自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。

基于循环神经网络的多模态无线传感数据自适应融合方法

为了去除无线传感数据冗余,降低传感器能量消耗,提出了一种基于循环神经网络的多模态无线传感数据自适应融合方法。利用格拉布斯准则预处理传感数据,剔除了不具备参考利用价值的粗数据。利用相似性指标计算,得到精细数据的相似元,进而获得关键数据。利用循环神经网络解决了无线传感器数据过度依赖和梯度过长问题,确定数据自适应融合的特征参数。考虑传感器发生异常检测和不发生异常检测时数据融合情况,完成数据自适应融合。经仿真实验证明,在相同数据相似度门限值下,90个时隙的最低融合比为10%,可有效控制数据压缩量。该方法下传感器能量消耗始终低于0.25 J,其最低传输延迟为10 ms,提高了传感数据融合的性能。

基于自适应时间窗的数据-模型融合驱动暂态频率预测

新能源大规模并网使得新型电力系统的暂态频率响应特征更加复杂,现有频率在线预测方法难以兼顾准确性和及时性。基于此,提出基于自适应时间窗的数据-模型融合驱动暂态频率预测方法。首先,基于长短期记忆网络,离线训练多个具有不同长度时序数据输入的频率曲线循环预测模型;其次,利用参数辨识方法离线建立各发电集群的通用等值频率响应模型,在此基础上构建系统有功-频率物理机理快速分析模型;最后,串行融合前述频率曲线循环预测模型与有功-频率物理机理快速分析模型,并提出“可信度量化评估指标”,实时分析在线预测过程中不同评估时刻下预测结果的精度,自适应调整输入时序数据长度,直至预测结果满足要求并输出。含风电的IEEE39节点系统的仿真结果表明,所提方法在不同风电渗透率或不同扰动下均能快速、准确地预测暂态频率响应曲线,相较于其他在线预测方法具有更优的评估性能。

基于改进BP神经网络的无线传感网络数据融合方法

为提高融合数据与网络节点的适配度,引进改进BP神经网络,以无线传感网络为例,设计一种全新的数据融合方法。采集无线传感网络数据,引进Kalman滤波器,根据滤波器在空间中的线性表达区域,给定一个无线传感网络数据的线性归回范围,设计无线传感网络数据的预处理与特征提取;利用改进BP神经网络的数据反向传播特点,参照网络在学习中的映射规则,调节网络传播节点的阈值与权值训练数据;设定无线传感网络数据集合的参考视场和步长,计算数据与节点适应值;选用Max-min标准化处理法对数据归一化处理,采用LEACH算法深度融合网络数据。设计对比实验,实验结果证明:该方法可在提高融合数据与节点适应值的基础上,提高节点对数据的收敛速度,以此达到最优的融合效果。

基于多精度深度神经网络的汽车气动外形优化设计方法

在汽车气动外形优化设计中,往往需要大量的高精度CFD数据作为支撑。然而,高精度CFD数据获取难度大、成本高。为了缓解汽车气动优化设计中气动特性评估精度和效率之间的矛盾,根据迁移学习与数据融合的思想,提出了一种基于多精度深度神经网络(multi-fidelity deep neural network, MFDNN)的汽车外形优化设计方法,以减少优化设计中所需的高精度数据个数,从而有效提升优化速度、降低优化成本。将所发展的优化方法应用于快背式MIRA标准模型减阻优化设计中,优化结果表明,该方法能够充分融合不同精度数据所蕴含的知识,加速气动外形优化进程,提升优化效率。以收敛用时作为评价指标,在取得相近或更优优化结果的前提下,基于多精度神经网络的优化框架的收敛速度是基于单精度神经网络的离线优化框架的5.85倍,是基于单精度神经网络的在线优化框架的2.81倍。

基于数据融合的自适应神经网络模糊控制系统设计

基于数据融合的思想,提出一种非线性系统的自适应神经网络模糊控制器的设计方法。该方法利用数据融合技术降低了模糊控制器的输入维数,简化了模糊控制器的设计。用自适应神经模糊推理系统的神经网络自学习功能完成模糊控制器的设计。仿真结果表明,自适应神经网络模糊控制系统性能优于采用普通的模糊控制器的情况,为数据融合与智能系统技术在非线性系统中的应用作了有益的探索。

雷达网数据融合的自组织模糊神经网络模型

对雷达网的数据融合提出了一种自组织模糊神经网络模型 ,分析了该模型的自组织特征及神经元感应场内模糊隶属度函数最大的 WTA竞争机制 .通过二维舰船目标的识别和航迹融合仿真实验 。

基于自适应遗传BP算法神经网络数据融合的空中目标识别

空中目标识别是现代防空作战的重要研究内容。本文利用不同类型目标产生的多类型传感器的数据信息对目标进行识别。为了训练神经网络目标识别分类器，将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法，利用这种神经网络来确定指标的权值。仿真试验结果表明，基于自适应遗传BP算法神经网络的识别是一种简单、可靠的目标识别方法，具有很好的目标识别效果。

