双小波神经网络迭代的漏磁缺陷轮廓重构技术

在二维漏磁缺陷重构中,建立基于径向基小波神经网络(RWBF)的正演和反演模型,提出了一个反馈形式的双小波神经网络迭代模型,通过迭代使目标函数最小化,实现对缺陷轮廓的快速逼近。用仿真和实验获取的训练样本分别对正演和反演模型的RWBF进行训练。为了提高径向基神经网络的适应性和精度,提出了一种新的训练算法。首先确定最优分解层数,然后利用梯度下降法修正网络的权值。对不同分辨率和不同信噪比下的漏磁信号进行了重构,并与其他方法进行了比较。结果表明,双小波神经网络迭代模型能够实现漏磁缺陷的精确逼近,具有良好的鲁棒性,是有效的二维轮廓重构方法。

BP神经网络在煤矿井下涌水量预测中的应用

矿井涌水量受到多种因素的共同影响,具有非线性和高度复杂性的特点。根据黄陵一号煤矿井下涌水量影响因素及2014—2018年的涌水量数据,采用2种不同的输入神经元的方法创建神经网络预测模型,用已知数据对创建好的模型进行训练,得到拟合精度较好的模型,并用得到的神经网络模型对涌水量进行预测,最后与实际值进行比较。结果表明,2种神经网络模型的预测结果精度都较好,但预测精度有差异,用涌水量影响因素为输入神经元的模型在短期预测精度上低于涌水量组合作为输入神经元的模型;而在长期预测方面,涌水量影响因素为输入神经元的模型预测精度高于涌水量组合作为输入神经元的模型。

基于闭区间上的神经网络迭代计算模型与方法

迭代算法被广泛应用于代数方程求解中,但传统的迭代方法通常对初值的选取要求很高,在迭代过程中不能给出迭代误差,计算得到的单一近似解也具有一定的局限性。把区间迭代算法与神经网络相结合,提出了一种基于闭区间上神经网络迭代计算模型与方法,该方法与传统的迭代方法相比,具有收敛速度快、误差小等特点.最后,通过数值算例表明,该方法是有效的、可行的,能够快速地获得任意代数方程的根。

基于神经网络的注塑机注射速度的迭代学习控制

对具有不确定性和干扰项的重复非线性注塑机控制系统,尤其是注射速度的控制,提出基于神经网络的迭代学习控制器,其中迭代学习控制器设计为神经网络控制器,它以前馈方式作用于对象。PD反馈控制器用于使系统达到稳定,同时和前馈的神经网络学习控制器一起使系统达到理想的控制效果。仿真结果表明,该控制器可以随着迭代次数的增加有效减小跟踪误差。

基于迭代容积卡尔曼滤波的神经网络训练算法

针对现有应用非线性滤波算法对神经网络进行训练时存在精度不足的问题,提出了一种基于迭代容积卡尔曼滤波的神经网络训练算法。首先,将前馈神经网络各个节点的连接权值和偏置作为状态向量,建立前馈神经网络的状态空间模型。其次,利用Spherical-Radial准则生成容积点,并依据Gauss-Newton迭代策略来优化量测更新过程中获取的状态估计值和状态估计误差协方差,通过容积卡尔曼滤波估计精度的改善,提升神经网络节点的连接权值和偏置的训练效果。理论分析和仿真实验结果验证了所提算法的可行性和有效性。

双并联人工神经网络交替迭代算法及应用

本文给出一种双并联人工神经网络的交替迭代算法，数值计算结果表明，这种算法是有效的，且具有收敛速度快，计算精度高的特点。

基于RBF的直线电机二维平台无模型自适应迭代学习控制

直线电机二维平台在运行中存在强耦合、负载扰动和实际控制模型无法精确获得等问题,对其跟踪精度影响较大。针对此问题,在利用具有学习功能的无模型自适应迭代学习控制并且不依赖系统精确数学模型的基础上,引入可以任意逼近非线性函数的径向基函数(radial basis function,RBF)神经网络控制,对系统误差和未知外部干扰进行估计和补偿,进而提升直线电机二维平台的位置跟踪精度。仿真和实验结果表明,加入RBF神经网络后,实现了对期望输出的精度补偿,与无模型自适应迭代学习控制方案相比,跟踪精度和系统鲁棒性都得到了提高,证明了所提方案的准确性和有效性。

BP神经网络用于一号煤矿井下涌水量预测分析

矿井涌水量问题受到多种因素的共同影响,具有非线性和高度复杂性。根据一号煤矿井下涌水量影响因素及2014—2018年的涌水量数据,采用两种不同的输入神经元的方法创建神经网络预测模型,用已知数据对创建好的模型进行训练,得到拟合精度较好的模型,并用得到的神经网络模型对涌水量进行预测,最后与实际值进行比较。结果表明:两种神经网络模型的预测结果精度都较好,但预测精度有差异。

