基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

标识解析+5G双驱动的全连接变压器工厂构建方法研究

针对变压器工厂全要素资源身份标识混乱、数据孤岛突出、互操作性差及管理难度大的问题,提出了标识解析+5G双驱动的全连接变压器工厂,设计了全连接变压器工厂的整体架构,提出了变压器工厂全要素对象的形式化建模和标记方法,研究了全要素资源的管理壳模型,提出了一种全要素数据的解析识别和互操作机制。最后,在某变压器工厂展开实地验证,结果表明,上述方法和模型能够实现变压器工厂全要素资源的统一接入、互融互通和高效管理,对全连接工厂的实施建设具有一定的参考意义。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。

基于全连接神经网络的地铁车站响应分析与地震强度指标优选

为了降低随机地震响应分析的计算成本,将人工神经网络方法用于构建概率地震需求模型(PSDM),以预测地铁车站结构的地震响应,并对适用于地铁车站结构响应预测的地震强度指标(IM)进行了优选。首先选取了200条实测地震动,计算IM,并对典型的三层三跨地铁车站结构进行有限元建模,将IM与最大层间位移角作为输入与输出训练全连接神经网络模型(FCNN),得到了最大层间位移角的预测模型。最后基于训练后FCNN输入层到隐含层中的权重矩阵与传统方法对IM进行优选,得出了对最大层间位移角影响最大的IM。研究结果表明:训练后FCNN能以0.95的精度预测地铁车站最大层间位移角,且计算耗时仅为数值模拟的1/5;针对矩形地下结构最大层间位移角,速度型和速度反应谱型指标的影响明显高于其他类型指标,其中速度谱强度(VSI)对最大层间位移角的影响最大。

基于RIS的元素分组面状全连接网络

针对神经网络全连接层在训练中参数量多、所占内存多、易产生过拟合问题,从智能超表面(reconfigurable intelligence surface,RIS)结构特征出发,提出了一种基于RIS的元素分组面状全连接神经网络(RIS-based element grouping areal fully connected neural network,RGFCNN)。借鉴RIS的结构特征,在传统全连接神经网络上进行优化。设计了透射面注意力机制用于数据有效特征提取,相比于传统的全连接网络,该网络没有对数据进行一维排列,而是提出了一种运用于神经网络构建的元素分组策略,直接对二维面状数据进行分组全连接处理,各组处理输出进行数据串联。实验结果表明:在公开的具有IQ数据特征的通信信号数据集上,RGFCNN在信噪比大于0 dB时具有更好的识别精度,而训练参数是原来的大约1/6。

基于物候特征和全连接神经网络相结合的小麦自动识别研究

风云三号气象卫星具有空间分辨率高、时效性强、幅宽广等特点,对于实现河南省冬小麦自动识别具有很大优势。分析河南省冬小麦物候特征,基于冬小麦物候特征的植被指数时序变化规律,采用聚类分析可以得出冬小麦分类样本和时序指数特征。根据上述冬小麦分类样本和时序指数特征,考虑分类方法的高效性、精确性和自适应性,提出了基于物候特征和全连接神经网络相结合的小麦自动识别技术,该技术适用于河南省大面积冬小麦的分类。识别结果显示河南省2019年到2022年冬小麦的空间分布情况,采用质量检验指标对识别结果进行精度验证,得出冬小麦识别准确率为85.1%,非冬小麦识别准确率为84.5%。试验结果表明,基于物候特征和全连接神经网络相结合的方法在小麦自动识别方面取得了显著的性能提升,与传统方法相比,所提出的方法具有更高的准确率和更稳定的识别性能。该方法对于冬小麦监测具有重要意义,并为农业生产的智能化和可持续发展提供了新的思路。

基于神经网络全连接的5G重点区域流量预测

着重探讨了5G热点区域流量预测中时空因素如节假日、天气、事件等对预测结果的影响。基于深度学习技术,提出了一种全新的5G热点区域流量预测模型。该模型融合了长短期记忆网络(LSTM)与人工神经网络(ANN),使其能够自动学习并处理复杂的时空数据。实验验证表明,该模型在预测准确性和稳定性方面均表现出色,其区域R Squared准确率高达96%以上。这项研究为5G网络的规划和优化提供了有力支持。

基于全连接条件随机场的车道线检测方法

【目的】优化车道线检测结果中的噪声区域,提高边缘分割精度。【方法】提出一种深度学习算法与后处理方法相结合的新方法;引入全连接条件随机场(Fully Connected CRFs)算法对ENet-SAD算法输出的车道线概率图进行修正,并将概率图与原图进行拟合,得到车道线检测结果;将新的检测算法在自建数据集及CULane数据集上进行训练及测试。【结果】在自建数据集上,新算法在常规、强光、阴影、遮挡4种场景下的F1分数分别为90.0%、73.1%、81.5%、76.6%;在CULane数据集上,该算法在常规场景下的F1达到了91.0%。【结论】所提出的车道线检测算法能适应多类场景,是一种有效的车道线检测算法。

