基于MLP神经网络的中国南方地区多因子PWV预测模型

针对利用全球导航卫星系统(global navigation satellite system,GNSS)反演高精度大气可降水量(precipitable water vapor,PWV)时需要获取大气加权平均温度(Tm)从而影响结果精度的问题,在充分探究PWV与对流层天顶湿延迟(zenith wet delay,ZWD)等诸多因子相关性的基础上,利用中国南方地区40个探空站在2015—2017年的探空数据,基于多层感知器(multi layer perceptron,MLP)神经网络及多元回归拟合算法分别建立预测PWV的MLP模型、线性回归(linear regression,LR)模型与非线性回归(non-linear regression,NLR)模型。为充分探究2种建模方法对PWV精度的影响,利用2018年探空数据为参考值进行模型精度检验,并与传统PWV预测模型(PWV-SC2模型)进行精度对比分析。结果表明:MLP模型的年均均方根误差(RMSE)、偏差(bias)和相对误差(RE)分别为0.66 mm、0.06 mm和2.18%,相比LR模型和NLR模型年均RMSE分别降低了0.11 mm(14.6%)和0.17 mm(20.5%),年均bias分别降低了0.04 mm(43.7%)和0.28 mm(82.3%),年均RE分别降低了50.7%和57.3%;相比PWV-SC2模型,年均RMSE和bias分别降低了0.17 mm(20.5%)和0.15 mm(71.4%),年均RE降低了47.7%。因此,MLP模型在中国南方地区有较好的精度及适应性,可应用于中国南方地区高精度PWV预测。

基于人工神经网络——多层感知器(MLP)的遥感影像分类模型

新一代遥感信息分类方法的应用,主要是将近年来发展起来的人工神经网络、模糊理论、人工智能等技术用于遥感信息分类,从算法上改进分类的精度。论述人工神经网络中的多层感知器(MLP)的基本思想,结合实例,用多层感知器(MLP)方法对单源及多源融合遥感影像进行了分类,并与各种分类方法的结果进行比较。

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。

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。

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．

基于多层感知器神经网络的波导匹配负载设计

讨论了多层感知器神经网络 (MLPNN)在矩形波导终端匹配短负载设计中的应用。网络学习过程采用反向传播算法 (BP) ,并对训练和测试用样本进行随机化 ,训练过程中加入动量项 ,网络结构可进行自动调节。对样本进行了线性定标 ,用定标后的样本训练神经网络 ,建立系统模型 ,通过优化神经网络相应参数成功实现了矩形波导H面T型结构的终端短小匹配负载的结构设计。

基于多层感知器神经网络的小微企业信贷风险研究

文章以多层感知器神经网络算法为基础,对某小贷公司的小微企业信贷数据库中的信贷记录进行了信贷评估,并将该结果与决策向量机、线性判别、二次判别和逻辑回归等数据挖掘方法进行了比较。分析结果表明,从总体上看,多重感知器神经网络算法优于传统的基于参数的分类方法,即多层感知器神经网络算法拥有相对较高的ROC曲线下面积和较低的预期错误分类成本。更进一步,在研究所采用的4种MLP算法中,基于BFGS Quasi-Newton训练算法的MLP表现最为出色,可以作为金融机构进行小微信贷风险评估的辅助决策模型。

多输入傅里叶神经网络及其麻雀搜索优化

鉴于反向传播(BP)神经网络存在灵敏度高但收敛速度慢,以及已有傅里叶神经网络不具备多输入数据特征提取能力,借助多个傅里叶神经网络构建能接收多维数据的堆叠神经网络,进而将其与多层感知器融合,获得基于梯度下降的多输入傅里叶神经网络。结合此神经网络获取全局最优参数值难的因素,通过在麻雀搜索算法中引入Cat混沌映射、动态种群规模调节机制及参数自适应调节方案,提出改进型麻雀搜索算法,并将其应用于多输入傅里叶神经网络的参数优化及高维函数优化问题的求解。理论分析可得,所提算法的计算复杂度主要由种群规模和优化问题的维度决定。比较性的数值实验表明,所获神经网络提取多源数据特征的能力和泛化能力强,同时所提算法处理高维优化问题具有明显优势且收敛速度快。

基于循环多层感知器神经网络的符号逻辑推理系统

介绍一种用循环多层感知器神经网络实现符号逻辑推理系统的方法。该方法通过让神经网络学习训练样本获取领域规则知识，或者直接将领域规则知识编码于神经网络之中，即用神经网络来表达领域规则知识，然后通过神经网络的循环反馈计算过程来实现任意形式的符号逻辑推理．为研究人类抽象思维（逻辑符号推理）与神经网络形象思维（联接数值计算）之间的关系提供了理论基础。

融合卷积神经网络与多层感知器的鞍部识别方法

针对传统鞍部识别方法中特征选择困难及未考虑鞍部与其它地形要素的共生关系等问题,利用深度卷积神经网络的特征自学习性能,提出了一种卷积神经网络与多层感知器相结合的混合模型实现DEM数据中的鞍部要素识别.首先设计改进的卷积神经网络模型自动提取鞍部的深度特征,经过Softmax分类器得到候选鞍部点,再运用多层感知器对候选鞍部点的位置进行精细回归,标识出最终的鞍部要素坐标.通过自建的鞍部样本集SADDLE-100训练网络模型,并在三种不同的山地样区进行实验,实验结果表明该方法比其它鞍部识别方法的漏提率减少约50%,正确识别率提高6.7%,在一定程度上避免了人工选择特征造成的鞍部语义信息缺失现象,为DEM中的点状要素识别提供了新的技术途径.

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.

