SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

基于改进多层感知机的电网运行风险评估方法

传统的电网运行风险评估方法随着电网规模的扩大已逐渐不能满足实时性需求,已有的基于机器学习技术的风险评估方法又没有考虑真实系统中的样本不平衡问题。提出了一种基于改进多层感知机(multi-layer perceptron,MLP)的电网运行风险评估方法。基于IEEE-RTS79可靠性测试节点系统生成风险数据样本,从电压越限、潮流过载、失负荷率及潮流转移度4个维度建立了1套可以表征电网当前运行状态及相对状态变化影响的指标体系,来量化电网运行风险并根据风险值对样本添加标签,构建电网风险数据集;考虑真实系统中样本不平衡的情况,引入多种样本平衡方法,并通过特征选择和主成分分析法对数据降维,最终使用改进的多层感知机模型训练样本,得到电网运行风险评估计算模型。在提高训练速度的同时,加强了对电力数据中非线性规则的表征能力,可以快速得到风险评估结果。

基于多层感知器神经网络的测井曲线重构方法研究

测井曲线在识别岩性、判别油气层、分析地层地质构造,以及计算孔隙度、渗透率和饱和度方面具有无可替代的作用。然而,在实际的测井数据应用时往往会遇到测井曲线因为仪器测量或者井眼坍塌等原因,造成某些井段部分测井曲线失真或间断性缺失的情况,重测不仅价格昂贵且操作困难。为此,提出基于多层感知器神经网络系统的测井曲线重构技术,基于训练数据建立曲线预测模型,该模型由1个输入层、1个输出层和1个或多个隐藏层组成。在模型中引入激活函数加入非线性因素,并且在模型训练学习时引入损失函数和MBGD(小批量梯度下降法)的最优化方法不断迭代寻求最优参数组合。最终通过预测曲线与原始测量曲线误差对比以进行质量控制,从而得到测井曲线重构的最佳结果。结果显示:通过该技术重构得到的曲线精度高、计算速度快、普适性强,便于在油田推广使用。

基于多层感知器神经网络的路径损耗预测研究

为了更好地服务于5G及未来无线通信系统的网络规划与优化,开展了基于多层感知器(multi-layer perceptron,MLP)神经网络的路径损耗预测研究.利用有限的地物类型,提出一种表征传播环境的简易方法,避免了繁琐的三维场景建模.结合测量数据和由环境表征方法提取的环境特征,基于MLP神经网络建立了路径损耗模型.数据实验的对比分析表明MLP神经网络能够实现路径损耗的准确预测,且环境特征的引入有助于提升模型性能.为解决干扰地物影响路径损耗模型的准确性以及模型对环境变化的敏感性问题,根据视距(line-of-sight,LoS)和非视距(non-line-of-sight,NLoS)标签改进环境表征方法,进一步提升了模型的稳定性和泛化能力.所做工作有助于了解无线电波传播特性,为无线网络优化和通信系统设计提供了理论依据.

基于多层感知器神经网络的小切口角膜基质透镜取出手术辅助诊断研究

目的:通过分析厂家提供的计算小切口角膜基质透镜取出(SMILE)手术角膜切削厚度值参考的标准数据及患者历史临床数据,构建多层感知器(MLP)神经网络模型,用于全飞秒SMILE手术角膜切削厚度的精准预测。方法:对医院SMILE手术共计1127例临床患者数据进行仿真验证,构建MLP神经网络模型,由球镜度数、柱镜度数、角膜曲率和微透镜直径4个影响因素组成输入向量,角膜切削厚度作为输出向量,将神经网络模型进行训练并保存,用于角膜切削厚度的预测。结果:仿真试验表明,多元线性回归方法计算的平均绝对误差(MAE)为5.791,均方误差(MSE)为60.966;MLP神经网络方法计算的平均绝对误差(MAE)为0.491,均方误差(MSE)为0.554,因此使用MLP神经网络效果更优。结论:构建的MLP神经网络模型实现了角膜切削厚度与其影响因素之间的非线性关系描述,MLP神经网络训练完成后可用于眼科诊疗过程中角膜切削厚度的快速计算,实现全飞秒SMILE手术预诊断功能,提高诊疗效率。

