嵌套BP神经网络及其在油气产能预测中的应用

提出并研究一种新的神经网络模型——嵌套神经网络模型。将嵌套神经网络模型与BP神经网络相结合,实现模式识别与函数拟合一体化,具体化为嵌套BP神经网络,并用于油气产能预测。实例验证结果表明,嵌套BP神经网络与BP神经网络相比较具有收敛速度快、预测精度高、结果有效性高并具有并行运算的特点,为处理现代化的海量数据提供了构架体系结构。

基于CNN-NLSTM的脑电信号注意力状态分类方法

通过脑电信号进行注意力状态检测,对扩大脑-机接口技术的应用范围具有重要意义。为了提高注意力状态的分类准确率,该文提出一种基于CNN-NLSTM的脑电信号分类模型。首先采用Welch方法获得脑电信号的功率谱密度特征并将其表示为二维灰度图像。然后使用卷积神经网络从灰度图像中学习表征注意力状态的特征,并将相关特征输入到嵌套长短时记忆神经网络依次获得所有时间步骤的注意力特征。最后将两个网络依次连接来构建深度学习框架进行注意力状态分类。实验结果表明,该文所提出的模型通过进行多次5-折交叉验证评估后得到89.26%的平均分类准确率和90.40%的最大分类准确率,与其他模型相比具有更好的分类效果和稳定性。

复杂系统故障的综合诊断模型

为了提高对复杂系统所产生故障的诊断效率,提出一种基于遗传算法(GA)和人工神经网络(NN)的综合诊断模型。该诊断模型的运行分为两步:1)利用NN对故障诊断数据进行预处理;2)运用GA进行诊断。将嵌套神经网络与遗传算法有机结合,嵌套神经网络的功能相当于一种预处理器,可以减少由遗传算法处理的故障类型的数量。弥补了遗传算法不能诊断出可信度和神经网络难以鉴别出最可能故障点的缺点。提高了诊断结果的精确性、可靠性和一致性,而且在一定程度上减少了总运行时间。

NRCNN与角度度量融合的人脸识别方法

常见的卷积神经网络通常使用分类损失来进行可分离的特征学习,在某些情况下存在特征的可区分性不足的问题,而一些改进的方法复杂度较高.为了在较低的复杂性下仍能保证较高的准确率,提出了一种基于嵌套残差卷积神经网络与角度度量的人脸识别方法.首先,设计了一种新颖的基于嵌套残差模块的人脸特征提取网络,通过多特征图融合的方式提取更丰富的特征;其次,使用了一种基于权值标准化的角度度量方法,通过对最后一个全连接层的权值进行标准化的操作来增强特征区分性.在网络训练时,结合上述两种方法使得学习到的特征满足最大类内距离小于最小类间距离的原则。实验表明,该方法在人脸标记数据库上测试准确率达到99.03%,相较于使用分类损失和其他度量学习的方法,该方法仅使用了单个网络并能在保证较高准确率的情况下付出更小的计算代价.

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆(LSTM)网络对于多维数据特征识别和提取上存在不足的问题,在其改进模型嵌套式长短期记忆(NLSTM)网络的基础上,提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络,保留捷径连接中的卷积神经网络结构,既能充分提取时序特征又能保证有用数据在网络层中的跳层传递,并融入注意力机制构建多层残差网络,注意力机制的使用能够选择出对预测结果有重要影响的信息,有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析,结果表明:所述方法能有效建立监测数据与发动机健康状态之间的关系,剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%,比未融入注意力机制方法平均降低18.9%,有效提高了预测精度。