小型餐饮选址中多源数据融合空间网格的神经网络模型

店铺选址对于餐饮企业的生存和发展具有决定性的作用。传统选址方法存在着较强的主观性,不适用于小型餐饮店铺。文中提出了一种针对小型餐饮店铺选址的神经网络模型,通过空间网格计算融合出租车GPS轨迹数据、城市POI兴趣点、美团商家评论等多源异构数据,基于餐饮选址影响因子指标体系构建了餐饮选址特征向量空间矩阵,最后采用优化的神经网络对特征向量空间矩阵进行学习建模。文中实验以武汉市武昌区为研究范围,使用历史数据集学习建模及实验验证,结果表明选址模型的调和平均值较传统方法明显提高,预测准确性获得了较大提升,文中模型具有较强适用性。文中模型为小型餐饮店铺的选址提供了一种准确有效的解决方案。

基于NARX神经网络的分簇数据融合算法

无线传感器网络中节点监控时采集的数据具有时间和空间上的相关性,给节点通信带来负担,缩短网络生命周期。为降低冗余数据,提出一种基于NARX神经网络的分簇数据融合算法(N-CDAA)。将NARX神经网络时序预测模型和基于矢量量化的分簇路由协议有机结合,从时间和空间相关性上消除冗余,把融合后的少量数据发送给汇聚节点,提高数据收集效率,延长网络生存时间。实验结果表明,该算法预测精度高,可有效降低数据传送量,到达延长网络生命周期的目的。

基于结合自适应步长布谷鸟搜查算法的模糊神经网络的软件可靠性增长模型

针对现有的软件可靠性增长模型(SRGM)适用性较差、预测精度波动大的问题,使用自适应步长布谷鸟搜查(ASCS)算法对模糊神经网络(FNN)的权重和阈值进行寻优,利用得到了最优权重和阈值的FNN建立SRGM。在使用缺陷数据对FNN训练的过程中,利用ASCS来调整FNN的权重和阈值,以此提高在预测过程中的精度,同时采用多次预测结果取均值的方式来减小FNN预测的波动性,以此建立基于结合自适应步长布谷鸟搜查算法的模糊神经网络(ASCS-FNN)的软件可靠性增长模型。利用3组软件缺陷数据,以误差比均值和误差平方和作为衡量标准,对基于ASCS-FNN、结合模拟退火算法的动态模糊神经网络(SA-DFNN)、FNN、BP网络(BPN)建立的SRGM的一步向前预测能力进行比较。预测结果表明,在四组模型中,基于ASCS-FNN建立的SRGM相对于SA-DFNN、FNN、BPN建立的SRGM的平均预测精度相对提高率RI(AE)和RI(SSE)分别为-1.48%、54.8%、33.8%和14.4%、76%、35.9%,并且该模型比FNN、BPN建立的SRGM在相同缺陷数据下的预测波动性小,而且网络结构比SA-DFNN的网络结构简单。因此该模型具有预测精度较高、预测稳定和具有一定的适用性等优点。

神经网络模型对传感器数据融合的应用

本文描述科霍内(Kohonen)特征映射神经网络模型对于战术和传感器数据融合的应用。用来自现代海军环境的例子评述由数据融合提出的问题。强调了用于海军作战自动监视和支持的目标和任务识别。作为基于神经网络的系统的可应用领域评述了科霍内特征映射模型,研究了它在实际应用中的限制,讨论了如何解决这些问题。描述了使用科霍内特征映射作为基本单元的两个不同的模块化神经网络体系结构和它们应用于数据融合的比较。

基于实测数据融合的堆芯物理模型反演优化方法及工业验证研究

由于堆芯运行过程中的组件辐照生长、冷却剂高速冲击等因素,燃料组件不可避免地会出现弯曲现象。但机组运行期间无法直接测量燃料组件弯曲状态,导致数值模拟采用的堆芯物理模型与真实堆芯状态之间存在差异,直观上表现为堆芯功率分布的计算值与实测值存在显著误差。为了提高数值模拟精度,本文开展了基于实测数据融合的堆芯物理模型反演优化方法研究:采用人工神经网络算法,通过大量样本训练建立堆芯物理模型与实测数据物理场之间的显式函数关系;基于三维变分算法和实测数据物理场,建立物理模型反演优化代价函数,通过实测数据反演优化得到与真实状态更为接近的堆芯物理模型。为了实现方法验证,本文利用国内某商用压水堆核电厂的功率分布实测数据对堆芯燃料组件弯曲实现了反演优化。数值结果表明:采用反演优化得到的堆芯物理模型,可将堆芯功率分布计算误差的最大值由13.4%降至7.7%,显著提升了堆芯数值模拟结果的精度。因此,本文提出的基于实测数据融合的堆芯物理模型反演优化方法能够显著提高堆芯数值模拟的精度,在核反应堆数字孪生技术研发中具有重要的应用价值。