基于时延嵌入式隐马尔科夫模型的癫痫脑电分类算法

癫痫脑电的分类识别能够为癫痫的预警和病程的发展监测提供强有力的技术支持。传统的癫痫脑电分类识别方法需要从较长的时间序列中提取特征,难以刻画大脑的瞬态变化,检测低效且耗时,降低了癫痫预警的有效性。针对上述问题,提出一种基于隐马尔科夫模型的癫痫脑电分类算法。该方法通过时延嵌入式隐马尔科夫模型(time-delay embedded hidden Markov model,TDE-HMM)对脑电进行状态估计,并提取状态序列中的状态切换特征,通过多层感知机(multiple layer perceptron,MLP)实现对不同癫痫发作阶段脑电的有效辨识。实验结果表明,相较于小波变换、微分熵等传统特征,所提方法准确率高,能够有效刻画癫痫不同阶段的大脑状态变化,为癫痫脑电的分类识别和状态分析提供了新的备选方案。

基于系统调用的混合HMM/MLP异常检测模型

首先描述了基于隐马尔可夫模型(HMM)的异常检测方法并指出其缺点.然后提出了一种将多层感知机(MLP)用作HMM的概率估计器的方法,以克服HMM方法的不足.最后建立了一个基于系统调用的混合HMM/MLP异常检测模型,并给出了该模型的训练和检测算法.实验结果表明,该混合系统的漏报率和误报率都低于HMM方法.

用于短文本分类的BLSTM_MLPCNN模型

文本表示和文本特征提取是自然语言处理的基础工作,直接影响文本分类的性能。文中提出了以字符级向量联合词向量作为输入的BLSTM_MLPCNN神经网络模型。该模型首先将卷积神经网络(CNN)作用于字符以获取字符级向量,并将字符级向量联合词向量作为预训练词嵌入向量,也即双向长短时记忆网(BLSTM)模型的输入;然后联合BLSTM模型的前向输出、词嵌入向量、后向输出构成文档特征图;最后利用多层感知器卷积神经网络(MLPCNN)进行特征提取。在相关数据集上的实验结果表明:相比于CNN,RNN以及CNN与RNN的组合模型,BLSTM_MLPCNN模型具有更优的分类性能。

基于深度学习的图书资源借阅推荐算法研究

图书馆借阅系统的升级与创新是提升图书馆服务质量和读者体验的关键,也是智慧图书馆建设的重要工作。本研究通过采集图书馆的借阅信息、读者信息和图书信息等数据,采用基于Transformer的双向编码(Bidirectional Encoder Representations from Transformers,BERT)模型提取图书特征,应用多层感知机(Multilayer Perceptron,MLP)深度学习方法,对读者的历史借阅记录信息进行全面的数据挖掘,分析读者的借阅偏好。结果表明,BERT-MLP模型的性能明显优于基础神经网络模型,且可以更有效地找到图书推荐数据的重要特征。本研究可为提高图书馆个性化服务水平提供理论依据。

基于MLP神经网络模型的客户评分应用研究

判断客户对产品购买的可能性,是企业营销人员重点关注的问题。针对保险产品客户与其他金融客户交叉销售,采用人工智能方法高精度量化客户的潜在购买力。根据对个人保险客户营销的总结,提出保险客户购买评分模型。通过使用中国邮政代理金融的简易保险客户数据,对模型的有效性进行实证研究。研究结果表明,该模型提供了较高效的预测准确率和具体的评价标准,具有良好的预测功能,可以帮助企业及时发现最有效的营销客户,最大程度上提高营销成功率。

基于高斯金字塔和MLP的带钢边部缺陷识别

在冷轧生产线上,带钢边部的缺陷会直接影响冷轧薄板的轧制。为了提高边部缺陷的检测质量,提出一种将多尺度特征矢量和多层感知器(MLP)相结合的缺陷识别方法。该方法通过高斯金字塔将带钢边部图像分解到多尺度空间,提取金字塔底三层图像的二维边缘幅度直方图特征和灰度特征构成多尺度特征矢量,最后使用MLP进行分类识别。结合工业现场采集到的带钢边部缺陷图像,采用该方法进行分类实验,验证了该算法的有效性。

