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。

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。

比例融合与多层规模感知的人群计数方法

针对密集场景下人群图像拍摄视角或距离多变造成的多尺度特征获取不足、融合不佳和全局特征利用不充分等问题,提出一种比例融合与多层规模感知的人群计数网络。首先采用骨干网络VGG16提取人群密度初始特征;其次,设计多层规模感知模块,获得人群多尺度信息的丰富表达;再次,提出比例融合策略,根据卷积层捕获的特征权重重构多尺度信息,提取显著性人群特征;最后,采用卷积回归策略进行密度图的回归。同时,提出一种局部一致性损失函数,通过区域化密度图的方式增强生成密度图与真实密度图的相似度,提高计数性能。在多个人群数据集上的试验结果表明,所提模型优于近年人群计数的先进方法,且在车辆计数上有较好推广性。

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。

准东阜康凹陷XRD录井多层感知器法储层物性评价探索

快速准确评价储层物性是试油选层及压裂定段的关键。为研究准东阜康凹陷二叠系上乌尔禾组优质储层分布层段,探索了多层感知器法在准东阜康凹陷XRD录井储层物性评价中的应用。通过收集大量的XRD录井数据,优选5种特征矿物构建多层感知器法神经网络模型,验证发现所建立的模型能够较好地拟合储层物性参数与矿物含量之间的关系。经过训练的模型在测试数据集上取得了较高的预测准确率,为快速、准确评价储层物性提供了新途径。在KT 5及F 47井应用取得了较好的评价效果,具有一定的推广应用价值。

PCA-MLP神经网络模型在黄河宁夏段径流预测中的应用

为提高短时间尺度的月径流量预测效果并简化神经网络模型结构,将主成分分析(PCA)和多层感知器神经网络(MLP)相结合,构建PCA-MLP神经网络模型预测汛期月径流量。模型首先采用主成分分析法确定影响径流量的主要影响因子,再将主要影响因子数据输入MLP神经网络模型,预测月径流量数据。将宁夏青铜峡水文站2010—2019年汛期的月径流量和影响因子数据作为训练样本训练神经网络模型,以2020—2022年汛期月径流量和影响因子数据作为检验样本进行对比分析。预测结果表明:目前影响汛期径流量的因素主要是历史径流和气候特征,检验集预测结果确定性系数为0.851,模型可为宁夏汛期月径流量预测提供相应指导。

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。

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。

一种新的多层感知机隐含层神经元个数上限计算方法

多层感知机在分类问题中具有广泛的应用。本文针对超平面阈值神经元构成的多层感知机用于分类的情况,求出了输入层神经元最多能把输入空间划分的区域数的解析表达式。该指标在很大程度上说明了感知机输入层的分类能力。本文还对隐含层神经元个数和输入层神经元个数之间的约束关系进行了讨论,得到了更准确的隐含层神经元个数上限。当分类空间的维数远小于输入层神经元个数时,本文得到的隐含层神经元个数上限比现有的结果更小。

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。

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。

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.

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。

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。

层数对线性神经元感知机性能的影响

用神经元激活函数的线性模型，研究层数对感知器神经网络性能的影响．结论是，层数Ｌ的选取应不大于神经元最多层神经元的个数；

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.