并联卷积神经网络的近红外光谱定量分析模型

近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

基于多模态神经网络的新型冠状病毒感染患者继发医院感染的预测模型分析

目的:基于多模态神经网络,构建新型冠状病毒感染(COVID-19)患者继发医院感染的预测模型,为临床患者继发医院感染的防治提供参考。方法:选取2022年8月1日—2023年1月20日镇江市第三人民医院收治的2519例COVID-19患者作为研究对象,收集患者的年龄、既往病史、住院时间、抗菌药物使用、行机械通气等信息,采用多模态神经网络预测模型分析患者继发医院感染的影响因素,并与传统的多因素Logistic回归分析模型进行比较。结果:2519例COVID-19患者中发生医院感染的有312例,感染发生率为12.39%;Logistic回归分析结果显示,COVID-19患者继发医院感染与年龄、是否有高血压病史和呼吸系统疾病史、是否有经验性使用抗菌药物和免疫抑制剂、是否行机械通气具有相关性(P<0.05),其中年龄>65岁、有高血压病史、有呼吸系统疾病史、住院时间>7 d、经验性使用抗菌药物、行机械通气是患者继发医院感染的独立危险因素(P<0.05);多模态神经网络预测结果显示,住院时间、呼吸系统疾病史、年龄、经验性使用抗菌药物和机械通气是患者继发医院感染的5个最大的危险因素,其训练样本、检验样本和坚持样本的准确度分别为87.49%、86.31%和90.28%;多模态神经网络预测模型和多因素Logistic回归分析模型的接受者操作特征曲线的曲线下面积分别为0.879和0.852,并且Delong检验结果显示二者之间存在统计学差异(P<0.05)。结论:多模态神经网络预测模型和多因素Logistic回归分析模型均可以较好地预测COVID-19患者继发医院感染的相关风险,但多模态神经网络预测模型的预测结果更好。

基于BP神经网络和路径分析模型的生态园林城市——以郑州为例

生态园林城市绿化规模的预测是生态园林城市发展中的一个核心问题,其与经济指标、社会指标、环境指标存在着复杂的非线性关系。BP神经网络由于具有良好的非线性拟合性能,而被应用于各种预测领域。首先,采用文献分析法梳理出固定资产投资额、GDP等26个影响生态园林城市绿化建设的因素。其次,以2019年被命名为国家生态园林城市的郑州市为研究对象,基于BP神经网络理论训练了生态园林城市绿化规模的预测模型,并对训练集、测试集的预测值和真实值进行对比分析。最后,通过构建路径分析模型梳理出26个影响因素中复杂的因果关系,包括直接间接影响、正负反馈、路径系数等。研究发现:训练的“26-7-1”网络结构的BP神经网络能够准确预测出生态园林城市的绿化规模,进而可为生态园林城市发展中,如何科学、合理地预测适应城市发展的绿化规模提供依据;构建的路径分析模型,可以反映城市发展中各影响因素以何种方式和强度影响生态园林城市绿化建设。

基于PSO-BP神经网络的磨机传动系统模型修正

针对磨机传动系统结构的复杂性、部件间约束条件的不确定性以及非线性等因素,提出了一种基于PSO-BP神经网络的有限元模型修正方法。通过改进BP神经网络逼近设计参数和特征量间的非线性映射关系,结合实际结构响应,利用神经网络的泛化特性,得到了模型设计参数值。修正后频率误差从最高18%降到4%左右,修正系数误差范围均在0.5%以内,明显提高了有限元模型精度;同时,又不需要大量迭代求解步骤,避开了传统反问题模型修正法的复杂非线性优化过程,提升了效率,验证了PSO-BP神经网络法应用于大型磨机传动系统上的可行性,为后续传动系统整体分析奠定了基础。

基于小波分析与神经网络的电子设备故障诊断

电子设备在长期运行过程中由于受到各种因素的影响,不可避免地会出现故障。如何对电子设备的故障进行有效诊断具有重要的应用价值。为提高电子设备故障的诊断精度,本文提出了一种基于小波分析和RBF神经网络的电子设备故障诊断方法,该方法首先利用小波分析提取故障样本的小波系数,然后利用RBF神经网络训练小波系数实现故障诊断。基于MATLAB的仿真实验结果表明,所提出的方法是一种有效的电子设备故障诊断方法。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