PSO-MLP模型预测降雨对府河氨氮的影响

为研究白洋淀上游的保定市区降雨径流对府河水质的影响,采用府河2019年、2020年的常规水质监测数据,基于粒子群算法(particle swarm optimization, PSO)和多层感知机(multi-Layer perceptron, MLP)建立PSO-MLP水质预测模型。分别使用PSO-MLP、MLP、一维水质模型进行对比预测。结果表明:与一维水质模型相比,PSO-MLP平均绝对误差减少64.5%~74.7%;与MLP模型相比,PSO-MLP平均绝对误差减少6.6%~12.6%。选取2021年7月的一次典型降雨对府河膳马庙、安州和南刘庄3个控制断面进行预测,表明PSO-MLP泛化能力更强,预测误差更小,优于一维水质模型和MLP模型。所建立的府河PSO-MLP水质预测模型,可以提前4 h准确预测府河各断面氨氮浓度,平均绝对误差小于0.3 mg/L,可应用于保定市区降雨径流对府河水质污染的预测预警,避免降雨径流通过府河影响白洋淀水质。

基于MLP深度学习算法的DGA准确识别技术研究

传统的DGA攻击检测方法已经无法满足对不断变种的DGA域名的识别,检出准确率较低.因此主要研究一种基于MLP深度学习算法的DGA准确识别技术,通过已有的DGA样本数据集,提取多维度的特征向量信息,通过归一化、降维处理后,将特征向量输入MLP多层感知器进行训练,MLP多层感知器主要由输入层、隐藏层和输出层组成,训练后生成模型文件即可载入用于判断待检测的域名是否为DGA域名,可以有效提升DGA检测识别的准确度.

融合全局推理和MLP架构的甲状腺结节分割模型

针对甲状腺结节分割中存在的超声图像噪声干扰较大、结节尺寸多变和现有模型计算复杂度较高的问题,文中构建融合全局推理和多层感知机(Multi-layer Perception,MLP)架构的甲状腺结节分割模型.模型以轴向移位MLP模块为基础架构,以更小的计算复杂度实现不同空间位置特征之间的交互.在编码部分,融合端到端的全局推理单元,基于图卷积对图像全局信息进行交互,缓解图像噪声干扰较大的影响.在解码部分,引入金字塔特征层,完成多尺度特征交互,应对结节尺寸多变的问题.在DDIT数据集上的实验表明,文中模型性能较优,此外,文中模型还适用于乳腺结节分割、视网膜血管分割等其它医学图像分割任务.

基于XGBoost-MLP集成方法的离港航班延误预测

为了更准确地描述航班延误情况,为旅客出行提供参考,使用极端梯度提升(extreme gradient boosting, XGBoost)算法与多层感知机(multilayer perceptron, MLP)集成的模型对离港航班延误状态进行预测,将传统的延误、不延误细分为延误、半延误和不延误3种情况。在对航班数据和天气数据进行合并、筛选、拆分的基础上,先基于XGBoost模型进行二分类预测,然后基于二分类结果使用MLP进行三分类预测。实验结果表明,该方法比仅使用XGBoost模型或者MLP模型预测效果更佳,并且可改善半延误区间误差高的问题。

基于压电微机械超声换能器的扫描式手势识别传感器

超声手势识别是实现非接触交互的重要方式之一。基于压电微机械超声换能器(PMUT)的手势识别传感器具有功耗低、体积小、不受环境光影响等优点,当前主要是基于PMUT阵列的方式实现,提出了一种基于单振元PMUT的扫描式手势识别传感器。该传感器由PMUT及电磁驱动单元组成,设计并制备了1.6 mm×1.6 mm的单振元PMUT,振膜半径为500μm,谐振频率为108 kHz,完成了PMUT与电磁驱动单元集成,电磁驱动单元驱动PMUT实现手势扫描,利用多层感知机(MLP)模型完成了手势识别测试。实验结果表明:该扫描式手势识别传感器可实现检测距离为150~600 mm、角度为180°范围内的6种手势识别,平均识别准确率最高为85.66%。

