稀疏正则化逆向神经网络在双陷波超宽带天线设计中的应用

在双陷波超宽带天线的设计过程中,直接逆向神经网络模型精度较低,而BP逆向神经网络泛化能力较差,若单独使用HFSS仿真软件需要不断优化天线各参数增加了设计时间。针对以上问题,提出一种将HFSS与稀疏正则化逆向神经网络联合的方法。该方法在逆向神经网络性能函数中增加l1/2范数和l2范数,l1/2范数引入了新的权系数,扩充了输入样本向量,使网络更易得到稀疏性解,逆模型精度更高,l2范数能有效避免过拟合现象,使网络泛化能力更强。应用于双陷波超宽带天线设计中,采用在辐射贴片上开弧形槽的方式产生陷波特性,根据天线目标电压驻波比逆向求解对应的开槽尺寸。仿真实验结果表明,与BP逆向神经网络方法相比,求得的与天线电压驻波比对应的开槽角度相对误差减小了69.3%,开槽半径相对误差减小了88.7%,网络运行时间减少了15.9%;最终设计的天线带宽为2.4~11GHz,实现了3.31~3.8GHz和4.98~6.05GHz的良好陷波特性,缩短了整个天线的设计周期。

基于时间侧信道逆向神经网络模型

神经网络模型逆向攻击的目的是恢复部署在推理终端的网络结构与权重,它不仅是重要的知识产权,模型中的参数信息还会带来如对抗样本攻击的安全威胁.在保密模型结构设置中,标准的保护措施,如阻止二进制回读、阻止JTAG访问、代码混淆等手段能够防止模型信息泄露,导致不能有效逆向神经网络模型.通过研究发现,在迁移学习的背景下,应用开发中部署的网络多是由已存在的知名网络再训练而生成,因此不同的时间消耗序列能够作为特征,用来确定神经网络模型的具体结构.已有基于侧信道分析的逆向方法都是面向特定神经网络结构,本文提出的逆向方法可以面向所有神经网络模型.通过分析卷积神经网络中卷积层、池化层以及全连接层中的时间消耗,提出一种基于时间的模型逆向攻击.该方法需要向目标神经网络结构提供随机输入,测得运行时各层时间消耗,将模型逆向问题转化为模型分类问题.本文对Vgg系列、ResNet系列等神经网络结构进行实测实验,使用不同数量的时间特征进行训练与预测,所选取的指标包括精确率、召回率、F1值等,随着选取的时间特征层数越多,分类器预测的效果越好.实验结果表明当使用100层运算层的时间特征时上述指标均可达到98.9%,本文方法能够有效区分出选取的11种神经网络结构.

超临界CO_2中固体溶解度的逆向传播人工神经网络模拟

为了更好地模拟超临界CO2(SC CO2)中固体的溶解度数据,采用逆向传播神经网络(BPANN)对30种固体在超临界CO2中的873个溶解度数据进行了模拟,所得相对误差(AARD)都在10%以下,小于状态方程和经验方程的值,此结果表明BPANN能较好地模拟SC CO2中固体的溶解度数据。

基于逆向传播神经网络的工作面顶板矿压数据预测

为了将人工智能技术中的逆向传播神经网络应用于顶板矿压数据预测,以11个影响工作面顶板矿压数据预测的主要因素作为输入参数,以4个工作面顶板矿压参数为输出参数,确定隐含层层数为1层,隐含层神经单元个数为24个,并在此基础上建立了基于逆向传播神经网络的工作面顶板矿压数据预测模型。利用王家岭及周边煤矿具有代表性的工作面顶板矿压数据建立学习样本,以王家岭煤矿12309工作面实测矿压数据为验证样本,对预测模型精度进行了检验。经分析,利用逆向传播神经网络模型得到的初次来压步距、初次来压强度、周期来压步距、周期来压强度预测值与实测值相对误差分别为0.043 343 653、0.006 077 606、0.006 401 138、0.020 236 088,即矿压数据预测总体上相对误差小于5%,符合工程应用允许的误差范围,说明所建立的逆向传播神经网络模型具有较高的准确性和可靠性。