基于LSTM神经网络的潮位预报及分析

因潮位预报受风、浪、流等环境因素影响,传统的潮汐调和分析预报方法不能很好地预报潮位时间序列的复合特征,提出一种基于长短期记忆(Long Short Term Memory,LSTM)神经网络的潮位预报方法,并分别对TPXO9全球潮汐模型模拟潮位的2021年6月逐分钟潮位数据、4个不同潮汐类型验潮站(日照、鲅鱼圈、三亚、北.海)的2010年逐时实测数据进行训练、预报及精度验证。利用上述试验确认LSTM模型中隐藏神经元数目、初始学习率、迭代训练次数等网络层参数的最优选择分别为90.0.001、200。对4个验潮站进行潮位预报,结果表明:当训练数据量设置为数据样本总量的30%时,即可得到精度较高的预报结果,精度约为3~5cm。采用LSTM神经网络方法进行潮位预报是有效且可靠的。

基于CMAC网络的迭代学习初始控制策略

针对传统迭代学习控制在面临新的环境或控制任务时学习时间长、收敛速度慢的问题,首先引入迭代学习初始控制算法,并给出了算法收敛的充分必要条件;然后,利用小脑模型连接控制网络(CMAC)与反馈PID网络进行综合,在系统的历史控制经验基础上,估计系统的期望控制输入,作为迭代学习控制器的初始控制输入,再由开闭环P型迭代学习律逐步改善控制效果,从而避免了对初始控制输入量的盲目选择,使得系统的实际输出只需较少的迭代次数就能达到跟踪的精度要求。机器人系统的仿真结果表明了该算法的可行性与有效性。

RIB-NER:基于跨度的中文命名实体识别模型

命名实体识别是自然语言处理领域中诸多下游任务的重要基础。汉语作为重要的国际语言,在许多方面具有独特性。传统上,中文命名实体识别任务模型使用序列标记机制,该机制需要条件随机场捕获标签的依赖性,然而,这种方法容易出现标签的错误分类。针对这个问题,提出基于跨度的命名实体识别模型RIB-NER。首先,以RoBERTa-wwm-ext作为模型嵌入层,提供字符级嵌入,以获得更多的上下文语义信息和词汇信息。其次,利用IDCNN的并行卷积核来增强词之间的位置信息,从而使词与词之间联系更加紧密。同时,在模型中融合BiLSTM网络来获取上下文信息。最后,采用双仿射模型对句子中的开始标记和结束标记评分,使用这些标记探索跨度。在MSRA和Weibo 2个语料库上的实验结果表明,RIB-NER能够较为准确地识别实体边界,并分别获得了95.11%和73.94%的F1值。与传统深度学习相比,有更好的识别效果。

基于多任务迭代学习的论辩挖掘方法

论辩挖掘可分为论点边界的检测、论点类型的识别、论点关系的抽取三个子任务.现有的工作大多数对子任务分别建模研究,忽略了三个子任务之间的关联信息,导致性能低下.另外,还有部分的工作采用流水线模型把三个子任务进行联合建模,由于流水线模型仍然是独立的看待每个子任务,为每个子任务训练单独的模型,存在错误传播的问题,且在训练过程中产生了冗余信息.因此,本文提出了一种基于多任务迭代学习的论辩挖掘方法.该方法将论辩挖掘三个任务并行地联合在一起学习,首先通过深度卷积神经网络(CNN)和高速神经网络(Highway Network),获得文本字符和词级别的浅层共享参数表示;然后输入双向长短时记忆循环神经网络(Bi-LSTM),利用论辩挖掘三个任务之间的关联信息进行同时训练,不仅可以避免错误传播,而且能够克服冗余信息的产生;最后,联结三个任务的Bi-LSTM网络输出作为下一次迭代的输入,来提高模型的性能.实验采用了德国UKP实验室公开的学生论文数据集,实验结果表明,与目前最好的基准方法对比,该方法的准确率指标提高了2.74%,“ F1 (100%)”和“ F1 (50%)”指标分别提高了1.05%和1.19%,很好地验证了该方法的有效性。

探索低资源的迭代式复述生成增强方法

复述生成旨在同一语言内将给定句子转换成语义一致表达不同的句子。目前,基于深度神经网络的复述生成模型的成功依赖于大规模的复述平行语料,当面向新的语言或新的领域时,模型性能急剧下降。面对这一困境,提出低资源的迭代式复述生成增强方法,最大化利用单语语料和小规模复述平行语料迭代式训练复述生成模型并生成复述伪数据,以此增强模型性能。此外,提出了句子流畅性、语义相近性和表达多样性为基准设计的伪数据筛选算法,选取高质量的复述伪数据参与每轮模型的迭代训练。在公开数据集Quora上的实验结果表明,提出的方法仅利用30%的复述语料在语义和多样性指标上均超过了基线模型,验证了所提方法的有效性。