基于机器学习的低渗透砂岩聚合物驱采收率预测

在恶劣的油藏条件下,化学驱提高采收率方法的可行性主要在实验室进行,以探究化学驱方案在现场实施的可能效果,但此类实验通常昂贵且费时。为了提高筛选效率和研究变量关系,进行了3个聚合物驱油实验项目,其次通过构建14种机器学习基础模型来预测低渗透砂岩聚合物驱油实验的效率。结果表明:多层感知机(multi-layer perception,MLP)、随机树(random forest,RF)和极限梯度上升(extreme gradient boosting,XGB)模型表现最佳,它们在测试集的确定系数均为0.99,均方根误差分别为0.855、0.836和0.859。模型表明特征重要性由强至弱依次为含水率、累积注入孔隙体积、渗透率、非均质系数、孔隙度、聚合物注入量、聚合物浓度、注入压力。研究成果为室内物理低渗透砂岩聚合物驱提供了可靠的数据,给出了14种机器学习模型预测性能直接对比,建立了高拟合高泛化高稳定低误差的低渗透砂岩聚合物驱预测模型,有助于化学驱方案快速在低渗透储层应用,以及降低失败风险。

近红外光谱技术快速鉴别原料肉掺假的可行性研究

探讨利用近红外光谱技术结合Fisher两类判别法以及多层感知器(multilayer perceptron,MLP)神经网络快速无损鉴别原料肉是否掺假,并建立多种掺假肉的分类识别模型的可行性。首先近红外结合主成分与Fisher两类判别,建立原料肉与掺假肉的判别函数,以原料肉与注水肉两类样本的平均重心即两类样本的加权平均数-0.657作为区分原料肉与掺假肉的界限。2 0个验证集样本有两个被误判,总的正确判别率达到9 0%。然后,利用近红外结合主成分与MLP神经网络建立原料肉和3种掺假肉的3层神经网络识别模型,该模型对预测集52个样本的正确识别率达到94.2%。说明利用近红外结合化学计量学方法对原料肉是否掺假及掺假种类进行鉴别是可行的。

基于神经网络CA/OS-CFAR检测方法

在杂波边缘和多目标的复杂环境下,建立性能稳定的自适应检测技术是提高恒虚警率处理能力的关键。针对单元平均恒虚警检测(cell averaging-constant false alarm rate)和有序统计量恒虚警检测(ordered statistic-constant false alarm rate)的优缺点,提出一种基于神经网络的检测方法(cell averaging/ordered statistic-constant false alarm rate)。利用神经网络进行最优检测方法判断,根据选定的检测方法计算出检测阈值。通过训练计算初始阈值,采用神经网络分类并识别输入的类型。将该阈值与CA-CFAR和OS-CFAR计算结果相比较,并选用均匀杂波、多目标和杂波边缘环境的仿真案例进行测试。实验结果表明:该方法可在均值和非均匀的杂波背景中,能有效地进行最优检测方法判断。

发音错误检测中基于多数据流的Tandem特征方法

针对发音错误检测中标注的发音数据资源有限的情况,提出在Tandem系统框架下利用其他数据来提高特征的区分性。以中国人的英语发音为研究对象,选取了相对容易获取的无校正发音数据、母语普通话和母语英语作为辅助数据,实验结果表明,这几种数据都能够有效地提高系统性能,其中无校正数据表现出最好的性能。同时,比较了不同的扩展帧长,以多层神经感知(MLP)和深度神经网络(DNN)作为典型的浅层和深层神经网络,以及Tandem特征的不同结构对系统性能的影响。最后,多数据流融合的策略用于进一步提高系统性能,基于DNN的无校正发音数据流和母语英语数据流合并的Tandem特征取得了最好的性能,与基线系统相比,识别正确率提高了7.96%,错误类型诊断正确率提高了14.71%。