用于结构损伤识别的神经网络输入选取规则探究

将神经网络作为模式识别工具用于结构损伤位置识别时,其识别效果除了要受到网络隐层数目、各隐层神经元数目、神经元传递函数的形式、训练样本的数量与质量及训练方法的影响外,还会受网络输入性能的影响。在其他因素均相同的条件下,网络输入对网络性能起着决定性作用。为解决网络输入的选取问题,从网络功能、类别可分性和噪声的影响三个方面对网络输入的选取进行了分析研究,提出了用于结构损伤识别的神经网络输入选取的一般性规则,对采用神经网络处理模式识别问题具有参考价值。

高职英语网络输入式阅读教学探讨

高职英语阅读以应用性为导向。通过网络输入改进和调整英语阅读内容,是培养高职生英语阅读能力的有效途径。

高职英语网络输入式阅读教学探讨

随着网络技术的发展,网络输入式阅读教学正在逐步取代传统教学的地位,成为了广大教师常用的教学手段。本研究重在分析和探讨高职英语网络输入式阅读教学的优势及可行性。

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。

基于双深度输入凸神经网络多模型的中间点过热度预测控制

新能源大量并网,超临界火电机组参与调峰容易造成中间点过热度较大波动,从而导致过热蒸汽超温等问题。为较好控制中间点过热度达到稳定,提出了一种基于双深度输入凸神经网络多模型(muti-DDICNN model)的中间点过热度预测方法,分别训练了不同预测步长下子模型,构建了中间点过热度状态预测网络(SPNN)和误差预测网络(EPNN)。利用此预测网络凸性质,设计了一种基于双深度输入凸神经网络多模型预测控制器(DDICNN-MPC),将控制问题转化为凸优化问题,求取控制矩阵对目标函数的雅可比矩阵,采用梯度下降法计算控制矩阵最优解。仿真结果表明,DDICNN-MPC能快速平稳地跟踪中间点过热度设定值,且稳态误差较小,具有较好的调节能力。

基于非线性输入前向网络的色谱实验条件优化

利用包含实验条件两两偶合的非线性输入前向网络，研究了热解吸－气相色谱实验条件的优化．我们发现，这种非线性输入网络能很好地给出色谱实验条件与评价指标之间的映射关系，在隐层单元数目均为６个时。

一种基于光流双输入网络的微表情顶点帧检测方法

微表情顶点帧蕴含着丰富的微表情信息,为了准确地检测出微表情顶点帧,本文提出了一种基于光流特征的神经网络分类,并利用先验知识规则进行取舍的检测方法.该方法针对固定滑窗大小内的图像进行光流信息提取,利用双输入特征提取网络对x,y方向的光流信息进行时空特征提取,并进行分类,经根据微表情先验知识所设计的取舍规则后处理后,改善了检测准确度.实验结果表明,在数据集CASMEⅡ上测试,顶点定位率(apex spotting rate,ASR)指标达到了0.945,F_(1)-score指标达到了0.925.

多输入多输出网络系统的拥塞控制方法

该文讨论了多输入多输出网络系统中信息拥塞的控制问题,通过对造成网络拥塞的原因以及影响网络传输定性的因素进行分析,建立了解决网络拥塞的模糊逻辑控制器。仿真表明了该控制器可以有效保证网络系统中信息的稳传输。

基于鲁棒输入训练神经网络的非线性多传感器故障诊断方法及其应用

针对非线性系统多传感器故障诊断时出现的检测准确性下降和数据重构产生的残差污染问题,提出了基于鲁棒输入训练神经网络非线性多传感器故障诊断模型.在目标函数中引入影响因子函数和可靠性系数,并通过计算机模拟和仿真确定最佳影响因子函数形式,抑制了多个含有显著误差故障数据的不良影响,并增加了具备高可靠性的重要数据影响权重,大大减小了残差污染,提高了故障诊断的准确性和可靠性.以某300 MW机组1#高加测点为对象进行算例分析,验证了该方法对于多传感器故障诊断的可行性和准确性,计算和模拟表明,RITNN方法优于线性PCA和传统ITNN方法,能够更加准确进行多传感器故障的检测和故障数据的重构.