误差逆向传播神经网络模型对脑出血患者血肿体积扩大的预测作用

目的研究误差逆向传播(BP)神经网络模型对脑出血患者血肿扩大(HE)的预测结果。方法回顾性分析解放军第三○九医院于2011年1月至2014年12月连续入院并诊断为脑出血的128例患者的临床资料。应用Matlab 7.14软件实现BP神经网络模型对脑出血患者24 h内HE(HE≥6.0 ml和HE≥12.5 ml)的预测。计算模型的均方差(MSE)以及整体预测的准确度;绘制预测HE的受试者工作特征(ROC)曲线。结果 BP神经网络预测HE≥6.0 ml和HE≥12.5 ml时,训练集、校验集、测试集的MSE分别为0.061、0.143、0.052和0.023、0.057、0.065。对HE拟合最佳验证性能分别为:HE≥6.0 ml网络训练11次,误差值为0.224;HE≥12.5 ml网络训练20次,误差值为0.057。预测HE≥6.0 ml和HE≥12.5 ml的整体准确度分别为92.2%(118/128)、96.9%(124/128)。结论 BP神经网络模型对数据要求无特殊限制,能够较为准确地拟合脑出血HE模型。

优化的BP神经网络短时交通流预测方法

针对传统的误差逆向传播(BP)神经网络方法在进行交通流预测时存在网络准确性差,权值设置敏感等缺点,提出一种基于改进蝙蝠算法(BA)优化BP神经网络的交通流短时预测方法。引入自适应惯性权重和加速因子对原始蝙蝠算法进行优化,提高其收敛速度及寻优精度;用改进的BA对BP神经网络的权值和阈值参数优化并构建BA-BP模型进行短时交通流预测。实验结果表明:与传统BP相比,该方法平均绝对误差降低了3.0785,均方误差降低了4.4710。

基于BP神经网络的卷染机温度控制技术

为了解决高温高压卷染机中的温度控制问题,提出了一种改进的温度控制算法。该算法在BP神经网络PID控制算法的基础上引入积分分离结构,当温度控制误差较大时采用PD结构,去除积分成分以提高控制调整速度,当温度控制误差较小时采用完整的PID控制算法结构,保留积分成分以保证控制精度。仿真结果显示:相对于传统的PID控制算法,基于BP神经网络的PID控制算法能够保证在较高温度时控制精度的前提下,提高温度控制稳定速度、缩短温度控制时间,达到更好的控制效果。

基于FPGA的手写数字BP神经网络研究与设计

手写数字逆向传播(Back Propagation,BP)神经网络由输入层、隐藏层、输出层构成。训练数据是MNIST开源手写数字集里60000个样本,BP算法由随机梯度下降算法和反向传播算法构成,采用network小批量数据迭代30次的网络学习过程,训练出合适的权重和偏置。利用现场可编程门阵列(Field Programmable Gate Array,FPGA)硬件平台,Verilog代码实现BP算法、时序控制各层网络训练状态、Sigmoid(S型)函数及导数线性拟合是设计重点。初始化均值为0,方差为1的高斯分布网络权重和偏置,采用小批量数据个数m为10,学习系数η为3,在系统中输入样本及标签利用Quartus13.0和modelsim仿真与分析,工程运行迭代30次时间是4.5 s,样本识别正确率是91.6%,与软件python2.7相比满足了硬件设计的实时性和手写数字识别的高准确率。

基于神经网络的二阶波-流和结构物相互作用

基于时域二阶势流理论,对位于均匀流中的水平半圆柱体在水面上的二阶波绕射问题进行了计算,得到了自由表面波时间历程、圆柱所受到的水动力时间历程及相应的一、二阶波和水动力幅值,并以此作为神经网络的训练样本,采用LM-BP神经网络来预测任意参数(波浪频率或波数、流速或傅汝德数)组合下波浪和水动力幅值或峰值及其时间历程,可以快速地获得精度较高的计算结果.研究结果表明:对于样本数较小的一阶、二阶波浪和水动力幅值预测,可以采用单个隐含层及较少的神经元数或节点数即可获得较高精度的预测结果;而对于样本数很大的波浪和水动力时间历程预测,需要至少2个隐含层及较多的节点数才能获得较满意的结果.