基于快速排序绝对值特性全连接分类器的轴承故障诊断

工业生产中的机械设备故障是一个反复出现的问题。一个微小的故障会对机械设备造成不可逆转的损伤。严重的机械设备故障会导致企业生产部门停产,进而导致企业的经济效益下降。提供准确及时地故障诊断能最大程度避免轴承故障的出现。提出一种快速排序绝对值特性全连接分类器(fast sorted absolute feature Fully-connected classifier,FSAFCC)用于轴承的故障识别。FSAFCC有两个部分。FSAFCC第1部分是数据预处理部分。数据预处理部分是对采集到的原始信号进行随机时刻截取、取绝对值和排序的操作。FSAFCC的第2部分是利用全连接分类器进行轴承的故障分类。FSAFCC在数据预处理部分只需要进行取绝对值和重新排序的计算;FSAFCC的数据预处理部分计算步骤简单,而且计算量很小,所以FSAFCC的运算速度很快。FSAFCC方法在美国西储大学轴承故障数据集,轴向柱塞液压泵数据集和自吸离心泵数据集中进行实验,实验结果表明,FSAFCC的方法在轴承故障诊断领域不但有着很高的准确度,而且所用时间很短。

基于改进非全连接神经网络的站点客流预测模型

在地面公交运输中,站点客流量数据是公交线网规划最重要的基础数据之一。站点周边兴趣点(POI)的类型、数量以及距离会导致站点客流量出现不同的趋势。神经网络是研究客流预测的常用方案,然而由于POI对客流的影响存在相互独立性,这一重要特征并未在传统全连接神经网络的结构中得以体现,易使预测效果不尽人意。基于POI与客流量关系的特殊性,改进全连接神经网络的基本结构,构建一种特定的非全连接神经网络,利用所有公交站点客流量的历史数据及各类POI分布,实现对站点各时间段的客流量的模拟及预测。模型设定一种连接矩阵实现特定的连接方式,并根据客流量的性质额外赋予部分隐藏层实际意义,构造组合误差传递函数,增强神经网络的可解释性。该模型可以快速收敛至全局最优解,改进传统全连接神经网络的收敛速度慢、拟合效果差、易陷入局部最优解等问题。实验结果表明,该模型单位时间内的客流量预测偏差在50人以内的概率达到88%以上,对比其他常见预测模型均有优质表现,并且能准确模拟每日客流的变化趋势。

基于全连接神经网络的直升机主减速器故障分类

主减速器是直升机传动系统的核心部件,对其进行故障分析及健康检测十分重要。首先,构建了齿轮故障实验,通过时频域分析、功率谱分析以及变分模态分解(variational mode decomposition,VMD)对正常、点蚀、断齿3种齿轮故障模式进行讨论。然后,搭建全连接神经网络,并将VMD分解后的8个本征模态函数(intrinsic mode functions,IMF)分量的能量组成特征向量,作为网络的输入。实验诊断结果表明,与支持向量机(support vector machine,SVM)和随机森林(random forest,RF)算法相比,全连接神经网络在诊断多类故障时有较好的性能。

基于全连接神经网络的在线学习行为分类判别

针对教育者难以对学习者多样化的学习行为进行监测和预警问题,提出一种基于全连接神经网络的网络学习者学习行为分类模型,来探究不同学习者的学习特点。首先提取智慧树平台收集的学习者活动数据,剔除当中个人信息部分,选取在线学习行为数据形成数据集;然后进一步清洗数据并对学习行为相关数据进行数据标准化处理;最后搭建全连接神经网络进行学习行为判别。实验结果表明,该模型对于智慧树不同课程中的学习者学习行为分类准确率保持在95.6%以上,与其他神经网络模型相比,该方法在准确率和耗时上均有显著提升,具有很好的应用价值。

基于深度全连接神经网络的储层有效砂体厚度预测

河道砂是重要的油气储集体之一,实现砂体厚度的定量预测是提高油气开发效率的关键。随着目标储层非匀质性的增强,地震属性与储层岩性、物性、孔隙流体之间的关系更趋复杂。如何在地质信息有限的情况下实现高效且智能的复杂储层定量预测是目前储层预测领域的热点和难点。为了实现对致密砂岩储层的高精度智能化预测,本文提出基于深度全连接神经网络的储层有效砂体厚度预测方法。该方法通过构建多层堆叠的全连接神经网络逐层优化针对储层有效砂体厚度预测的地震属性,并将优化后的属性直接映射为砂体厚度。首先针对模型数据分析了训练样本对全连接神经网络建模的影响,然后在小样本情况下分别对比了该网络的深、浅层形态在网络规模大于训练样本数目及网络规模小于训练样本数目时的表现差异,发现当训练样本为小样本时,深层网络表现优于浅层网络,前提是训练样本数目大于网络规模。最后,我们将深度全连接神经网络用于胜利油田某区实际数据的有效砂体厚度预测,应用效果显示该方法对致密砂岩储层中4 m左右的砂体实现了有效识别,体现了该端到端智能建模方法从地震属性中挖掘潜藏地质信息的能力,证实了其在储层定量预测中的有效性。

