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。

基于Gash修正模型与神经网络优化模型的刺槐冠层截留模拟

[目的]对比分析Gash修正模型和神经网络模型在模拟和预测人工林冠层截留的适用性,揭示干旱区刺槐冠层截留及其响应过程,为深入了解森林生态水文过程及其调控机制提供科学依据。[方法]于2019年5—10月,以宁夏河东地区刺槐(Robinia pseudoacacia)人工林为研究对象,定位观测了树干茎流和穿透雨并计算得到冠层截留,采用修正后的Gash模型与神经网络模型对刺槐林林冠截留量进行了模拟。[结果](1)研究区刺槐人工林的穿透雨量、树干茎流量、林冠截留量分别为154.19,5.61,16.5 mm,产生穿透雨和树干茎流的阈值分别为1.37,2.17 mm。(2)Gash修正模型和优化后的神经网络模型均能较好地模拟刺槐冠层截留量,Gash修正模型的绝对误差、均方误差、均方根误差、平均绝对百分比误差分别为0.20%,0.06%,0.24%,52.43%,模拟结果拟合精度达到83%;与Gash修正模型相比,采用麻雀搜索算法优化后的BP神经网络算法模型(SSA-BP),均方误差降低了61.48%,平均绝对误差降低了40.39%,均方根误差降低了37.93%,平均绝对百分比误差降低了50.52%,决定系数提高了1.2%。[结论]在林木冠层截留模拟研究方面,加入麻雀搜索算法后的BP神经网络模型具有较好的可靠性,可以有效降低模拟误差,提高模型的预测精度。

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。

基于双向多层门控循环神经网络的奶牛乳脂率预测模型研究

通过对奶牛乳脂率进行数据预测以及结合随机森林算法对环境数据进行精准特征选择,确定了对乳脂率影响较大的环境因素。在此基础上,提出了将随机森林算法与双向多层门控循环神经网络相结合的乳脂率预测模型(RF-BiGRU)并进行了相关实验。结果表明,该模型能够提高预测的准确性及效率。

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。

Koopman原理内嵌MLP神经网络模型驱动的电力系统非线性振荡特征分析方法

针对电力系统非线性动态特性表征与物理机理融合不清晰、精度低的问题,提出了一种Koopman原理内嵌多层感知机(MLP)神经网络模型驱动的电力系统非线性特性表征与分析方法。阐明了Koopman算子的基本原理,分析了Koopman算子在非线性系统时序演化中的作用。采用MLP神经网络构建编码、解码映射,进而形成Koopman原理内嵌的神经网络深度学习模型,通过深度学习实现非线性系统“编码映射-线性演化-解码映射”3种结构的演化逼近。分析了将所提方法应用于电力系统动态特性分析的物理机理,建立了所提方法的求解与应用流程。通过单机与4机系统算例对所提方法进行对比验证,结果表明所提方法可以精确表征平衡点稳定域内的系统动态过程,可用于电力系统非线性振荡动态特性解析。

基于BP神经网络的陕西春季浅层地温预测模型

利用2016—2021年春季(3—5月)陕西98个国家级地面气象观测站逐日观测资料,运用BP神经网络构建了陕西春季不同区域(陕北、关中、陕南)不同月份(3、4、5月)不同土壤深度(5、10、15、20 cm)地温预测模型,并利用2022年数据进行模型预测检验。研究结果表明:模型预测的各深度日平均地温在陕北、关中、陕南地区预测准确率>95%,且整体表现出土壤深度越深预测准确率越高的趋势,10 cm日平均地温预测准确率>98%,15、20 cm日平均地温预测准确率>99%;各深度日平均地温在陕北、关中、陕南地区预测值与实测值的均方根误差≤1.0℃、平均绝对误差≤0.8℃,均方根误差和平均绝对误差整体表现出土壤深度越深误差值越小的趋势;模型预测精度比较理想,可用于陕西春季浅层地温预报业务,为春播及果树花期预报提供技术支持。

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。

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。

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.