基于径向基—多层感知器神经网络联合的复杂岩相智能识别与表征

苏里格气田东二区二叠系石盒子组盒8段(以下简称盒8段)为典型的河流相致密砂岩储层,其强非均质性及复杂的储层结构导致该区面临“甜点”储层优选困难等关键技术瓶颈。为此,在分析盒8段储层岩相类型及组合特征、岩相约束下测井数据特征的基础上,建立了一种契合岩相及其组合特征、测井数据特征、人工智能算法原理的径向基—多层感知器神经网络联合模型,并开展了储层岩相的精确识别与表征研究。研究结果表明:(1)盒8段发育块状层理砾岩相、槽状交错层理粗砂岩相、板状交错层理粗砂岩相、板状交错层理中砂岩相、平行层理中砂岩相、交错层理细砂岩相、波状层理粉砂岩相、块状层理泥岩相8种岩相类型;(2)盒8上亚段曲流河相储层岩相密度偏小、岩相频率偏高、对应测井数据分布较分散,盒8下亚段辫状河相储层岩相密度偏大、岩相频率偏低、对应测井数据分布较集中;(3)建立的径向基—多层感知器神经网络联合模型识别准确率可达89.06%,相较于单一神经网络模型、交会图、主成分分析和决策树等方法识别准确率明显提高。结论认为,建立的径向基—多层感知器神经网络联合模型不仅克服了现有岩相识别方法准确率低且难以推广的缺陷,而且对实现河流相强非均质性致密砂岩储层高效开发具有重要意义。

采用多层感知器神经网络构建亚急性期缺血性脑卒中患者短期预后的预测模型

目的采用多层感知器(MLP)神经网络构建亚急性期缺血性脑卒中(CIS)短期预后的预测模型。方法2019年1月至2021年9月,上海市瑞金康复医院康复科再住院缺血性脑卒中患者60例,采集首次住院时(病程<30 d)的临床相关信息,根据首次入院3个月后改良Rankin量表评分,判断患者短期预后。采用单因素分析筛选与短期预后相关的危险因素,分别采用常规多因素Logistic回归和MLP建立预测模型,计算两种模型的预测准确率,采用接受者操作特征(ROC)曲线评估预测效应。结果多因素Logistic回归模型预测准确率73.3%,ROC曲线下面积0.851;MLP模型预测准确率88.9%,ROC曲线下面积0.930。结论采用MLP模型能更好预测亚急性期缺血性脑卒中的短期预后。

混沌自适应非洲秃鹫优化算法训练多层感知器

针对训练多层感知器(MLP)时,算法对初始值敏感、易陷入局部最优和收敛速度慢等问题,对新型启发式算法非洲秃鹫优化算法提出改进算法IAVOA。在初始化种群时引入Logistic混沌映射,增加种群的多样性;对最优秃鹫和次优秃鹫增加自适应权重系数,自动调整这两类秃鹫对普通秃鹫的引导作用;IAVOA用于MLP的训练,采用均方误差的平均值作为适应度函数寻找MLP的连接权重和偏差的最佳组合。选取4个不同复杂度的分类数据集,比较IAVOA算法与现有启发式算法对MLP训练后,MLP对数据分类的性能,仿真结果表明,IAVOA算法训练的MLP在数据分类准确率、全局搜索能力、收敛速度和稳定性方面均具有良好的性能。

一类神经网络多层感知器的硬件实现方法

提出了一种新的神经网络多层感知器硬件实现方法——信号传播路径动态选择．给出了隐节点个数的确定规则和网络的训练算法，并从理论上给予了证明．结果表明，该算法能一次确定权值，而且所确定的权值均为逻辑值。

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。

基于多层感知器神经网络的学生校内消费评估研究

文章针对评估高等学校在校生校内消费情况方面存在的工作量大、衡量标准难以确定、主观因素影响较大等问题,提出了基于多层感知器神经网络机器学习的评估方法,即采用多层感知器神经网络算法构建模型,学习学生的校内消费数据,挖掘出数据中的隐含信息,再利用学习完成的模型实现评估的一种方法。该方法使用Python编程实现。实验结果表明,该方法能够快速、准确地完成所需的消费特征评估,为学校决策者和相关管理部门提供有力的数据支持。

感知器神经网络模型研究

文章介绍人工神经网络中的典型模型单层感知器和多层感知器,给出标准的感知器学习算法及算法的实现步骤,在此基础上介绍了感知器神经网络模型的改进算法,并对这些算法的特点进行了分析。

基于多层感知器神经网络的智能分类算法

现代技术发展催生了各类智能算法和计算工具,多层感知器神经网络和智能分类算法为其中的代表。尝试就基于多层感知器神经网络的智能分类算法展开分析,给出网络拓扑结构、智能分类算法设计等内容,最后通过模拟实验对上述理论的可行性和价值进行论证,从而为后续多层感知器、智能技术运用提供支持。

基于核磁共振录井数据的多层感知器神经网络对苏里格气田南区的评价预测

为了快速评价预测苏里格气田南区的储集层含气特征,利用该区核磁共振录井数据和实际试气结论及地质信息,构建核磁共振录井参数与储集层含气性识别关系的多层感知器神经网络模型,通过逐层训练得到预测估计值。网络模型训练数据分类准确率为97.7%,测试数据分类准确率为94.6%。应用多层感知器神经网络模型对60组样本核磁共振录井数据进行预测,55组样本被正确分类,整体准确率达91.7%,可以快速有效地对储集层含气性进行识别预测,在实际应用中得到了较好的效果。模型在训练中出现一些异常值,原因可能为模型数据量较少,在钻取和测试过程中储集层样品发生气体逸散,如果选到更合适的数据集进行学习测试,能够提高模型的预测精度,具有一定的可行性。