改进蚁群算法的BRBP神经网络功放逆向建模方法

针对BP(back propagation)神经网络直接逆向模型精度低、耗时长、易振荡等缺点,提出一种联合改进蚁群算法(IACO)与贝叶斯正则化算法(BR)的BP神经网络逆向建模方法。通过改进蚁群算法,根据搜索阶段设置挥发因子、路径优劣程度更新信息素,并在启发式因子中考虑出发点、终点与各节点的间距等,优化正向模型的权值,提高整体模型精度;之后使用L1/2范数的贝叶斯正则化算法逆向迭代正向模型的输入,达到提高网络稳定性的目的。将本文方法应用于可重构功率放大器中,实验结果表明:相比于直接逆向建模方法和自适应η逆向建模方法,本文方法的建模精度分别提高99.77%、90.70%,平均运行时间分别减少35.76%、2.05%;本文方法可降低功放设计的复杂度,提高其设计速度。

基于IALO-HBP神经网络的超宽带滤波器逆向建模方法

针对双陷波超宽带滤波器使用后向传输(BP)神经网络逆向建模存在精度较低、收敛慢、稳定性不强等问题,提出一种用改进的蚁狮算法(IALO)结合Huber函数优化BP神经网络逆向建模的方法。该方法通过将边界收缩因子连续化,引入动态更新系数以及加入柯西变异来实现对蚁狮算法的改进,并用改进的蚁狮算法优化正向模型的权值,加快建模速度,然后使用Huber函数作为神经网络的评价函数,提高了模型的精度和稳定度。将此方法用于双陷波超宽带滤波器中,实验结果表明,对比BP逆向建模方法,此方法求得的长度、宽度和频率均方误差分别减小了97.44%、99.43%和96.15%,平均运行时间缩短了66.01%,解决了逆向建模的多解问题,提高了设计滤波器的速度和精度。

荧光光谱法和PSO-BP神经网络在山梨酸钾浓度检测中的应用

山梨酸钾是一种常用防腐剂,应用非常广泛,但食用过量会严重危害人体健康。研究了山梨酸钾在水溶液和橙汁中的荧光特性,山梨酸钾水溶液荧光特征峰为λex/λem=375 nm/485 nm,山梨酸钾和橙汁的混合溶液除了存在此荧光特征峰,还有一个侧峰λex/λem=470 nm/540 nm。在混合溶液中,橙汁和山梨酸钾的荧光特性相互干扰,加大了山梨酸钾浓度检测的难度。为准确测定混合溶液中山梨酸钾的浓度,采用微粒群算法优化的误差逆向传播（PSO-BP）神经网络对其进行检测。3组预测样本的平均回收率为98.97%,PSO-BP神经网络能够精确测定混合溶液中山梨酸钾的质量浓度范围为0.1~2.0 g/L。预测结果表明荧光光谱法和PSO-BP神经网络相结合的方法能有效地检测山梨酸钾在橙汁中的浓度。

荧光分析法和ABC-BP神经网络相结合的多环芳烃的检测

分析了苯并[k]荧蒽（Bk F）、苯并[a]芘（Ba P）和两者混合物的荧光特性,结果表明Bk F存在2个荧光特征峰,Ba P存在6个荧光特征峰,Bk F和Ba P的最佳发射波长均为405 nm。不同浓度配比的混合物荧光特性差异较大,但最佳发射波长没有发生变化,仍为405 nm。在激发波长为250~400 nm,发射波长为350~500 nm范围内,Bk F和Ba P荧光光谱重叠较为严重。为了准确检测混合物中两者的质量浓度,采用人工蜂群（ABC）算法优化的误差逆向传播（BP）神经网络对其进行检测,结果表明ABC-BP神经网络优于遗传算法（GA）-BP神经网络。ABC-BP神经网络能够准确检测质量浓度为1.000~10.000 ng/L的混合物中Bk F和Ba P的质量浓度。10组混合物样本中,Bk F和Ba P的回收率平均值分别为99.19%和99.26%。

