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%。

基于多层全连接神经网络的湖南省流域面雨量预报

研究基于ECMWF、JMA东亚地区再分析资料、OCF、湖南省智能网格预报0.5°格点产品、华南区域数值天气预报模式及华东区域数值天气预报模式产品,利用多层全连接神经网络(MFCNN)构建模型,预测未来24 h、3 h、1 h面雨量数据,采用平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R^(2)),对2020年湖南大型水库流域面雨量MFCNN模型预报效果进行检验评估及与各家模式预报效果对比分析。结果表明:MFCNN模型对24 h、3 h、1 h面雨量的预报效果(MAE、RMSE、R^(2))均优于各模式的效果,且随时间分辨率的提升,模型预测效果相对于各模式提升明显。误差系数表明,MFCNN模型预报偏差在湘江流域及洞庭湖的最小,在沅水中游、资水上游的居中,在澧水流域、资水下游及沅水上、下游的最大。该模型捕捉面雨量动态变化的能力在洞庭湖、澧水上游、沅水中游最强,在湘江流域的次之,在沅水上、下游及资水下游、澧水下游的最弱。

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。

基于跨层全连接神经网络的癫痫发作期识别

在缺乏足够先验知识下,自适应癫痫发作期识别异常困难。提出一种新的度量通道之间的同步特征计算方法(聚类划分互信息),以相关矩阵方式组织单窗口内全局同步特征模式,进而设计一种跨层全连接神经网络分类器,对非平稳同步特征模式实现自适应分类。实验表明该方法可获得[98.19%±0.24%]精确度,[98.27%±0.51%]敏感度和[98.11%±0.36%]特异度,超过了现有大部分方法的分类性能。另外,该方法无须去噪和去伪迹等预处理过程;而且其仅需设置一个超参数(时间窗),避免了过多的潜在错误参数设置而导致的分类性能的降低。

测向误差特征辅助两步式网络的水声纯方位定位方法

围绕水声分布式纯方位定位问题,针对传统方法的远距离定位精度低、定位结果易受初值影响等缺点,提出了一种测向误差特征辅助两步式全连接层神经网络(DFE-TS-FCNN)的纯方位定位方法。使用神经网络进行定位,提高远距离定位精度并消除初值影响,输入特征是目标方位角测量值和测向误差标准差估计值。使用两步式网络结构抑制网络过拟合,分类网络确定目标区域后,再用对应的定位网络估计目标位置。蒙特卡洛仿真实验中,所提方法在近距离达到了与迭代加权最小二乘算法和迭代总体最小二乘算法相近的定位精度,在远距离定位精度大幅提高、约束均方根误差(RMSE)小于2.5 km的条件下,最远可定向距离相比传统方法从12.6 km提升至22.7 km。在实际数据中,该方法也获得了较好的定位结果。

一种改进的BP算法

传统的BP算法收敛速度慢,利用附加动量因子和自适应学习速率改进了传统的BP算法,它对于BP网络结构优化,提高收敛速度有明显效果.

油气井套管形变缺陷的电涡流检测数据量化评估方法

针对油气井出现套管单面挤压、弯曲变形等缺陷问题,仅对缺陷进行定性分析不能完全满足套管损伤检测需求。提出一种数据驱动检测油气井套管形变缺陷的电涡流检测数据量化评估方法。该方法根据电磁探伤仪测量得到的原始数据进行预处理并提取11个A探头电压作为特征,根据11个A探头信号与同深度最小内径的对应关系选择数据驱动的算法进行拟合建模,并对比多层全连接神经网络、最小二乘支持向量回归(LSSVR)算法的建模效果,验证了数据驱动方法的缺陷辨识能力。同时实验表明,LSSVR算法相较于多层全连接神经网络算法,具有更好的数据拟合准确度和泛化能力,能够解决油气井套管形变电涡流检测数据的建模分析问题,在该类工业数据量化评估问题中具有更高的应用价值。

基于常规体检数据的癌症筛查研究

基于血常规、尿常规及肿瘤标记物,对基于无症状的癌症筛查进行了研究.为了提高对结构化数据的分类性能,采用了全连接层在前的卷积神经网络(FCLF-CNN).为了保证模型筛查结果的可靠性,测试集采用了接近真实场景的极度非均衡数据.数据总共包含了33个特征,并按照可区分性分成不同的特征子集,用不同的特征子集分别进行了实验,结果表明区分能力更强的特征和更加丰富的特征对于癌症筛查起到了更加重要的作用.对肺癌、肝癌、乳腺癌、宫颈癌以及肾癌分别进行了实验,结果表明,对肺癌和肝癌获得了有竞争力的筛查性能,AUC分别达到了0.889和0.943.