嵌入输入凸神经网络的静态电压稳定控制替代建模方法及其解析算法

电力系统静态电压稳定控制通常依赖于精准的物理建模,可能导致收敛和时效性问题。从数据驱动的角度出发,提出一种嵌入输入凸神经网络(ICNN)的静态电压稳定控制替代建模方法及其解析算法。利用ICNN精准地参数化由运行变量映射的凸非线性电压稳定边界;考虑ICNN的计算实时性和去迭代优势,将ICNN嵌入预防控制模型,替代电压稳定计算的非线性方程迭代过程,规避机理计算的收敛问题,从而生成电压稳定的凸非线性简化控制模型;通过解析ICNN的深度结构表达式推导出ICNN超参数驱动的控制梯度,提出有效耦合内点法的ICNN最速下降求解策略,实现电压稳定控制提效。IEEE 14节点系统和IEEE 118节点系统的测试结果表明,所提ICNN驱动的电压稳定凸非线性控制可有效耦合机理建模和数据模型,相比传统方法能更好地兼顾控制精度和计算效率,具有一定的在线应用潜力。

基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测

提出一种基于图形特征的风力机轴承剩余使用寿命(RUL)预测方法。首先,基于连续小波变换(CWT)对时域振动数据样本集进行预处理,得到用于预测的时频图形数据集。然后,采用双输入卷积神经网络(DICNN)从图形数据集中提取特征映射,用于构造高性能健康指数(DICNN-HI)来表征轴承各退化阶段的状态。最后,结合DICNN-HI,采用基于高斯过程回归(GPR)的分析方法进行RUL预测,并用PRONOSTIA滚动轴承数据集进行验证。结果表明,该方法具有较高的健康指数预测精度,能有效反映滚动轴承的劣化状态,有助于实现风力机轴承的RUL预测。同时,也可为其他旋转机械设备的剩余寿命预测提供重要的理论参考,具有一定的实用价值。

多类单输入多项式神经网络预测能力比较

多项式神经网络是根据函数逼近理论与多项式插值建立的一种以线性无关或者正交多项式为隐层神经元激励函数的前向神经网络。分别利用Legendre多项式、Hermite多项式、第一类Chebyshev多项式、第二类Chebyshev多项式、Bernoulli多项式及幂函数构造相应的单输入多项式神经网络,设计出一种适用于该六类神经网络的增长型权值与结构确定算法以确定其相应的最优网络结构与连接权值。基于该算法,深入研究了采用不同的隐层神经元激励函数时多项式神经网络的学习和预测能力。仿真结果表明,除了由Hermite多项式和Bernoulli多项式构建的神经网络的学习和预测能力相对一般外,其他四类神经网络都具有较为优越的学习和预测能力。最后,利用第一类Chebyshev多项式神经网络对世界人口趋势进行了仿真预测。

基于混合型鲁棒输入训练神经网络的非线性数据校正方法及其应用

提出了一种基于混合型鲁棒输入训练神经网络的非线性数据校正模型,在基于过程数据的神经网络模型中引入了反映过程机理的约束方程.根据所提模型的网络结构,采用罚函数法将约束方程加入到网络训练目标函数中,并采用BP算法推导出该网络的学习方法,进而给出了基于该方法的数据校正流程.分别以一个五维非线性系统和某1 000 MW机组1#高加测点为对象进行算例分析,结果表明:所提出的模型能正确检验出测量数据中的不良值,具有良好的鲁棒性;在完成数据校正的同时还能保证重构数据满足相应的系统机理约束条件;在多测点同时发生故障时,也能保证数据校正的准确性和可靠性.

150W PT功率变换器的输入匹配网络设计

根据压电变压器(PT)的电气特性以及工作原理,本文提出了通过设计合理的PT输入匹配网络实现PT功率变换器窄带控制的新颖设计方法.本文的主要贡献是:1)分析输入匹配网络的功能,提出设计方法,并给出了计算网络参数的方法;2)Pspice仿真结果表明系统性能满足设计要求;3)制作了带有输入匹配网络的变换器原理样机,实物样机测试结果表明变换器能够实现窄带控制以及零电压开启,输出功率为150W,PT的效率约为90%.

