基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

基于回调函数的控制流深度模糊模型

控制流是程序过程的抽象表现,对控制流进行混淆,可有效提高代码抗逆向能力.提出了控制流深度模糊思想:针对循环结构,利用回调函数构造等价循环模型,将过程内基本块跳转变更为过程间函数调用,对抗逆向技术.综合应用控制流分析和数据流依赖性分析,建立了基于回调函数的控制流深度模糊模型,并给出功能一致性证明.为进一步增大混淆强度,设计并实现了函数调用融合算法,构造更为复杂的函数调用过程.最后,使用OpenSSL和SpecInt-2000标准测试套件作为测试集,验证了模型的可行性和有效性.

深度模糊积分及其应用

传统模糊积分将高维数据投影到一维空间进行分类和预测,但很多时候无法全面描述和正确分类。提出一种深度模糊积分,由双重模糊积分延伸至多重模糊积分,以适应复杂的数据分布,提高分类精度。当数据被投影至一维空间效果不佳时,进行第二次投影,两次投影所得的值构成二维坐标,也就是将投影至一维空间的点拉伸至二维空间进行分类,依此类推,可扩展至多维空间,扩展后的维度可根据复杂度情况学习确定。实验分为两部分,分别是应用于经典数据库和关于肝炎疾病的真实数据。结果表明,深度模糊积分与几种经典算法比较,分类精确度都有不同程度的提高。由此可见,深度模糊积分对经典模糊积分进行了纵深扩展,解决了数据交叠问题,提高了分类性能。

基于最优可免域神经免疫网络的深度模糊红外目标提取算法

深度模糊是模糊红外图像的一类表现特征,准确提取红外图像的深度模糊区域是提取模糊红外目标的基础。基于生物免疫系统在抗原检测、提取和消除上表现出识别、学习、记忆、耐受和协调配合等优异特性,结合生物免疫中神经系统与免疫系统相互作用的关系,提出了一种基于最优可免域神经免疫网络的深度模糊红外目标提取算法。该算法通过设计神经网络能给进行模糊红外图像目标与背景分类的免疫网络以指导作用。依靠独立于免疫系统神经网络先验知识的作用,设计了最优可免域神经免疫网络,实现了针对深度模糊红外目标的准确提取。实验结果证明,相对于其他传统目标提取算法,该算法能更有效和更准确地提取模糊红外目标图像中的目标。

基于模糊深度Q网络的放煤智能决策方法

在综放工作面放煤过程中,由于煤尘和降尘水雾对工作人员视线的影响,人工控制放煤存在过放、欠放问题。针对该问题,将液压支架尾梁看作智能体,把放煤过程抽象为马尔可夫最优决策,利用深度Q网络(DQN)对放煤口动作进行决策。然而DQN算法中存在过估计问题,因此提出了一种模糊深度Q网络(FDQN)算法,并应用于放煤智能决策。利用放煤过程中煤层状态的模糊特征构建模糊控制系统,以煤层状态中的煤炭数量和煤矸比例作为模糊控制系统的输入,并将模糊控制系统的输出动作代替DQN算法采用max操作选取目标网络输出Q值的动作,从而提高智能体的在线学习速率和增加放煤动作奖赏值。搭建综放工作面放煤模型,对分别基于DQN算法、双深度Q网络(DDQN)算法、FDQN算法的放煤工艺进行三维数值仿真,结果表明:FDQN算法的收敛速度最快,相对于DQN算法提高了31.6%,增加了智能体的在线学习速率;综合煤矸分界线直线度、尾梁上方余煤和放出体中的矸石数量3个方面,基于FDQN算法的放煤效果最好;基于FDQN算法的采出率最高、含矸率最低,相比基于DQN算法、DDQN算法的采出率分别提高了2.8%,0.7%,含矸率分别降低了2.1%,13.2%。基于FDQN算法的放煤智能决策方法可根据煤层赋存状态对液压支架尾梁动作进行调整,较好地解决了放煤过程中的过放、欠放问题。

深度神经模糊系统算法及其回归应用

深度神经网络是人工智能的热点,可以很好处理高维大数据,却有可解释性差的不足.通过IF-THEN规则构建的模糊系统,具有可解释性强的优点,但在处理高维大数据时会遇到“维数灾难”问题.本文提出一种基于ANFIS(Adaptive network based fuzzy inference system)的深度神经模糊系统(Deep neural fuzzy system,DNFS)及两种基于分块和分层的启发式实现算法:DNFS1和DNFS2.通过四个面向回归应用的数据集的测试,我们发现:1)采用分块、分层学习的DNFS在准确度与可解释性上优于BP、RBF、GRNN等传统浅层神经网络算法,也优于LSTM和DBN等深度神经网络算法;2)在低维问题中,DNFS1具有一定优势;3)在面对高维问题时,DNFS2表现更为突出.本文的研究结果表明DNFS是一种新型深度学习方法,不仅可解释性好,而且能有效解决处理高维数据时模糊规则数目爆炸的问题,具有很好的发展前景.

