基于多输出神经网络的舆情分析指标拟合及优化研究

通过互联网媒介数据构建出完整的互联网舆情指标体系,是进行舆情预测及评估、网络空间治理的基础。然而,由于数据冲突、数据不完整、计算误差、标注失误等诸多问题,严重降低某些指标的可信度。本文根据可信度高低将舆情指标划分为两类,综合多变量数据拟合、主成分分析(PCA)、多输出神经网络等技术,以及基于数据类型的指标评价方法,能够由高可信度指标推导出低可信度指标,并采用新浪微博用户数据进行性别判断实验与用户粉丝量实验。实验结果表明,所推导出的性别准确率高达96. 7%,用户粉丝量的相对绝对误差(RAE)为16%,说明本方法可以构建高可信度舆情指标体系,为舆情指标体系的构建和量化研究奠定基础。

基于多输出LSTM神经网络的深基坑侧移预测

深基坑挡土墙是工程实践中常用的支护结构,对限制深基坑变形和预防工程事故起着重要的作用。深基坑工程往往会布置多个不同深度的测点,然而现有研究大多只预测了单个测点的未来侧移,浪费了其余测点的监测数据。以杭州市某深基坑工程为背景,建立基于贝叶斯优化的多输出长短期记忆(Long short term memory,LSTM)神经网络模型,在保证模型最优性能的情况下,采用历史监测数据输入对深基坑的多个测点进行预测,并单独提取墙体每日最大侧移预测值进行分析。研究结果表明:结合贝叶斯优化的多输出LSTM神经网络模型在深基坑墙体多测点侧移预测方面展现出理想的预测效果,模型R^(2)达到了0.94,每日最大侧移预测值的模型R^(2)为0.91,略低于整体预测。

基于龙格库塔法的多输出物理信息神经网络模型

物理信息神经网络(physics-informed neural networks,PINN)由于嵌入了物理先验知识,可以在少量训练数据的情况下获得自动满足物理约束的代理模型,受到了智能科学计算领域的广泛关注.但是,PINN的离散时间模型(PINN-RK)无法同时近似多个物理量相互耦合的偏微分方程系统,限制了其处理复杂多物理场的能力.为了打破这一限制,文章提出了一种基于龙格库塔法的多输出物理信息神经网络(multi-output physics-informed neural networks based on the Runge-Kutta method,MO-PINN-RK),MO-PINN-RK模型在离散时间模型的基础上采用了并行输出的神经网络结构,通过将神经网络划分为多个子网络,建立了多个神经网络输出层.采用不同输出层近似不同物理量的方式,MO-PINN-RK模型不仅可以同时表征多个物理量,而且还能够实现求解偏微分方程系统的目的.另外,MO-PINN-RK克服了PINN离散时间模型仅适用于一维空间的局限性,将其应用范围扩展到了更为普遍的多维空间.为了验证MO-PINN-RK的有效性,文章对圆柱绕流问题进行了流场预测和参数辨识研究.测试结果表明,与PINN相比,MO-PINN-RK在流场预测问题中的准确性获得了提升,其精度至少提高了2倍,而在参数辨识问题中,MO-PINN-RK的相对误差降低了一个数量级.这凸显了MO-PINN-RK在流体动力学领域的卓越能力,为解决复杂问题提供了更准确、更有效的解决方案.

基于神经网络和模型迁移学习的不相关多源频域载荷识别

针对使用模型初始权重随机设定的神经网络模型进行不相关多源频域载荷识别时训练效率低、精度低的问题,提出一种基于神经网络和模型迁移学习的不相关多源频域载荷识别方法。首先,利用某频率点的历史数据对不相关多源载荷识别的多输入多输出神经网络模型进行训练;其次,将该频率下的神经网络的模型参数迁移到相邻的目标频域的神经网络中作为网络权值的初值;再次,利用目标频率的历史数据对神经网络进行微调训练,从而得到目标频率的不相关多源频域载荷识别模型;最后,将该频率的训练好的神经网络的模型参数迁移到下一个相邻频率的模型,循环该过程直到建立所有频率点的神经网络模型。在圆柱壳声振实验数据集上的载荷识别结果表明,该方法具有较好的网络权值初值、能有效减少训练时间,比不使用迁移学习的神经网络方法、基于传递函数和最小二乘广义逆的方法、基于多元一次线性回归的方法具有更高的识别精度。