一种基于分级输入训练神经网络的非线性主元分析

基于输入训练神经网络的非线性主元分析(PCA)能够有效地提取过程变量的非线性主元,但是存在主元的个数不能通过网络训练确定,且各个主元重要程度在神经网络中无法区分等缺点,本文提出一种分级输入自调整神经网络,并进一步提出基于此网络的非线性PCA,通过多级输入自调整神经网络,将主元按顺序找出,且根据主元对过程数据的预测误差定量地确定出主元的个数,克服了上述缺点.*

基于混合输入模糊神经网络的风力发电机异常监测

风力发电机工作环境恶劣致使故障频发,常规异常监测方法存在监测参数单一、误报率高等问题。将风力发电机运行工况作为分类变量引入混合输入模糊神经网络,建立风力发电机关键参数的正常行为模型,计算在线运行数据与正常行为模型的残差,通过残差建立多元高斯分布模型,并利用高斯概率密度的等高线设定异常状态阈值。实验以5 MW海上风力发电机基准模型为例,建立多输入多输出模型对发电机输出功率和转子转速进行异常监测。对比实验结果表明,该方法的发电机输出功率和转子转速异常状态识别正确率优于其他对比方法。

基于输入凸神经网络的IPT系统电压预测控制

感应式电能传输(IPT)系统的输出电压容易受到负载、互感等系统参数变化的影响。为了提高该系统输出电压的实时调节能力,提出了一种基于双深度输入凸神经网络的模型预测(DDICNN-MPC)控制器。以LCL-LCL结构的IPT系统为例,基于深度输入凸神经网络分别训练了系统状态预测网络、系统误差预测网络,结合二者使用交互递推的方式建立了IPT系统多步误差预测模型,将控制器中的优化问题转化为凸优化问题,然后使用梯度下降算法求解该问题。仿真结果表明,控制器的稳态误差可控制在1%以内,且相比于PID控制器与传统MPC控制器,DDICNN-MPC控制器对互感和负载扰动具有良好的鲁棒性,在谐振参数发生变化时仍有一定的调节能力,为实现感应式电能传输系统输出电压的实时调节提供了一种行之有效的方法。

高速CMOS/SOI电路输入保护网络的优化设计

报道CMOS/SOI集成电路中输入保护网络的优化设计.从网络内部参数、总体设计的理论分析以及失效测试等方面讨论了各种因素对静电失效的影响,并在此基础上成功地研制了抗静电能力超过2000V、电路平均单级门延迟小于2.7ns的输入保护网络.

两输入幂激励前向神经网络权值与结构确定

基于多元函数逼近与二元幂级数展开理论,构建了一个以二元幂函数序列为隐神经元激励函数的两输入幂激励前向神经网络模型。以该网络模型为基础,基于权值直接确定法以及隐神经元数目与逼近误差的关系,提出了一种网络权值与结构确定算法。计算机仿真与数值实验结果验证了所构建的网络在逼近与去噪方面具有优越的性能,所提出的权值与结构确定算法能够快速、有效地确定网络的权值与最优结构,保证网络的最佳逼近能力。

一种多输入神经网络的调制识别方法

随着通信环境的日益复杂,信号的调制分类在各种领域中变得越来越重要。在低信噪比下,能准确地识别出信号的调制类型具有极大的挑战。针对这一问题,提出了一种基于多输入网络的调制识别算法,利用信号的熵值特征、高阶累积量和预处理后的IQ数据作为网络的输入,在网络内部对不同输入数据提取到的特征进行融合,实现了在低信噪比下有效地识别2FSK,4FSK,BPSK,QPSK,8PSK,8QAM,16QAM,32QAM,64QAM这9类数字通信信号。实验结果表明,当信噪比为0 dB时,整个集合的平均识别率能达到93%。