GA-BP神经网络在检测微量磷酸盐中的应用

基于罗丹明6G的分子荧光原理,通过对比不同实验条件下得到的罗丹明6G荧光光谱,得出p H为1条件下的相对荧光强度最大。罗丹明6G试剂中加入钼酸铵、磷酸二氢钾、硫酸试剂生成络合物后,罗丹明6G的相对荧光强度值有所下降,在一定范围内表现出线性关系,罗丹明6G荧光峰的位置没有发生变化。基于遗传算法-逆向误差传播（GA-BP）神经网络构建了输入节点数为36×18的矩阵、输出节点数为1×18的矩阵、以检测磷酸盐浓度为目的的非线性模型。网络训练中,误差精度为10^-3,输出与期望的相关系数为0.998,网络预测中,平均回收率为99%,平均标准偏差值为1.79%,达到了理想的检测效果。证明此网络适用于检测0~2.00 mg/L的磷酸盐溶液。提供了一种快速、有效检测磷酸盐浓度的方法,有助于环境检测技术的发展和应用。

GA-BP神经网络结合EDXRF技术实现对中低合金钢中Cr、Mn和Ni元素含量的预测

利用能量色散X射线荧光光谱分析(EDXRF)技术与遗传算法优化的反向传播(GA-BP)神经网络对中低合金钢中Cr、Mn和Ni元素进行含量分析。通过能量色散X射线荧光光谱仪对六类中低合金钢标准样品做激发处理,获得X射线荧光光谱,使用两点法扣除背景,求得各元素对应Kα特征峰强度。利用所得108组谱线数据及其对应含量建立GA-BP神经网络,使用训练完成的GA-BP神经网络对另外36组中低合金钢样本含量进行预测,并将所预测结果与基本参数法分析结果和标准样品化学分析结果进行对比,Cr、Mn和Ni元素含量平均误差分别为0.0287%、0.0314%和0.0423%。实验结果表明,遗传算法优化的BP神经网络适用于EDXRF对中低合金钢中Cr、Mn和Ni元素含量的分析。

基于人工神经网络的RPV材料辐照脆化预测模型研究

在分析一定量随站测试样品的基础上,构建了具有较高精度的反应堆压力容器(RPV)材料韧脆转变温度(DBTT)预测的人工神经网络模型,并利用模型研究了中子注量和中子注量率对RPV材料DBTT的影响。结果表明,材料DBTT随着中子注量增加出现先线性上升,然后平缓上升,最后饱和的趋势,而中子注量率对RPV材料辐照脆化的影响不明显。

临近空间探空仪温度传感器设计

针对开展临近空间科学探测的需求增加,设计了一种基于微型珠状热敏电阻的临近空间探空仪温度传感器。首先用计算流体动力学(CFD)方法对探头进行仿真并计算出太阳辐射误差;然后使用逆向传播(BP)神经网络和遗传算法优化的逆向传播(GA-BP)神经网络训练数据比较预测模型;并搭建模拟临近空间条件的低气压风洞实验平台测试不同参数下的太阳辐射误差,比较测试结果与预测模型输出数据,证实传感器的测量精度。实验表明,本文提出的传感器探头的平均测量误差为0.0073 K,误差均方根为0.0098 K。

基于情感-时空信息的机器人服务自主认知及个性化选择

为了提高机器人的人机交互能力,针对家庭服务机器人在认知服务任务时往往忽略用户情感因素的弊端,提出了以用户情感为核心的机器人服务任务自主认知方法以及个性化服务选择策略.首先,利用智能空间本体技术结合用户情感状态与时间空间信息建立情感一时空本体模型,消除智能空间中的信息异构性.在此基础上,将与情感一时空相关的服务规则库编码并训练BP(逆向传播)神经网络构建推理机,将实时更新的智能空间信息与神经网络相匹配,推理出机器人需要执行的服务,实现机器人对以用户情感为核心的服务任务自主认知.最后,将用户情感状态作为执行服务的奖惩反馈信号,对服务集合中的子类服务进行动态的偏好度调节,完成有针对性的服务选择.仿真结果表明,基于该方法能够实现以用户情感为核心的机器人服务任务自主认知,同时可以根据用户偏好变化提供个性化的服务,有效提高了家庭服务机器人的智能性和灵活性,增强了用户的服务体验.