基于同伦分析方法和神经网络的复杂腐蚀缺陷海底管道屈曲压力计算方法

针对含复杂形状腐蚀缺陷海底管道屈曲压力计算难的问题,本研究中采用同伦分析方法对含复杂腐蚀缺陷海底管道的屈曲压力进行了计算,并用有限元方法进行了对比验证,进而根据计算结果提出了基于神经网络模型的海底管道屈曲压力的计算方法。结果显示:同伦分析方法可以有效、准确地计算含复杂腐蚀缺陷海底管道的屈曲压力,在相同情况下抛物线形腐蚀管道的临界屈曲压力大于椭圆形管道的临界屈曲压力。基于神经网络模型的腐蚀海底管道屈曲压力计算方法具有良好的泛化性能,可以很好地应用于工程现场的计算。

基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

基于不同神经网络模型预测体测成绩

为更加准确地反应当前学生的身体素质情况,基于多个不同的神经网络模型构建体测成绩预测模型,为降低体测成绩中各项目数据之间的相关性,使用主成分分析法对数据集进行处理。使用BP神经网络结合脉冲神经网络构建一个预测模型,加强模型处理分析数据集的能力,提高预测的准确性。在长短期记忆神经网络中加入注意力机制构建另一个预测模型,使模型更加关注数据集中的关键信息。通过实验,预测模型输出的预测值与实际值的重合率高达90%以上,预测准确率整体在95%以上。

基于小波变换与神经网络的非侵入式家电负荷监测研究

智能家电智能化程度越来越高,同一电器对应的工作模式也越来越多。目前家电的非侵入式负荷监测仅仅采用传统家电单一负荷曲线进行研究,极大局限了非侵入式负荷监测技术的应用推广。为此,以智能洗衣机不同工作模式为例,研究了同一家电不同模式下的用电负荷特征,采集了智能家电中洗衣机不同工作模式下的用电负荷数据,通过小波变换的方法对负荷曲线进行平滑与特征信息提取,并基于统计学思想对表征特征信息的特征向量进行了评价,建立神经网络模型对不同工作模式的负荷曲线进行了识别,通过MATLAB平台仿真,证明了基于小波分析特征提取及神经网络特征识别的方法在非侵入式智能家电负荷监测中的可行性,识别准确率较高,具有良好的应用推广价值。

课程-迁移学习物理信息神经网络用于长时间非线性波传播模拟

由于传统物理信息神经网络(PINN)在长时间模拟时存在计算稳定性差甚至无法获得有效解的难题,文章提出了一种基于课程学习和迁移学习的物理信息神经网络(CTL-PINN),用于长时间非线性波传播模拟.该改进的PINN的主要思想是将原长时间历程问题转化成若干个短时间子问题,其求解过程分为3个阶段;在初始阶段,使用传统PINN来获得初始短期子问题的解;在课程学习阶段,使用包含前一步训练信息的传统PINN以时域扩大的方式逐次求解,在迁移学习阶段,使用包含前一步训练信息的传统PINN以时域迁移的方式逐次求解.这种改进的PINN可以避免传统PINN陷入局部最优解的问题.最后通过几个基准算例验证了本文所提出的CTL-PINN方法在模拟长时间非线性波传播过程的有效性和鲁棒性.

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

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。

小波降噪及改进遗传算法的BP神经网络在基坑变形中的组合应用

以某市人民医院基坑工程为例,针对实测数据建立实测数据结合BP神经网络预测模型,小波降噪结合BP神经网络模型和小波降噪结合改进遗传算法优化的BP神经网络模型,并利用误差分析理论对基坑变形数据预测效果评价。结果表明:对比3种模型实际处理、预测数据能力,实测数据结合BP神经网络模型预测精度在1%-4%之间,小波降噪结合BP神经网络模型预测精度1%-2%之间,小波降噪结合改进遗传算法优化的BP神经网络模型预测精度在1%以内,小波降噪结合改进遗传算法优化的BP神经网络模型的预测准确率最高。针对基坑变形监测,小波降噪结合改进遗传算法优化的BP神经网络模型具有更高预测精度,可为类似工程提供实际参考。

