了高光谱结合人工神经网络法(ANN)鉴别不同来源丹参饮片的方法。采集了9种不同来源丹参饮片的高光谱;分别采用最大最小归一化、均值中心化、标准正态变量变换、Savitzky-Golay平滑滤波、多元散射校正等5种光谱预处理方法,结合ANN建立了鉴别这些样品来源的分类模型。测试集验证结果表明,当隐含层节点数设置为17时,对光谱进行均值中心化预处理可建立最佳的ANN模型,分类准确率为98.77%。7种丹参样品判别结果的真正率、命中率和特异度均达到100.00%;其余2种丹参样品的真正率、命中率和特异度也不小于90.00%。

人工神经网络在实现猪精准饲养模式中的应用研究进展

目前,对集约化猪养殖中产生的大量生产数据的高效分析与合理运用是推动我国生猪产业精准化和智能化发展的关键步骤。人工神经网络(artificial neural network,ANN)的自学习、联想存储、高速寻找优化解等特征在进行大数据信息处理时具有显著优势,在猪生产领域具有极高的应用潜力。笔者以具有单隐藏层的三层误差反向传播前馈人工神经网络(back propagation-aritificial neural network BP-ANN)为代表,对ANN的结构特点及其在猪行为与健康监测、胴体性状与肉品质估测和猪生长速率调控与日粮原料营养价值预测等方面的应用成果进行综述,从生产管理和营养调控两方面展望ANN在未来猪精准饲养模式中的应用前景,为实现科学化、智能化和数字化管理模式下的猪精准养殖业提供理论参考。

反向传播-人工神经网络在辐照黑椒牛肉品质预测中的应用

为探究不同辐照处理对贮藏过程中黑椒牛肉品质变化的影响,建立基于理化指标的多种品质预测模型。3~4 kGy的辐照剂量能够有效延缓黑椒牛肉在贮藏过程中的汁液流失、脂质氧化和蛋白质降解,保持其硬度和微观结构,在一定程度上增加呈鲜味(Asp)和甜味(Gly、Ala、Ser)游离氨基酸的含量。以辐照黑椒牛肉的汁液流失率、硫代巴比妥酸反应产物值、总挥发性盐基氮值、原肌球蛋白条带强度比率、肌球蛋白重链条带强度比率和总游离氨基酸含量为输入变量,优化了反向传播-人工神经网络(backpropagation-artificial neural network,BP-ANN)模型。训练函数为ReLU函数,隐藏层神经元个数为14个,迭代次数100次。结果表明,6-14-6 BP-ANN模型可以较好地预测辐照黑椒牛肉的品质变化,该模型在预测辐照肉制品的多种品质方面具有很大潜力。

基于人工神经网络模型的碳排放预测研究进展

碳排放是一个受多因素交互作用的动态过程,准确预测碳排放量有利于碳减排措施的制定。由于碳排放本身模型具有动态变化性、非线性、社会性等特点,传统预测方法不能满足实际情况的需要。人工神经网络模型能够较好地描述碳排放时间系列数据的非线性特性,被广泛应用于预测国家、区域、行业等层面的碳排放量变化。其中,误差反向传播(Back Propagation,BP)神经网络模型和长短期记忆(Long Short-Term Memory,LSTM)神经网络模型备受关注。在模型预测过程中,通过识别目标模型的碳排放影响因素类型、提高输入层数据的准确性、构建适宜的线性—非线性耦合的组合模型等途径,进一步提高模型预测的准确性。研究结果对人工神经网络模型在碳排放预测中的应用情况进行梳理,为碳排放预测技术的进一步发展提供参考。

