一种具有容错能力的自适应神经网络分类器

在国内外容错型神经网络研究的基础上 ,提出了一种具有容错能力的自适应神经网络 FTART4.该算法针对解决多点断路故障容错性的难点 ,提出了一种独特的增加网络冗余的方法 ,通过确定故障敏感点达到了冗余度与容错性的平衡 .同时对 FTART4神经网络解决多点断路故障问题进行了严谨的形式化分析 ,给出了 FTART4算法的完整描述 .采用通用的神经网络测试数据对算法进行了测试 。

基于集成神经网络的类风湿关节炎中医证候分类器研究

目的构建一种集成神经网络模型实现类风湿关节炎(RA)中医证候分类,并探究其中的特征重要性和风险因素。方法针对基于人工智能技术的RA中医证候多标签分类中存在的标签关联性差、泛化性能低等问题,提出一种集成神经网络模型——集成神经网络链(FEN)。FEN模型采用一种基于深度神经网络的特征提取基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度;根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度;并采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。此外,分析了RA中医证候主证和兼证的特征贡献度,挖掘其潜在的风险因素。结果FEN模型的10折交叉验证性能参数汉明损失、1-错误率、准确度和F1值分别为0.0036、0.0248、97.52%、99.18%。与7种典型多标签分类器(分类器链、标签幂集、二进制关联、随机k-标签集、多标签K最近邻、集成分类器链和集成二进制关联)相比,FEN模型具有较好的分类性能。特征贡献度分析提示,主症和次症特征均可作为RA中医证候分类的重要指标,是影响主证和兼证分类的主要因素。结论基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。

面向节点分类任务的节点级自适应图卷积神经网络

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

遗传算法与修正的自适应矩估计优化循环神经网络的心音分类方法

针对传统的循环神经网络(RNN)在识别分类心音信号方面具有梯度爆炸、梯度消失和短期记忆的问题,该文提出了无需心音分段的结合遗传算法(GA)与修正的自适应矩估计(RAdam)优化RNN的心音分类模型。该模型的优势是将GA和RAdam优化器以串联的方式融合到RNN中,以达到改进RNN的作用。首先,利用GA的选择、变异和遗传操作,优化RNN的输入层节点数,获取心音特征向量的最优个体的初始解。其次,根据最优个体中的权重、偏置矩阵,赋予模型初始权值和阈值,获得初始权重最优解,整个模型共享参数。最后,联合改进的学习率自适应优化算法,优化RNN模型。结果表明,结合经典的梅尔(Mel)倒频谱系数方法提取心音信号的特征向量,心音信号分类准确率达到90.29%,相比于未优化的RNN模型,准确率提高了17.79%。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

自适应模糊神经网络多信息融合串联型电弧故障检测方法

针对低压交流串联电弧故障因其特殊性难以识别的问题,在实验室建立了实验平台,采集不同负载下的正常和电弧故障的电流波形数据,提出一种自适应模糊神经网络(adaptive neuro fuzzy inference system,ANFIS)多信息融合串联型电弧故障检测方法,通过多层次特征参数提取,对自适应模糊神经网络进行训练、测试。结果表明,该方法可以有效地克服反向传播(back propagation,BP)神经网络故障诊断中收敛速度慢、误差精度大的缺点,得到更为精准、理想的诊断结果。

基于BP神经网络薄板P-PAW搭接的间隙自适应工艺参数优化

对大型LNG燃料薄膜舱中1.2 mm厚SUS304L不锈钢板薄板的搭接焊,存在的搭接间隙会带来焊缝成形不良等严重影响船舱安全性的问题。本文通过激光传感器检测搭接间隙变化,设计了不同的峰值电流和焊接速度在不同间隙下的工艺实验,研究了间隙对焊缝成形质量的影响机制;基于BP神经网络建立不同间隙下的脉冲等离子弧焊(P-PAW)的工艺参数和间隙及焊缝成形尺寸之间的拓扑关系模型,通过工艺实验获取模型的训练样本,实现了基于BP神经网络的间隙自适应工艺参数优化系统。结果表明,该系统实现了不同搭接间隙下进行实时工艺参数优化的功能,并对搭接间隙在0~0.6 mm变化时所带来的空洞等缺陷起到了有效的抑制作用,实现了良好的焊接成形一致性控制,提高了在LNG薄膜舱中不锈钢板焊接的自适应能力。

用于双阈值脉冲神经网络的改进自适应阈值算法

脉冲神经网络(spiking neural network, SNN)由于在神经形态芯片上低功耗和高速计算的独特性质而受到广泛的关注。深度神经网络(deep neural network, DNN)到SNN的转换方法是有效的脉冲神经网络训练方法之一,然而从DNN到SNN的转换过程中存在近似误差,转换后的SNN在短时间步长下遭受严重的性能退化。通过对转换过程中的误差进行详细分析,将其分解为量化和裁剪误差以及不均匀误差,提出了一种改进SNN阈值平衡的自适应阈值算法。通过使用最小化均方误差(MMSE)更好地平衡量化误差和裁剪误差;此外,基于IF神经元模型引入了双阈值记忆机制,有效解决了不均匀误差。实验结果表明,改进算法在CIFAR-10、CIFAR-100数据集以及MIT-BIH心律失常数据库上取得了很好的性能,对于CIFAR10数据集,仅用16个时间步长就实现了93.22%的高精度,验证了算法的有效性。