5G全连接工厂安全保障体系建设研究

文章论述构建5G全连接工厂安全保障体系的重要性,深入分析5G全连接工厂安全防护现状,并从安全管理体系、安全技术体系、安全运行体系三大视角探讨构建5G全连接工厂的安全保障体系。基于当前5G全连接工厂安全发展现状,对5G全连接工厂安全保障体系的未来发展进行预判。

烟草行业5G全连接工厂系统解决方案研究与应用展望

本文探讨了如何利用5G全连接工厂理念,实现烟草企业的数字化转型。针对烟草生产流程中存在的工作效率低下、生产和品质管理难度大等问题,提出了一种基于“5G+工业互联网”的全连接工厂系统解决方案。该方案实现了生产数据的实时采集、传输和分析,并通过大数据分析和人工智能算法优化生产过程,助力企业实现提质、降本、增效、绿色、安全的高质量发展。该方案不仅适用于烟草行业,也可以为其他行业的数字化转型提供借鉴和启示。

基于多层全连接神经网络的漏电流容性分量补偿方法研究

漏电流容性分量普遍存在于配电系统中,对漏电监控产生显著干扰,从而影响了电气火灾监控报警的准确性。搭建漏电流试验平台,模拟实际线路情况,设计数据采集系统实时显示,采集4种电压模式、4种负载模式在阻性漏电和容性漏电情况下的数据。提出利用多层全连接BP神经网络对漏电流阻性分量进行预测,消除漏电流容性分量。经测试,所提模型对漏电流阻性分量预测误差仅1.08%,能有效识别漏电流阻性分量,提高电气火灾预警的准确性。

窥见“全连接”未来 一台AGV小车的自述

当你第一次踏进这个悬挂着“用5G制造5G”鲜明标语的智能工厂,或许会产生“穿越进了黑科技大片”的错觉。这就是我的家,也是我的工作基地。每分钟都有5台基站设备从这里生产出来,发往世界各地。放眼望去,这里只有零星的工作人员“出没”,我们AGV小车家族是当之无愧的“主角”。我们能聪明而准确地规避障碍,穿梭于备料区、产线、线边仓之间,代替人工完成物料的实时配送工作。我们的一切“身体”数据、工作进度都在操作人员面前的屏幕上一览无余。

浪潮建成国内首个高端服务器主板制造5G全连接工厂

苏州浪潮服务器主板智能制造基地,是一家自动化、智能化、柔性化和透明化的现代制造工厂。该工厂集全球领先的制造工艺与智能技术为一体,可实现服务器主板设计与大规模生产,其服务器板卡加工技术达业界领先水平,加工精度达到微米级。在“产品需求增加、生产效率亟待提升”的背景下,浪潮着眼于面向行业构建“灯塔工厂”,打造新的发展引擎,于2020年率先引入5G网络,打造以5G网络为中心的泛智能集成设施。目前,该厂通过5G网络赋能产品及工艺创新,实现“人、机、料、法、环”的全要素连接,成为国内首个高端服务器主板制造5G全连接工厂。

基于全连接层卷积神经网络识别手写数字的研究

手写体识别信息程序直接运用计算机进行识别录入可以提高对于手写体数字的录入效率。目前,手写体数字的识别在MNIST这种大型标准数据集上的研究是人工智能领域的基础研究。该系统是基于TensorFlow的手写识别系统,TensorFlow机器学习框架技术已经逐渐成熟,对于目前人工智能发展的浪潮,人们越来越热衷于将一些以前机器不能实现的、难以理解的工作通过机器学习的方式来实现。该系统研究的是对于手写体数字的识别,采用TensorFlow框架以及机器学习的方法,详细讨论如何建立全连接层以及对数据模型进行优化,并使用数据集对计算机进行训练,形成参数文件,详细通过对手写体数字形成图像文件进行识别并输出识别数字。总体来说,手写体数字识别是对于手写体信息的一次创新尝试。

基于全连接神经网络的基础测绘实体分类方法

由于基础测绘实体包含建筑物、道路、植被、水系等多种类型,因此在分类时需采集的数据较多。为了达到理想的分类效果,本文提出基于全连接神经网络的基础测绘实体分类方法。首先,通过基础测绘实体采集融合多源数据,实现不同层次地理实体的数据集成;其次,基于全连接神经网络检测实体影像边缘,将边缘构成特征线,划分不同类型实体特征;再次,分割实体结构提取特征,使属性相同的点从属于相同的实体结构;最后,建立基础测绘实体分类模型,定义各类别语义准则,输出分类结果。试验结果表明,本文所提方法具有较好的分割效果,能提取可区分度较低的特征,在基础测绘实体分类中优势明显,具有一定的可行性。