基于卷积神经网络的乳腺癌病理图像分类方法

针对单一卷积神经网络在乳腺癌识别分类准确率不高、研究集中二元分类等问题,基于深度学习提出一种多模型融合机制方法。对乳腺癌组织学图像进行预处理,通过数据增强方法缓解数据集较少且分布不均匀问题;使用六个CNN通过迁移学习策略进行训练,提取多网络特征并保存,通过验证集损失率选出最优两个模型ResNet50和Inception_v3进行融合;实现病理图像在不同放大倍数下的多级分类。实验结果表明,模型融合后在患者级别和图像级别分类准确率最高达到94.18%、94.12%,优于单一网络、传统机器学习方法和现有基于深度学习二元分类方法,说明该网络有助于乳腺癌病理图像的分类研究。

灰色神经网络在传感器数据融合中的应用研究

无线传感器是一种新兴的数据采集技术,为了消除传感器的数据之间冗余,加快通信的速度,提出一种灰色神经网络的传感器数据融合方法。首先对当前无线传感器数据融合的研究进行分析,然后采用多个传感器进行数据实时采集,并采用灰色模型和神经网络对传感器数据进行融合处理,有效去除重复的数据,可以用少量数据反映原始数据特征,最后在NS-2仿真平台上进行验证性。结果表明,本文方法降低传感器节点的通信能耗,降低了数据信息传送量,从而延长了无线传感器网络的寿命。

基于融合卷积神经网络模型的手写数字识别

针对传统手写数字识别方法识别率较低的问题,提出一种融合卷积神经网络(F-CNN)模型。通过结合暹罗网络(SN)模型和二进制卷积神经网络(B-CNN)模型的高级特征,扩展网络高级层的尺寸,增强F-CNN模型的特征表达能力。在网络训练过程中,设计周期性数据打乱策略,提高F-CNN模型的收敛速度,更好地实现手写数字识别。在MNIST数据集上的实验结果表明,融合模型对于手写数字的识别准确率达到99.10%,识别性能优于SN模型和B-CNN模型。

基于Q学习加权融合的无模型自适应参数寻优

无模型自适应控制算法作为一种数据驱动算法,具有计算量小,无需系统精确模型,易于实现等特点。为使传统无模型自适应控制算法具有更好的控制性能,提出了一种使用Q学习对控制参数进行优化的改进无模型自适应控制方法。在此基础上,采用加权融合的方式对伪偏导数的取值优化,使其具有更好的鲁棒性。然后采用跟踪-微分器对输出数据进行滤波处理,并通过仿真进行上述方法的可行性验证。仿真结果表明,对比传统无模型自适应控制,上述方法更具有良好的控制性能和响应速度。

基于仿真数据和子领域自适应的轴承故障网络诊断框架

在实际工业环境中,往往缺乏相应工况的轴承故障数据用于模型训练,这限制了深度学习在工业场景中的应用。基于此,采用两种建模方式生成了轴承故障信号,将其用于训练模型,并利用深度子领域自适应方法,缩小了模拟信号和真实信号间的差异,提升了模型对真实信号的诊断精度。首先,采用数学建模和基于LS-DYNA的有限元仿真两种方式建立了轴承故障仿真模型,以获取与实际场景相同工况下的轴承故障仿真加速度信号;其次,针对仿真数据和真实数据存在差异的问题,利用子领域自适应方法得到了对齐仿真数据和实际数据的全局特征分布以及相关子领域的特征分布;最后,采用原始一维振动信号作为输入,在残差神经网络(ResNet)模型架构上完成了端到端的轴承故障分类工作;将德国帕德博恩大学采集到的轴承故障信号作为实验数据,对上述模型的有效性进行了验证。研究结果表明:相较于有限元仿真,数学建模生成的仿真信号能够较轻易地迁移到实际信号,在无标签数据场景下具有99.73%的轴承故障识别精度,体现了数学建模在无监督轴承故障诊断领域的广阔应用前景,是在真实工业系统和人工智能之间架起桥梁的关键技术。

一种基于神经网络的力传感器的数据融合方法

电阻应变式测力传感器是目前国内外广泛使用的一种传感器。但它在使用的过程中,经常由于载荷分布不均,造成其精度的降低,使其输出特性呈现严重的非线性。引起这种误差的主要原因有:传感器的高度不足、斜载、偏心等。人工神经网络是由大量处理单元(神经元)组成的非线性大规模自适应系统,能够表达任意复杂的动态特性。因此,针对传感器的高度不足、斜载这两种情况,该文提出了利用前向多层神经网络进行数据融合。以筒式力传感器为例,阐述了其网络模型的建立过程。结果表明在高度降低和斜载的情况下,利用神经网络传感器仍能保持很高的精度。这在工程实际中是非常有用的。

基于IFWA-BP神经网络的线风速数据融合研究

针对时差法测量线风速受环境因素影响,导致测量结果不准确的问题,提出一种基于自适应烟花-BP神经网络(IFWA-BP)的数据融合方法。将线风速信息和环境信息进行数据融合,通过多源信息互补减小线风速测量的不准确性。自适应烟花算法是在烟花算法中引入自适应惯性权重,并对爆炸算子进行改进,增强了烟花算法的全局搜索能力,从而优化BP神经网络中的权值和阈值的寻优过程。为了比较IFWA-BP融合模型的融合效果,进行了多算法融合模型对比实验,实验结果表明IFWA-BP融合模型减小了线风速测量的误差,使线风速测量系统的精度达到了98.48%。