结构耐撞性优化中径向基函数散布常数选取方法

针对代理模型优化技术在结构耐撞性优化中的应用问题,开展了径向基函数和响应面的预测精度检测和适用性研究,并针对径向基函数中散布常数取值机制不明确的问题进行数值分析,提出基于优化计算的选取策略。具体实施为,先使用遗传算法(Genetic algorithm,GA)直接进行搜寻优化,得到的结果可认为是最优结果,并作为代理模型优化方法的参照;通过实例证实代理模型精度检测的必要性,并检验均匀试验设计、中心复合试验设计、析因试验设计在碰撞问题中的适用性;在构造径向基函数时将散布常数设为变量,再以几个随机样点处的数值结果为目标进行模型修正,得到修正的散布常数,代入构造的径向基函数中。结果表明该方案得到的散布常数能够使得径向基函数更好地表征结构耐撞性问题。

基于各向异性散布的医学图像非线性滤波法

为了向临床医生提供清晰准确的诊断依据 ,在对医学断层图像 (CT、MRI)进行滤波处理时 ,须保留具有重要诊断意义的微细结构。然而 ,绝大多数滤波技术在去噪的同时却滤出了细小结构。本文介绍了一个改进的非线性各向异性散布滤波算法 ,图像滤波被认为是一种散布迭代过程 ,通过自动确定最优散布常数和迭代次数 ,散布过程在遇到边界时就会被抑制或停下来 ,从而保留了边缘信息和微小结构。通过对实际医学图像(CT、MRI)的实验表明 。

径向基神经网络优化及在储层敏感性定量预测中的应用

径向基(RBF)神经网络法具有网络结构简单、逼近能力强和学习速度快等优点,已成为最具发展潜力的储层敏感性智能预测方法之一,但在实际应用中仍存在泛化能力不强、网络训练不收敛等问题。通过在输入层中引入补充节点,对网络拓扑结构进行优化,有效地提高了RBF神经网络的逼近精度和泛化能力。在确定储层敏感性主要影响因素的基础上,通过对径向基函数散布常数的优选,进一步优化了RBF神经网络的性能。采用所收集的胜利、辽河、大港及江苏油田共125组数据,进行了神经网络训练和预测检验,优化了RBF神经网络,并在储层敏感性预测方面进行了应用。结果表明,对于训练集内的样本,预测的平均准确率均大于93.79%,且预测值与实验值的相关系数均大于0.995;对于训练集外的样本,预测的平均准确率大于91.59%,预测值与实验值的相关系数大于0.994,实现了对储层敏感性的准确、定量预测。

基于RBF神经网络的土壤重金属空间变异研究

本文采用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)预测太原市晋源区表层土壤中重金属Cr、Cd、Hg的空间变异,并与普通克里格(Ordinary Kriging)插值结果进行对比分析,以选择更合适的土壤重金属空间插值方法。研究结果表明:1)在拟合RBFNN模型过程中,选择合适的spread散布常数可以使模型达到最优,研究区域土壤Cr的最优散布常数为0.08,Cd的最优散布常数为0.10,Hg的最优散布常数为0.14,这组散布常数对于局部区域农田土壤重金属插值模拟有一定的参考意义。2)RBFNN方法与Ordinary Kriging方法对区域重金属浓度分布的预测趋势一致,土壤Cd含量在区域中部较高,尤其是从东北方向到西南方向的轴线上较高,向两侧形成扩散递减趋势;土壤中Cr含量总体分布趋势也是中部较高,其他区域相对较低;土壤Hg含量在区域东北部较高,由东北方向到西南方向浓度逐渐递减。且土壤重金属在区域中的分布与当地的污染源分布相对应。在样本数有限的情况下对土壤重金属进行空间变异研究时,RBFNN方法比Ordinary Kriging方法的预测精度更高更有效。

基于径向基函数神经网络的函数逼近

在介绍了径向基函数神经网络原理的基础上,应用该网络进行函数逼近的实现,并探讨散步常数的选取对逼近效果的影响。