响应面法和人工神经网络对亚临界CO_(2)萃取红花籽油的建模与优化

本文旨在寻找有效建模方法以预测亚临界CO_(2)萃取红花籽油的萃取率,优化其萃取工艺条件。以单因素实验为基础,采用Box-Behnken试验设计,研究了萃取压力、分离温度、萃取时间对红花籽油萃取率的影响,并采用响应面法(RSM)和人工神经网络(ANN)两种方法分别对同一实验进行建模分析,通过RSM数值优化、人工神经网络和遗传算法结合(ANN-GA)两种方法优化其工艺条件。结果表明,RSM与ANN两种模型均能较为精准预测,但通过两种模型的决定系数(R^(2))、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)值比较,得出ANN模型(R^(2)=0.9966)的预测效果较优于RSM模型(R^(2)=0.9950)。ANN-GA确定的最佳萃取条件及萃取率分别为:萃取压力19.04 MPa、分离温度55.50℃、萃取时间134.98 min、萃取率23.52%。综上,RSM和ANN两种方法均可用于亚临界CO_(2)萃取带壳红花籽油的建模与优化,但ANN的预测准确度及拟合能力更为优秀。

基于人工神经网络智能算法的9310钢本构模型优化

目的研究9310钢在变形温度为800~1200℃、应变速率为0.01~50s-1和高度压下量为70%条件下的热变形行为,建立预测效果相对较好的9310钢本构模型。方法使用Gleeble-3800热模拟机对9310钢进行等温恒应变速率热压缩实验,基于热压缩实验数据,分析了应变速率对9310钢流动软化效应的影响,建立了考虑应变补偿的Arrhenius本构模型与支持向量回归(SVR)本构模型,并进行了模型精度分析,之后引入人工神经网络(ANN)智能算法优化了Arrhenius本构模型。结果与变形温度相比,应变速率对9310钢流动软化效应的影响更为显著。相较于支持向量回归(SVR)本构模型,考虑应变补偿的Arrhenius本构模型精度更高,其相关系数R为0.9934,平均相对误差(AARE)和均方误差(MSE)分别为0.0556和89.362,它在预测高应变速率(1、10、50 s-1)流动应力时出现了较大偏差,经ANN智能算法优化后,相关系数R提高至0.9991,AARE和MSE分别降至0.0199和9.998,且绝对误差在±10MPa以内的预测流动应力占比为98.34%。结论在低应变速率(0.01 s-1)下软化效应更强,在高应变速率(10 s-1)下再结晶程度较低,软化效应较弱。ANN智能算法优化后的Arrhenius本构模型具有较高的精度,能较准确地预测9310钢的流动行为。

基于人工神经网络的RC框架结构地震响应预测方法

为了实现钢筋混凝土(Reinforced Concrete,RC)框架结构地震响应的快速预测,提出了一种基于人工神经网络的RC框架结构地震响应预测方法,设计低层、多层和小高层共3个典型RC框架结构作为研究对象,以四川雅安地区为目标场地,基于条件均值谱选取地震动记录作为输入并进行弹塑性时程分析,所得样本数据用于训练人工神经网络。以地震动强度信息和结构信息为输入预测结构响应,同时对模型进行参数敏感性分析。结果表明:建立的人工神经网络模型具有较好的泛化性能,平均谱加速度具有最高的平均影响值,提出的方法为快速预测RC框架结构地震响应提供了方法借鉴。

基于麻雀搜索算法优化BP人工神经网络的短期湍流预报模型研究

提出了一种基于麻雀搜索算法优化BP人工神经网络(SSA-BP)的湍流预报模式。首先,采用BP人工神经网络作为湍流预报模型的基础框架。通过对温度、湿度、风速等气象因素的采集和处理,将其作为输入层的特征。然后,利用麻雀搜索算法对BP人工神经网络的权重和偏置进行优化。为了验证该方法的有效性,采用了来自地面气象站的大气湍流数据及气象数据进行实验。实验结果表明,SSA-BP人工神经网络能够成功预测大气湍流的发展趋势,并具有较高的预测精度和稳定性,能够充分利用大气湍流数据中的非线性特征,为湍流预测研究和实际应用提供了有力支持。