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．

录井神经网络油气层解释模型研究

利用BP人工神经网络误差反向传播算法 ,开发了神经网络油气层解释软件。通过对泌阳凹陷安棚深层系和焉耆盆地已试油层的原始资料进行学习、训练 ,建立了油气层神经网络解释模型。运用该模型可完成储层流体类型的划分和识别 ,结合录井、测井等原始资料 ,可实现计算机处理自动化 ,其预测符合率达 84 .2 %。

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。

引入感知模型的改进孪生卷积神经网络实现人脸识别算法研究

针对非限定性条件下人脸识别困难问题,设计了一种引入感知模型的改进孪生卷积神经网络结构(Inception Module Incorporated Siamese Convolutional Neural Networks,IMISCNN),在充分利用孪生结构有效减少外界干扰并避免过拟合等优点的基础上,为其增加感知模型实现更丰富特征的提取.为寻找最优学习率引入了循环学习率策略,加速模型收敛.在CASIA-webface和Extended Yale B标准人脸数据库上的仿真实验表明,所提IMISCNN算法提升了人脸识别精度.

前馈多层神经网络BP算法与可靠性增长模型

本文叙述了可靠性增长和 BP算法的基本概念 ,着重研究神经网络 BP算法用于可靠性增长的预测方法。Gompertz模型是可靠性增长的一个很好的预测模型。本文引用文献中的多个实例 ,将BP算法预测结果与 Gompertz模型预测结果相比较 ,结论基本上一致。这说明该方法不但可行 ,而且有简便。

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。

人工神经网络感知机模型判别医疗设备维修期内影响医疗服务满意要素的可行性

目的:探讨人工神经网络感知机模型判别医疗设备故障停机对医疗服务的影响。方法:参考世界卫生组织(WHO)对卫生系统绩效进行测评的反应性水平评估标准,以及人工神经网络的感知机模型和学习规划等资料,对人工神经网络感知机模型进行分析和研究,并对其进行模型构建和判别。通过正交实验设计,验证感知机模型判别医疗设备故障停机对医疗服务影响程度的分析,并通过社会类别、医疗类别和求医类3组训练输出值判别交通因子(Tr)、候诊因子(Td)和健康因子(H)是否给予关注。结果:患者在医疗设备停机时所受的影响程度可归结为最大关注和可以忽略;社会类别、医疗类别和求医类别3组训练输出值医疗服务满意度(y)均>学习期望值(d);设备停机时患者对交通因子(Tr)的影响可忽略,候诊因子(Td)不属最大关注,而患者对健康因子(H)的影响表示最大关注。结论:人工神经网络感知机模型判别结果可用于研究医疗设备维护期内影响医疗服务的满意度要素,验证感知机模型判别医疗设备故障停机对医疗服务影响程度的可行性,为大数据下智能化评价医疗服务满意度提供借鉴。

基于人工神经网络的微弧氧化膜层厚度预测模型的建立

在硅酸钠电解液体系中,采用微弧氧化技术在铝合金表面制得了均匀的陶瓷膜。将人工神经网络应用于微弧氧化工艺研究中,借助MATLAB神经网络工具箱,建立了具有4-12-1结构的BP神经网络模型,该模型很好地学习了微弧氧化电解液参数和膜层厚度之间的映射关系;对膜层的厚度进行了预测,并采用正交试验对电解液参数进行了优化。结果表明,该网络收敛速度较快,预测值与实际值基本吻合,平均预测误差仅为1.93%。当Na2SiO3质量浓度为6g/L、H3BO3质量浓度为1.5g/L、KOH质量浓度为0.5g/L、H2O2质量浓度为0.6g/L时,膜层的厚度达到最大值183μm。

基于神经网络和感知模型的盲检测数字水印

提出了一种基于Hopfield神经网络的盲检测数字水印算法。基于噪声可见函数实现了水印的自适应嵌入,利用Hopfield神经网络记忆宿主图像以及原始水印信息。在水印检测时,通过神经网络从嵌入水印的图像中联想出宿主图像和水印嵌入信息,再利用水印图像和联想出的宿主图像提取出水印,实现了水印的盲检测。