基于分数阶自适应神经网络的电动舵机伺服系统摩擦干扰补偿控制

摩擦干扰力矩影响电动舵机伺服系统的跟踪性能,造成位置和速度跟踪偏差,甚至可能导致伺服系统不稳定。针对摩擦力矩干扰下的电动舵机伺服系统跟踪性能差的问题,本文提出了一种分数阶自适应神经网络摩擦补偿算法(FOANN),估计并补偿摩擦干扰力矩。首先,建立基于LuGre模型的电动舵机伺服系统模型,利用径向基神经网络估计模型中的不可测状态变量。其次,设计FOANN摩擦补偿控制器,利用李雅普诺夫稳定性理论证明电动舵机闭环系统的稳定性。最后,利用仿真和实验平台,对比分析了FOANN、传统PD控制和模型自适应控制的性能。结果表明,基于本文所提出的FOANN摩擦力矩补偿控制算法,电动舵机伺服系统的位置跟踪误差和速度跟踪误差均大幅减小,FOANN算法能够有效估计并补偿摩擦力矩,降低摩擦干扰对电机舵机伺服系统的影响,提高伺服系统的动态性能。

自适应策略优化的粒子群优化算法在神经网络架构搜索中的应用

针对神经网络架构搜索(NAS)任务,提出一种自适应重启策略驱动的协作学习粒子群优化(ARCLPSO)算法。算法核心流程包括协作学习与信息共享、策略切换和参数自适应,以改进传统粒子群优化(PSO)算法在NAS中的性能。ARCLPSO算法结合了全局与局部信息的协同作用和智能切换学习策略。具体地,ARCLPSO利用全局和局部信息的协同作用令粒子向更优的方向移动,通过智能的切换粒子学习策略平衡粒子的搜索性能和收敛速度,提高搜索速度和搜索质量。在NAS-Bench-101数据集上的实验结果表明,ARCLPSO的收敛时间相较于传统进化算法(REA)和随机搜索(RS),分别减少了40.9%和55.2%。

基于BP神经网络算法的粉碎机自适应控制系统设计

针对饲料加工行业中锤片式粉碎机控制系统存在启动时间长、响应速度慢及负载变化时出现的稳定性差等问题,提出了一种基于BP神经网络算法PID控制方法。首先,建立变频器和饲料粉碎机驱动电机组合系统传递函数的参考模型,并对其进行稳定性分析。然后在分析常规PID和模糊PID控制算法的基础上,将自适应神经网络算法PID应用到饲料粉碎机驱动系统的控制过程当中。通过搭建饲料粉碎机控制电机的仿真模型,利用MATLAB软件中的Simulink图形化编程功能对其进行仿真分析,并基于LABVIEW软件搭建了粉碎机测控系统试验平台进行实验测试分析。结果表明:对于饲料粉碎系统所给定的速度参考模型,设计的BP神经网络PID控制器能够实现较好的自适应追踪,对阶跃信号的响应更加迅速、超调更小,抗干扰能力更强。设计的自适应控制器能够根据工况变化自动调节PID参数,吨料电耗平均降低5.16%、生产率平均提高2.08%,对粉碎机主轴转速的控制更加精确,误差更小,兼具了较高的控制精度和较强的鲁棒性,满足饲料粉碎机驱动系统的自适应控制要求。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

基于3D骨架相似性的自适应移位图卷积神经网络人体行为识别算法

图卷积神经网络(Graph Convolutional Neural network,GCN)在基于3D骨架的人体行为识别领域取得了良好效果。然而,现有的大多数GCN方法对行为动作图的构建都是基于人体物理结构的手动设置,训练阶段各个图节点只能根据手动设置建立联系,无法感知动作行为过程中骨骼节点之间产生的新联系,导致图拓扑结构不合理和不灵活。移位图卷积网络通过改变图网络结构使得感受野更加灵活,并且在全局移位角度取得了良好效果。因此,提出了一种基于自适应移位图卷积神经网络(Adaptive Shift Graph Convolutional Neural network,AS-GCN)的人体行为识别算法来弥补前述GCN方法的不足。AS-GCN借鉴了移位图卷积网络的思想,提出用每个人体动作的本身特点来指导图神经网络进行移位操作,以尽可能准确地选定需要扩大感受野的节点。在基于骨架的通用动作识别数据集NTU-RGBD上,所提算法在骨骼有无物理关系约束的前提条件下均进行了实验验证。与现有的先进算法相比,AS-GCN算法的动作识别准确率在有骨骼物理约束的条件下的CV和CS角度上平均提高了12%和4.84%;在无骨骼物理约束的条件下的CV和CS角度上平均提高了20%和14.49%。

