多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。

单调RBF神经网络的逼近性分析

针对工程中输入输出呈单调关系系统首先提出单调径向基神经网络,然后给出单调性条件定理,并证明用单调径向基神经网络插值可以逼近紧致集上任意单输入单输出的单调函数。

一类三层前向折线模糊神经网络的构造

为克服模糊数运算的复杂性引入了折线模糊数的概念,并应用其优良性质和折线模糊值函数的表示定理,通过插值神经网络的构造方法获得了一类三层前向折线模糊神经网络,证明了该折线模糊神经网络是连续折线模糊值函数的泛逼近器.

基于虚拟线圈和卷积神经网络的多层同时激发图像重建

本文提出一种基于虚拟共轭线圈(Virtual Coil Concept,VCC)技术和k空间插值鲁棒人工神经网络(Robust Artificial-neural-networks for k-space Interpolation,RAKI)的图像重建方法,用于磁共振多层同时激发成像(Simultaneous Multi-Slice imaging,SMS),该方法能够有效提升重建图像的质量,被命名为VIRGINIA(VIRtual conjuGate colls Neural-networks InterpolAtion).为了得到更高质量的SMS图像,本文提出的VIRGINIA方法利用磁共振线圈数据的复数共轭对称性质扩展了SMS所获取的多通道数据,并将扩展后的数据用于RAKI网络的训练,利用训练后的网络实现高质量的SMS图像重建.本文将VIRGINIA方法和其他SMS图像重建方法(RAKI和Slice-GRAPPA方法)进行了对比,并采用结构相似指数(Structural Similarity Index,SSIM)、峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)和均方根误差(Root Mean Square Error,RMSE)对不同方法的重建图像进行了量化对比分析.结果显示,在相同的SMS加速倍数下,使用VIRGINIA方法进行重建的图像质量均好于RAKI方法,且远好于传统Slice-GRAPPA方法.

基于数据插值和权重指数的矿井机车无线定位方法

文章将基于WLAN的无线定位方法应用于矿井下,针对指纹识别定位算法在训练阶段开销过大的问题,结合矿井巷道一维线状特性,提出了一种基于区域划分的神经网络插值算法和基于信号强度权重指数的定位算法,在提高算法效率的同时,减小了平均定位误差。仿真结果表明,相比于传统的指纹识别定位算法,该算法在效率分别提高33%、20%和10%的情况下,定位精度分别提高了9%、15%和23%。

基于改进大趋势扩散和隐含层插值的虚拟样本生成方法及应用

针对获取复杂工业过程的难以检测质量或环境污染指标数据的时间和经济成本高导致有标记建模样本稀缺的问题,提出了基于改进大趋势扩散和隐含层插值的虚拟样本生成(VSG)方法,并将其应用于城市固废焚烧过程的二英(DXN)排放预测。首先,采用基于子区域欧氏距离改进大趋势扩散(MTD)方法对真实样本输入/输出空间进行扩展;接着,采用等间隔插值方式生成虚拟样本输入,再结合映射模型和删减机制获得虚拟样本输出;然后,采用基于正则化改进的随机权神经网络隐含层插值依次得到虚拟样本输出和输入,再结合扩展空间对虚拟样本进行删减;最后,将上述具有互补性的虚拟样本与原始真实样本进行混合,实现建模数据容量扩充。通过基准数据集和工业过程DXN数据验证了所提方法的有效性和合理性。