多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法

现有基于深度学习的图像去噪方法中,在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像,以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面,存在卷积层难以处理较大噪声级别下的跨层次特征,以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题,从两方面提出解决方法:一方面,在架构层面提出新颖的跨阶段门控特征融合,从而更好地连接一阶段网络的浅层特征与二阶段的深层特征,促进信息流的交互并使得去噪网络内部关联更为紧密,同时避免丢失原始像素细节;另一方面,在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块,作用于低分辨率多通道数的特征图,从而缓解卷积网络在复杂噪声场景下难以捕获跨层次特征依赖关系的问题,对于高分辨率、少通道数的特征图,使用卷积网络以充分提取噪声图像的空间邻域依赖关系。大量定量与定性实验表明,所提算法在真实世界图像去噪和高斯噪声去除任务中,都以较小的参数量和计算代价取得了最佳的PSNR和SSIM。

基于多层前馈神经网络的扩散系数求解

如何利用浓度分布的测量数据(间接采样)来确定扩散系数,并建立有效快速的数值求解方法是目前亟待解决的问题.由于扩散系数的求解属于反问题中的参数识别问题,通常具有不适定、非线性和计算量大等特点,所以在仅考虑给定温度下扩散对物质输运的影响的情况下,研究扩散系数与浓度、浓度梯度的关系,并利用物质扩散浓度的动态采样值和多层前馈神经网络对扩散系数进行求解,数值实验表明该方法十分有效.

多层前馈神经网络的学习和综合算法

本文提出多层前馈网络的一种新的学习和综合算法──ＦＰ算法，并证明由此算法得到的网络作为通用联想记忆器时，具有如下优点：（１）每个样本都是吸引中心；（２）每个样本的吸引半径达到最大值；（３）网络没有假吸引中心；（４）网络具有最少的元件个数；（５）学习的复杂性达到最优（就其复杂性的阶而言）．故此网络在性能、结构、计算复杂性等方面均达到很好状态．

基于蚁群算法的多层前馈神经网络

反向传播算法是神经网络中应用广泛的一种多层前馈神经网络模型。但算法有求解精度低、搜索速度慢、易于陷入极小的缺点。蚁群算法是一种新型的模拟进化算法,有正反馈、分布式计算、启发性收敛等特性。这些特性使得解题过程加快,易于实现分布式计算。将蚁群算法和神经网络相结合起来,实现了非线性模型的辨识问题及倒立摆的控制。仿真实验表明:用蚁群算法训练神经网络,可兼有神经网络广泛映射能力和蚁群算法快速全局收敛的性能。

多层前馈人工神经网络结构研究

研究表明,由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等,该方程组才能有唯一组解.由此导出网络结构方程式,进而导出隐层层数判别式和每层神经元个数判别式.依据Kolmogorov定理,由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法.计算机仿真结果表明该方法简明实用.

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

前馈多层神经网络在水滑石电缆阻燃剂制备中的应用

本文将前馈多层神经网络用于水滑石电缆阻燃剂制备的研究。从获得的试验数据中 ,通过训练建立了原料添加量与最终制备得的水滑石纯度的非线性映射模型。神经网络采用 BP算法 ,网络结构采用 3- 2 - 1形式。结果表明 。

关于三层前馈神经网络隐层构建问题的研究

针对最佳平方逼近三层前馈神经网络模型 ,分析了与隐层单元性能相关的表示空间与误差空间、目标空间与耗损空间的作用 ,提出了按网络生长方式构建隐层时隐单元选择准则和评价方法 研究结果表明 :隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能趋向于极大能量方向的原则 ,这一结果与隐单元采用什么激发函数无关 ,也允许各隐单元采用不同激发函数 网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行 。

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力. 该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类. 实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%. 实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法. 在大规模训练集时,本文方法表现出良好的学习能力,在分类精度上优于LeNet-5. 本文提出的多层局部感知网络结构增强了对非线性特征的学习能力,无论训练集规模大小,都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息,能有效提高分类精度.