塑件质量的BP神经网络智能控制研究

设计了一个多输入多输出的BP神经网络程序,依据正交试验设计训练样本,实现了注射成型产品多质量目标的高精度预测;应用质量控制环和工艺控制环构建的注射成型自适应控制系统可实现对产品质量的自适应调整,提高了实际生产效率,降低了废品率。

BP神经网络在注塑产品质量控制中的应用

设计了一个基于VisualC++平台的多输入多输出的BP神经网络程序,依据正交实验设计训练样本,实现了注射成型产品多质量指标的高精度预测,可实现对注塑产品质量的监控,提高了实际生产效率。

基于多输入多输出深度学习模型的期货价格预测

针对期货收盘价预测问题中样本量偏少(对于深度学习模型来说)的问题,本文设计了一个多输入多输出的深度学习模型。该模型通过多个预测目标训练共享网络,提高了特征提取的效率。文中以PTA期货为算例,证明了该模型的优越性:(1)对于收盘价预测,该模型的预测误差显著小于CNN-LSTM混合模型;(2)对于收盘价涨跌预测,本文根据预测结果模拟投资,获得了正的收益。另外,本文在模型训练之前,使用协整检验分析了现货价格和现货库存与期货价格的相关性,从而保证了数据质量,也弥补了深度学习模型可解释性较弱的缺点。

基于深度迁移学习的多点频域振动响应预测

针对多输入多输出神经网络(MIMO-ANN)进行多点频域振动响应预测时需要为每个频率点独立建立神经网络模型、独立随机选择神经网络模型初值导致的训练时间长、预测精度低等问题,提出了一种基于多输入多输出人工神经网络(MIMO-ANN)和模型迁移学习的多点频域振动响应预测方法。本研究对于多源不相关载荷未知条件下的基于数据驱动的振动响应预测问题进行了形式化描述,并比较了其与不相关多源载荷已知情况下基于数据驱动的多点频域振动响应预测问题的不同之处。首先,将某频率点下的多个振动响应已知的测点的自功率谱作为输入,多个振动响应未知的测点的自功率谱作为输出,将两部分历史数据集构造成为训练集,利用MIMO-ANN建立该频率下的未知点振动响应预测模型;其次,根据传递函数在频域的连续性,利用该频率下训练好的MIMO-ANN的权值迁移到相邻频率作为其MIMO-ANN的初值;再次,利用此相邻频率下的历史数据进行训练,从而得到此频率下的预测模型;最后,不断循环此过程,直到所有频率点的模型全部训练完成。该方法解决了矩阵病态求逆问题,可以获得更好的神经网络模型的初值,不容易陷入局部最优,加快了神经网络的收敛速度。在圆柱壳声振实验数据集的多点响应预测结果表明,在多源载荷未知条件下,该方法比基于无迁移学习神经网络、多元线性回归、传递函数的方法,预测精度、训练效率更高。

一种改进的空空导弹三维变结构导引律

空空导弹采用变结构导引律攻击大机动目标时存在视线角速率易发散和变结构参数项不易确定等缺点。针对上述问题,在变结构控制理论的基础上,提出一种基于变指数趋近律的参数自适应变结构三维导引律,利用多输入多输出RBF神经网络对变结构参数项进行在线调整。仿真结果表明,该导引律能有效削弱变结构控制的抖振,进一步提高导引精度,具有很强的自适应能力和鲁棒性,满足空空导弹战术指标要求。