地铁隧道土体参数优先级表和神经网络反分析

为获取准确的土体力学参数,保障隧道施工过程的安全可靠,提出一种优先级表和神经网络相结合的地铁隧道土体力学参数反分析方法。首先,采用优先级表的实时调度算法确定待反演土体力学参数;然后,采用正交试验设计方法,寻求反演参数取值的最优组合,正演获取训练和测试样本;其次,用混合遗传算法优化的BP神经网络,找出待反演参数与土体变形量的非线性映射关系;最后,将工程现场土体变形信息作为输入样本,对土体力学参数进行反演分析和灵敏度检查。结果表明,土体位移模拟值与实测值最大绝对误差为0.018 mm,最大相对误差为1.070%,符合安全规范及设计要求。

基于OLS-SFLA-RBF神经网络的风电出力预测(英文)

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络(RBF)建立风电出力预测模型,并通过正交二乘算法(OLS)对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法(SFLA),进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。

基于深度学习的岩石薄片正交偏光图像多曝光融合算法

针对正交偏光下岩石薄片图像中动态范围较低,无法观察全部颗粒的问题,将深度学习应用于多曝光图像融合算法,通过融合多个曝光度的薄片图像来获取较高的动态范围。首先将低动态范围的多曝光图像序列输入卷积神经网络,然后网络通过优化损失函数获取较好的权重图预测结果,最后由源多曝光图像序列联合权重图加权融合得到具有较高动态范围的薄片图像。对比实验表明,该算法可以有效地提升图像中的颗粒清晰度。

混合式步进电动机结构参数智能协同优化

为了探究混合式步进电动机关键结构参数对其静态转矩的影响规律,找寻最优设计方案,提出一种基于正交试验、反向传播(Back Propagation,BP)神经网络和遗传算法的智能协同优化方法。通过对电机的磁路分析与ANSYS Maxwell-3D有限元仿真,讨论了电机结构和运行参数对输出转矩的影响,并据此对电机的气隙g、齿宽比bt/t、齿高ht和转子壁厚hr进行协同优化,采用电机的最大静转矩Tm作为优化目标,运用智能协同优化方法得到最优解,并对优化结果进行有限元验证。结果表明:优化结果与仿真结果相近,最大静态转矩相对误差为4.8%,最优结构参数为:g=0.1 mm,bt/t=0.37,ht=0.84 mm,hr=2.5 mm。

基于HPSO-WNN的牵引变压器故障诊断算法研究

为全面有效地诊断电力机车牵引变压器故障,提出一种基于混合粒子群算法的正交小波神经网络(HP-SO-WNN)方法,对牵引变压器进行综合测试和诊断。将色谱数据和电气试验数据作为正交小波神经网络的输入量,网络隐藏层采用具有正交性的小波函数db4作为基函数,利用混合粒子群算法获得正交小波神经网络的初始值并优化网络参数。试验结果证明,本文提出的HPSO-WNN确实可有效提高牵引变压器故障诊断速度和准确度。

多模态高维因果学习及其应用

从物理机制和数据驱动出发,基于贝叶斯因果图网络、动力干预和反事实假设等不同因果模态之间的一致性表征,构建多博弈、多驱动、多维度的竞争性因果学习新范式.从干预改变因果关系流、依赖图网络抽象变量之间的因果关系以及假设反事实的复用因果机制,通过全新的方式将不同的机制和变量组合起来,以一种循序渐进的方式进行抽象、表示、推理和规划,从而将原因和结果紧密联系起来,以便从因果性、预测性和智能性等角度形成对世界运作方式的更好理解.最后,将多模态学习的因果知识重新整合形成混合正交神经因果网络,充分利用多模态一致性因果关系中的动作、力和干预行为及可复用的因果机制,大幅度提升正交神经因果网络的分布外泛化性能,对赋予现有深度学习在归纳推理以及神经网络的更强解释性等方面具有重要指导意义.

竞争性因果学习及其应用

因果关系的研究一直紧密围绕人类探索世界和发现世界的主题,传统的仅仅研究事物之间的统计相关关系作用有限,很难满足经济社会快速发展的需要.文章将自监督学习和对抗学习结合,利用图网络模型和系统动力学的反演模型,从大规模无监督数据中挖掘潜在的隐含信息,基于对比约束,构建物理驱动与数据驱动的统一框架,然后采用极大极小博弈策略学习不同因果模态的一致性表征,从而逼近真正的因果关系,为揭示潜藏在数据背后的内在规律提供了有力的分析工具.文章将非随机因果学习思想融入机器学习框架,对克服现有深度学习在抽象、推理及神经网络可解释性等方面的不足具有重要指导意义.

网络、滤波、滤波器

Y2000-62028-1261 0005875多模带状纤维数据链路用的小型低串扰波分复用滤波元件=Compact,low-crosstalk,WDM filter elements formultimode ribbon fiber data links[会,英]/Patel,R.R.& Garrett.H.E.//1999 IEEE 49th Electronic Compo-nents and Technology Conference.—1261～1264(UC)