自适应反归一化改进多层神经网络轴流转桨水轮机协联功率预测

轴流转桨水轮机现场协联试验受经济和时间成本限制,获取的数据量有限,难以全面指导机组协联运行参数设置。为提高协联试验效率,实现水轮机协联工况下的功率追踪,同时避免水轮机物理模型高度非线性化难以模拟实际现场问题,提出一种基于改进多层神经网络数学预测模型,采用Rule函数、L2正则化、Adam优化器并用PSO算法优化其梯度参数。针对神经网络实际预测缺乏真实值的问题,提出自适应反归一化区间端值判断策略提高实际预测准确度。通过协联与非协联仿真分析,结果表明所提出预测模型和区间策略能够在小样本情况下对轴流转桨水轮机协联工况实现有效的实际预测,具有较高精度。

某煤炭集团煤工尘肺发病预测方法研究

目的研究一种煤工尘肺发病的预测模型,确定适合本次研究的最优模型。方法通过查阅文献初步确定适合本次研究的煤工尘肺发病危险性预测模型,分析比较不同模型的优越性,研究适合不同工种煤工尘肺发病的预测模型。结果多层感知器神经网络预测模型和logistic回归预测模型可以用于预测个体的发病概率。通过对不同工种数学预测模型评价样本的检验,掘进工(χ2=141.96,P<0.001)、采煤工(χ2=135.44,P<0.001)和混合工(χ2=54.84,P<0.001)三工种预测模型差异有高度统计学意义,多层感知器神经网络模型优于logistic预测模型。辅助工两模型差异没有统计学意义(χ2=0,P>0.05),两模型预测能力相当。结论通过比较分析,多层感知器神经网络模型为最优模型。

面向异构IoT设备协作的DNN推断加速研究

深度神经网络(deep neural network,DNN)已经广泛应用于各种智能应用,如图像和视频识别.然而,由于DNN任务计算量大,资源受限的物联网(Internet of things,IoT)设备难以本地单独执行DNN推断任务.现有云协助方法容易受到通信延迟无法预测和远程服务器性能不稳定等因素的影响.一种非常有前景的方法是利用IoT设备协作实现分布式、可扩展DNN任务推断.然而,现有工作仅研究IoT设备同构情况下的静态拆分策略.因此,迫切需要研究如何在能力异构且资源受限的IoT设备间自适应地拆分DNN任务,协作执行任务推断.上述研究问题面临2个重要挑战:1)DNN任务多层推断延迟难以准确预测;2)难以在异构动态的多设备环境中实时智能调整协作推断策略.为此,首先提出细粒度可解释的多层延迟预测模型.进一步,利用进化增强学习(evolutionary reinforcement learning,ERL)自适应确定DNN推断任务的近似最优拆分策略.实验结果表明:该方法能够在异构动态环境中实现显著DNN推断加速.

人工智能在5G无线网络优化中的设计与实现

采用了贝叶斯网络模型,建立了多层感知器预测模型,设计并实现了5G无线网络优化系统。该系统经过大量路测数据的采集和分析,给出了5G无线网络优化问题的解决方案,提高了工作效率,实现了5G无线网络优化工作的智能化,显著提高了社会效益和经济效益。

智能汽车对无信号交叉口行人的避撞控制

针对智能汽车在无信号交叉口对横穿行人的避撞问题,研究了主动转向避撞控制策略。基于多层模型预测控制方法,采用分层控制策略设计局部规划层控制器与全局跟踪层控制器,在此基础上根据交叉口处汽车与行人的轨迹特征计算人车碰撞剩余时间,改进传统人工势场法构造避撞函数,规划出既能规避交叉口内存在碰撞风险的行人又能使偏差最小的局部避撞路径,并使智能汽车在满足多项动力学约束时准确跟踪参考路径,通过搭建CarSim/Simulink联合仿真平台,结合广东省2006—2018年交通事故数据库选取对交叉口人车碰撞有显著影响的因素,设计仿真场景进行仿真分析。结果表明:智能汽车能在多个初始点完成对参考路径的跟踪,控制器对不同速度和附着条件有较高的鲁棒性,高速低附着场景中,智能汽车横向加速度小于0.4 g、质心侧偏角小于2°、前轮侧偏角小于2.5°,各约束量满足舒适性和平稳性条件;4个典型交叉口场景中,智能汽车以不同速度直行或转弯通过交叉口,均能识别横穿行人中存在碰撞风险的行人实现主动转向避撞。