基于神经网络算法和自振频率测试的连续梁桥模型修正

针对有限元模型计算结果往往与实际结构存在偏差的问题,本文以连续梁桥为研究对象,提出了基于神经网络和自振频率的有限元模型修正方法.首先介绍了反向传播神经网络(BPNN)、径向基神经网络(RBFNN)以及粒子群优化算法-反向传播神经网络(PSO-BPNN)的基本原理.其次,建立空心板梁、小箱梁、T梁3种不同截面类型连续梁桥有限元模型并计算得到其动力特性,同时对实桥进行振动测试.通过灵敏度分析确定待修正参数,对比分析了3种不同神经网络的修正效果,并将修正前后计算值对照实测数据进行验证.结果表明:(1)混凝土弹性模量和重力密度对于桥梁自振频率的灵敏度远大于泊松比,选取弹性模量和重力密度为待修正参数.(2)修正后的有限元模型误差均降低到了7%以内,并且通过模态置信准则验证了修正后的模态置信度MAC值均提高到了94%以上.(3)PSO-BPNN相比于BPNN和RBFNN具有更高的精度和可靠性,基于PSO-BPNN修正后的有限元模型更能反映实际桥梁结构在真实条件下的力学响应情况.

基于Attention和LSTM循环神经网络的文本情感分析

随着智能手机的不断普及及社交媒体的高速发展,在网络上发布情绪表达的人越来越多,有效地对此类数据进行合理的情感分析,有助于解决舆论、政策制定等领域问题。通过有效的情感分析,人们可以更好地理解和把握用户的情感倾向,将其转化为有价值的信息和洞察能力,以指导决策和改进。基于Attention和长短时序记忆网络(LSTM)循环神经网络(RNN)的文本情感分析是一种利用深度学习技术来自动分析文本中的情感内容的方法。LSTM模型能够有效地捕捉到文本中的时序信息,但为了提升对关键信息的提取能力,结合注意力机制,以实现对情感信息的更好捕捉和理解。通过分析实验结果可知,此方法能够更好地挖掘和理解文本中的情感信息,对于情感分析任务具有较高的准确性和鲁棒性。

基于改进小波神经网络的新型PMSM速度控制

采用传统PI控制策略的永磁同步电机调速系统无法兼顾良好的动态响应性能与抗扰动能力,且在实际应用中参数整定繁琐。为改善以上问题,对速度环设计一种改进型小波神经网络PI控制器,该控制器基于自适应学习速率的梯度下降法并引入惯性项在线更新网络参数,通过权重因子扩大PI参数输出范围,以增强控制器性能;为消除电流环比例参数对速度环的影响,设计无差拍电流预测控制器,进一步提升系统动态响应性能。仿真结果表明,上述控制方案能够实现速度环PI参数在线自整定,明显提升系统动态响应性能,且具有良好的抗扰动能力。

基于改进BP神经网络模型的辽西地区农业灌溉用水预测

文章引入小波分析函数对传统BP神经网络模型进行改进,提高模型收敛精度,并将改进的BP神经网络模型对辽西地区农业灌溉用水进行预测。结果表明:与模型改进前相比,改进后模型对辽西地区年尺度和月尺度农业灌溉用水量预测相对误差分别降低6.9%和10%。研究成果对于区域农业灌溉用水预测方法具有参考价值。

神经网络结合机器学习的煤与瓦斯突出量和危险性等级预测组合模型

准确预测煤与瓦斯突出危险性能够有效预防煤与瓦斯突出事故,保证煤矿的安全高效生产。为提高煤与瓦斯突出预测模型的准确性和普适性,提取BP神经网络最后一步隐藏层作为随机森林的输入特征,构建了BP神经网络结合随机森林的组合模型(BP-RF模型)。以60组煤与瓦斯突出工程数据集作为样本,采用平均误差、均方误差、危险等级预测精度和相关系数对模型进行了定量评价。研究结果表明:所建立的BP-RF模型对煤与瓦斯突出危险等级预测的准确率为99.9%,对煤与瓦斯突出量的预测准确率为94.87%。所建立了BP-RF模型性能优于BP、RF、IFOA-GRNN模型,精度较高。同时,根据所建立模型对所有特征的敏感性进行了分析,研究认为煤层深度、厚度煤层、地质构造变化、煤层厚度变化、煤层倾角变化、软层厚度变化、煤层软塌现象、煤层坚固系数变化、钻井动力学现象、气体释放初始速度对模型预测结果最为敏感,在煤矿实际开采过程中必须要高度重视。