基于自适应神经网络的船舶航向保持预定义性能PI控制

为解决模型动态不确定和外部扰动未知的船舶航向保持问题,提出一种基于自适应神经网络的船舶航向保持预定义性能PI控制方案。在PID控制设计框架下,引入自适应神经网络和预设性能控制技术,从不确定补偿和设计角度提高船舶航向保持的精度和控制性能。在控制设计中,结合自适应神经网络技术与单参数学习技术,使得整个船舶航向保持闭环控制系统仅需要在线更新一个未知参数,系统的复杂度降低,且可以实现离线确定船舶航向误差的功能。基于李雅普诺夫稳定性理论进行分析,结果表明所提出的控制方案能保证整个闭环控制系统所有信号均有界。通过数值仿真验证了所提出方案的有效性和优越性。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

基于RBF神经网络的闭链下肢康复机器人自适应补偿控制

在下肢康复机器人的康复训练过程中,模型参数、环境干扰等不确定性因素会影响机器人轨迹跟踪的精度。针对这一问题,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的自适应补偿控制,该控制方法能够提高机械系统轨迹跟踪的精确性。首先,设计一款具有4种工作模式、运动稳定的闭链卧式下肢康复机器人结构;然后,利用拉格朗日方法求解动力学名义模型,将康复装置的模型参数以及外界干扰等不确定性因素分离出来,并设计基于RBF神经网络的自适应补偿算法对其进行逼近控制;最后,通过Matlab/Simulink环境对其进行仿真验证,证明了该控制策略的有效性。结果显示,在人体步态曲线轨迹跟踪中,提出的基于RBF神经网络的自适应补偿算法相比传统的模糊比例-积分-微分(Proportional Integral Derivative,PID)控制的方法响应速度快、跟踪效果好,且髋关节和膝关节轨迹跟踪的角度误差峰值分别为0.08°和0.13°,远小于患者下肢在康复运动中的转动角度。设计了单腿样机试验,试验结果表明,采用的RBF补偿自适应控制器能够实现高精度的跟踪结果,也能够满足患者在康复训练中安全性的要求。

神经网络驱动的建筑自适应表皮产出性能预测方法

作为应对环境与能源问题的解决办法,耦合动态光伏遮阳与建筑表皮种植的建筑自适应表皮(Adaptive Facade)为城市可持续性提供了新机会,但如何快速准确预测电能与作物产出是设计前期关键问题之一。为解决此问题,以城市居住建筑为例,提出基于机器学习神经网络模型的产出性能预测方法,以替代传统光伏软件模拟与作物产出估算方法。首先建立由实测数据训练并进行差异性激活函数对比择优的机器学习神经网络预测模型,进而搭建交互界面预测平台。结果显示,与基础案例相比,建筑自适应表皮显著提高室内热舒适时间比,降低室内眩光,且满足家庭年用电需求9.3%~10.9%(新加坡)、8.4%~9.8%(海口)以及家庭全年蔬菜需求32%(新加坡)、27.6%(海口),该预测方法展现了预测过程的便捷性与预测结果的可靠性,推动了建筑自适应表皮在可持续城市人居环境建设领域的应用。

基于循环神经网络的自适应滤波方法及应用研究

针对目前地震工程研究领域在滤波方法上存在人为因素、峰值突刺、噪声干扰等方面的缺陷,结合递归最小二乘法(RLS)和循环神经网络(RNN)模型,提出了一种自适应滤波的新方法。研究分析表明,该方法通过设置自适应调节滤波器参数以及算法的自我迭代等方式进行滤波,对噪声识别能力和滤波速度上均优于美国地质调查局(United States Geological Survey,USGS)所推荐的传统滤波方法,并可有效降低滤波后对原始波形的失真损坏以及相位提前等问题。同时,运用所提自适应滤波方法将其应用于不同场地类型台站的含速度脉冲近场地震记录,进一步验证了自适应滤波方法的有效性和适用性。研究成果为地震工程领域的滤波分析提出了一种新思路和新方法,也可为地震记录处理及相关应用工作提供参考。

船舶类量化神经网络自适应运动控制方法研究

研究船舶类航向自适应运动控制方法有助于加快解决船舶在海上通讯带宽受限情况下航向跟踪检测困难和控制效果差的问题。基于RBF神经网络,采用一种经典非线性运动解析模型来描述通信信号输入量化过程,无限逼近于航向控制系统中的未知非线性项来消除隐性不确定项因子对控制系统的影响,与此同时模型中所设计的RBF自适应量化控制器不需要对先验信息进行量化参数处理,不仅可以保证有效跟踪和控制的同时,还可以减轻通信的传输负担、减少执行频次和降低系统控制幅度。本文基于Lyapunov稳定性理论证明了所提出的带有输入量化的RBF神经网络自适应闭环控制系统的稳定性,并在Matlab Simulink环境中构建仿真模型分析,论证了所设计的运动控制方法的有效性。