DE-ELM在水煤气组分浓度软测量建模中的应用

水煤气组分(H2、CO、N2、CO2、O2)浓度是合成氨煤制气最关键的工艺参数之一,其与生产过程安全、稳定和成本控制密切相关。由于实时在线测量设备成本极高、维护困难、技术难度大,一般企业仍采用人工分析化验法。针对人工分析化验的方法造成的测量数据准确度差、滞后时间长、人为影响因素大,不利于煤制气生产过程的操控等问题,提出利用差分进化算法优化极限学习机(DE-ELM)神经网络系统,建立水煤气组分浓度的软测量模型,测量水煤气组分各浓度。将改进的方法与逆向神经网络(BP)、广义回归神经网络(GRNN)、极限学习机(ELM)的水煤气组分浓度软测量模型进行对比分析。对比结果显示,基于DE-ELM的水煤气组分浓度软测量模型精度更高、泛化性能更好,所测数据与实际生产数据吻合度更高,能更好地满足合成氨造气炉生产过程的实时调控要求。

地震相分析在准噶尔盆地中部区块的应用

地震相是对特定沉积体的地震响应。Stratimagmic利用人工神经网络技术进行波形分类，在实际应用中能快速掌握地震信号的总体变化及其分布规律，具有较强的地震相分析能力。本文以准噶尔盆地中部区块地震相分析为例，研究了波形分类技术应用过程中时窗的选取，模型道的创建，分类数、迭代次数的选择，以及地震相向沉积相的转化。

基于实船数据的船舶航速与油耗优化建模

为获得水路运输中船舶的最佳航速,实现燃油效率的最大化,以长江航线货运船的航速、燃油等真实监测数据为基础,提出一种新的船舶航速与油耗优化模型。模型包括白箱模型(White-Box Model,WBM)和黑箱模型(Black-Box Model,BBM)两个部分:WBM由改进后的物理方程和数学公式组成;BBM是BP(Back Propagation)神经网络。两者结合成新的灰箱模型(Grey-Box Model,GBM)。通过分析船舶航行过程中影响船舶燃油消耗的多种因素,确定WBM参数,分别用串联和并联的方式将白箱与BP网络结合构建船舶航速与油耗优化模型,采用牛顿-拉普森迭代算法进行求解。计算结果表明:优化模型可在选定的航段内找到最佳的指导航速,并且模型的R2达到了0.945。此外,将建立的模型与单一的WBM进行对比验证,所建立的船舶航速与油耗优化模型得到的最佳航速更加精确,整体误差也从0.130减小到0.071。

肺结节图像的自动分割与识别

为实现肺结节自动分析与识别,研究基于模糊建模思想和迭代相对模糊连接度(IRFC)算法的自动解剖识别(AAR)方法。该方法包括5个步骤:收集图像数据,用于模型构建和测试AAR;叙述胸腔中每个器官的精确定义,根据定义提取肺部轮廓;建立分层模糊解剖模型;利用分层模型识别和定位肺部;根据层级结构提取肺部轮廓。将分割好的肺部图片作为输入送入卷积神经网络进行肺部结节检测,通过使用VGG-16网络模型,在天池医疗AI大赛的数据集上实现了92.72%的目标检测准确率。

LAMOST有限元模型的径向基网络修正法

天文学的发展要求望远镜的口径越来越大,对其建立有限元模型进行动力学分析已成为必要步骤.为了保证理论分析结果符合实际,必须对有限元模型进行修正.针对大望远镜模型修正的难点,提出一种基于径向基神经网络的含有隐藏变量的改进迭代法.首先建立了LAMOST空间桁架和平衡系统的有限元模型.其次从实际出发,讨论了神经网络输入输出的选择方法.用有限的数据信息修正误差大的参数,而小误差参数作为神经网络的隐藏变量,可看作噪声而不予修正.采用均匀设计法获得神经网络的训练样本集,减小了计算量.然后在网络迭代求解过程中,每次在输出参数的附近增加均匀分布的若干个样本,而不是输出参数的单独一个样本,可防止网络性能突然变差,改善泛化特性.最后,悬臂梁和望远镜桁架仿真结果表明,含有隐藏变量的神经网络仍然能够收敛.用实测数据修正了LAMOST的平衡系统,表明了该方法的可行性和有效性.

松散的脑袋——群体智能的数学模型

本文从生物进化的角度,将群体中的每只昆虫看成一个神经元,彼此之间通过随机、松散的(软)的连接组成一个神经网络;然后,类似于人工神经网络模拟人类大脑,用"松散"的神经网络来模拟昆虫的群体行为。即建立一个松散的大脑——群体智能的随机结构的神经网络模型。最后,根据所建立的数学模型,分别对"蚂蚁筑巢"和"蜜蜂筑巢"行为进行计算机仿真模拟,以表明上述模型的合理性。

基于PLSIM模型的住房建筑物能耗分析

采用牛津大学Angeliki Xifara使用Ecotect系统模拟的768个不同建筑物数据,尝试将半参数中的部分线性单指标模型(PLSIM)用于住房建筑物负荷的预测研究中。同时采用BP神经网络以及迭代加权最小二乘法分别建立热负荷、冷负荷预测模型,将3种方法所得结果进行比较。研究结果表明部分线性单指标模型在建筑物负荷预测中相对误差均在0.00104以内且更直观,可以为国家调整住房结构、节约能源提供有力的模型支持。