关于前馈多层神经网络多维函数逼近能力的一个定理

本文首次证明了前馈神经网络多维函数逼近能力的一个重要定理:当隐层神经元数目足够多时,其多维函数逼近能力与维数无关.也就是说我们只需研究其一维函数逼近能力,所得的结论完全适合于多维情形,该定理大大简化了前馈多层神经网络函数逼近问题的分析难度。本文还给出了该定理的一个应用。

基于改进多层前馈神经网络的电能质量扰动分类

电能质量扰动分类是电能质量控制的重要工作之一,主要工作包括信号特征提取和分类器构造两个阶段。采用S变换与改进的多层前馈神经网络相结合,提出一种新的电能质量扰动分类方法。首先利用S变换对原始数据进行处理,提取具有代表性的4类典型特征以表征不同种类的扰动类型的特性,之后使用拟牛顿法和自适应因子改进传统的多层前馈神经网络,将特征作为改进的多层前馈神经网络的输入向量,实现自动的分类识别。实验表明,新方法减少了噪声对分类准确率的影响,学习能力强,能够有效的识别电压暂降、电压瞬升、电压中断、暂态震荡、谐波等5种电能扰动。

一种改进的多层感知器神经网络技术

多层感知器 (multi-layerperceptronnetworks ,MLPN)是一具有多层神经元、前馈、误差反传结构的神经网络 ,它的学习和预测能力受多方面因素的影响。首先我们从理论证明和数值分析的角度研究了传输函数、神经元的数目、网络层数及网络误差的迭代方式等与MLPN学习和预测能力的关系 ,对常规的MLPN作了改进 ;然后结合一个理论模型分析的例子 ,讨论了改进的MLPN对非线性函数的学习能力 ;最后 ,以某地野外磁测数据的去噪为实例 ,将本文介绍的神经网络技术用于插值 ,从而达到去噪的目的。

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验给出,这种方法往往造成隐单元数目的不足或过甚,从而导致网络存储容量不够或出现学习过拟现象.本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法,该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络,然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值.并对其进行排序,计算这些激活值的各种划分的信息增益,从而构造能将整个样本空间正确划分的决策树,最后遍历整棵树寻找重要的相关隐层神经元,并删除冗余无关的其它隐单元,从而估计神经网络中隐层神经元的较佳数目.文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例,介绍本方法的使用.结果表明,本方法能有效估计前馈神经网络的隐单元数目.

基于模糊分类器及多层前馈神经网络混合结构的说话人辨认

提出了基于模糊超椭球聚类算法的说话人辨认新方法。该算法首先将某一类的训练数据分成若干子类, 对每一子类在其中心周围定义具有超椭球区域的模糊规则。实验表明,该系统可以较快的聚类速度取得与HMM 相当的识别效果。进一步的研究表明,基于模糊超椭球聚类算法的说话人辨认系统与传统的基于HMM的识别方法存在一个共同的缺点,即抗噪性能较差。为此,通过引入多层前馈神经网络(MLFNN)与模糊超椭球分类器构成混合模型,使系统的识别性能和抗噪能力显著提高。

多层前馈神经网络研究——单位BP算法

分析了引起标准 BP算法收敛速度慢的原因 ,以及传统改进方法的不足之处 ,探讨了解决的途径。为了提高 BP算法的收敛速度 ,定义并引入了基量函数的概念 ,并将其运用到 BP算法中 ,给出了一种高效的单位 BP算法。仿真和实例结构均表明该算法能够较好地克服标准 BP算法收敛速度慢的缺点 。

基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测

文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。

多层感知器神经网络在机械故障诊断中的应用

针对ＢＰ网络用于复杂机械故障诊断时学习收敛慢、易陷于局部极小点等不足，提出了改进方法较大误差相关修正法，并对各系数进行了研究．结果表明，改进算法拓宽了各系数的取值范围，使网络性能更加平稳，且缩短了训练时间；适用于解决多输出节点的复杂故障诊断问题．

前馈神经网络隐层评测问题的研究

分析了隐层输出向量组生成的表示空间与期望输出向量组生成的目标空间.通过计算隐单元的误差补偿值,对以隐层生长方式构建网络时,每个隐单元的误差补偿性能以及隐单元性能最优的充分必要条件进行了研究.结果表明:表示空间与目标空闽维数、隐单元数目以及每个隐单元的误差补偿效率决定了前馈神经网络隐层的评测因素.最后定义了隐层品质因子、隐层有效系数、隐单元剩余度和隐层评价因子,并通过对典型前馈网络的考察,验证了该评测方法的合理性和有效性.

基于多层前馈神经网络的并联型电能质量控制器

神经网络用于电力系统电能质量分析和控制是一个新研究领域。快速可靠地提取谐波分量决定着并联型电能质量控制器的整体性能,构造了一种和理论分析相一致的基于反向传播算法的三层前馈神经网络,离线训练收敛后可用来在线检测电力系统谐波电流。系统中逆变器补偿电流的产生对系统的补偿性能至关重要,提出了一种基于神经网络的逆变器瞬时电流PWM控制。并联型电能质量控制器投入系统后电流总畸变率由26.29%下降为5.25%。仿真实例表明,所提并联型电能质量控制器动态响应快,可改善电力系统电流波形畸变,提高电能质量。