面向可解释性人工智能与大数据的模糊系统发展展望

模糊系统作为一种万能逼近器具有很强的可解释性,已被广泛应用在各个领域。尽管目前模糊系统的理论研究不够成熟,仍然存在诸如规则太多、优化困难、维度诅咒等问题,难以处理高维大数据。尽管深度神经网络取得了突出进展,能很好处理图像和语音等大数据,但其可解释性不好,难以用于安全相关的重要场合。因此,非常有必要研究一种基于模糊系统的可解释性强的人工智能算法。结合深度神经网络和模糊系统两者的优点,研究深度模糊系统及其算法,将有可能解决高维大数据问题。主要对模糊系统的发展历程与研究进展分别进行详细阐述,并根据其现有的问题指出其未来的发展方向,对进一步的研究问题进行展望。

复杂干扰条件下灵巧航行体深度控制

使用泵喷射推进器推进在近水面运动的细长航行体时,将受到严重波浪力干扰及尾部水动力干扰,这对运动稳定性及深度控制精度具有显著影响.为抑制干扰,在建立深度通道动力学模型的基础上,设计了模糊控制器,应用模糊控制方法对深度控制系统进行校正.以使用泵喷射推进器推进在近水面运动的某细长航行体为控制对象,通过半实物仿真试验,对比了常规双环控制方法及该模糊控制方法,结果表明,模糊控制方法具有更高的控制精度,为使用泵喷射推进器推进的近水面灵巧航行体深度控制提供了一种可行的方法.

从模糊学角度讨论SISO闭环系统模型的物理局限性

用等效电路导出负反馈放大器Avsf、rof、fhf、fLf等解析式关系式,它能完整、准确描述不同电路反馈机制对放大器性能产生的不同影响 说明了SISO闭环反馈系统数学模型存在有物理局限性:不能体现基尔霍夫定律作用;不能给出完整准确、实用的计算关系式 用模糊数学概念讨论了由闭环方块图导出的Af和FA0 +1表达式对于负反馈放大电路。

激光边缘图像局部模糊特征修复研究

研究激光边缘图像局部模糊特征修复方法,改善激光图像质量、解决激光图像边缘信息损失严重的问题。通过激光图像的视觉信息采样模型采集激光边缘图像后,利用小波分析法提取确定激光边缘图像局部模糊特征并通过旋转变换实现激光图像配准后,通过虚拟视觉重构激光边缘图像的高分辨视觉信息同时,采用模糊信息增强方法增强处理激光边缘图像信息,利用多模态特征分解方法得出激光边缘图像局部模糊特征修复的模糊深度学习模型,通过该模型实现图像局部模糊特征修复。实验结果表明:该方法可以有效修复激光边缘图像局部模糊特征,修复精密度在93.8%以上,填补图像缺失信息,图像的成像质量较好。

基于传感器信息的AUV局部避碰研究

采用势场法对自主水下机器人(AUV)进行局部避碰规划。在建立前视声呐视域模型和人工势场模型的基础上,对AUV进行决策控制,通过梯度逼近法对目标进行搜索,快速规划出一条无碰撞的路径。在障碍物检测上,设计了监测模块,实时检测障碍的类型,指导AUV进行运动轨迹解算。在AUV深度控制上,设计了AUV深度行为模糊协调器,对最小潜深、最小距底高度进行协调,实时解算AUV深度行为。开发了AUV运动规划与仿真的半实物软件系统,仿真实验证明了算法的合理性与可行性。研究对于提高AUV的自主性和安全性具有重要的应用价值。

基于FDNN的电力系统短期负荷预测模型研究

针对电力系统短期负荷预测,本文提出了基于模糊深度神经网络的电力系统短期负荷预测模型,将模糊处理与深度神经网络相结合。首先利用隶属度函数对气象因素进行模糊化处理,并在此基础上,构建了深度神经网络预测模型,通过增加隐含层数,使神经网络具有更强的非线性,对受限玻尔兹曼机进行预训练,同时利用粒子群优化算法,对初始化的深度神经网络进行权值和阈值优化,并通过实际算例进行分析。分析结果表明,模糊深度神经网络预测模型的平均绝对误差和最大相对误差分别达到了1.72%和6.24%,具有较高的预测精度。该研究为基于模糊深度神经网络的电力系统短期负荷预测模型的实际应用奠定了理论基础。

基于光学衍射的纳米尺度深度重建

传统的离焦深度恢复方法(depth from defocus,DFD)在计算离焦图像的模糊程度时,均是基于几何光学成像原理,并没有考虑光波衍射对图像模糊的影响.然而,衍射现象是波的基本特性,以针孔成像为基础的光学成像系统中必然存在光波衍射.本文基于光学衍射和图像模糊机理,提出了一种精确的单目视觉全局景物3D深度信息获取方法.首先,详细分析了光学成像系统中的菲涅耳衍射机理,建立了衍射模糊与景物深度之间的关系曲线;然后,采用曲线拟合的方式建立了衍射模糊的模糊程度(点扩散函数扩散程度)与景物深度的数学关系模型,结合热辐射和图像相对模糊原理,构建了衍射模糊热辐射方程组,并把衍射模糊深度获取问题转换成一个深度信息动态优化问题.最后,使用标准的纳米栅格模板验证了衍射模糊深度重建算法在纳米尺度相对深度和绝对深度重建中的有效性和精确性.

基于骨架的三维人体姿态估计研究综述

基于骨架的三维人体姿态估计近年来已成为计算机视觉领域的热点问题,旨在从图片或视频中估计人体的三维姿态。得益于深度学习的迅猛发展,大大推动了三维人体姿态估计的研究发展。目前,主要通过构建不同的深度神经网络,从图像和视频中回归得到三维人体姿态,根据表示方法的不同,大致可分为:基于直接回归的方法、基于二维姿态的方法和基于混合方法的三维人体姿态估计。随着研究深入,对缺少自然场景数据和深度模糊等问题的研究也越来越多,本文也对该方面研究进行了归纳总结。