一类含连续分布时滞的随机Hopfiled神经网络模型的几乎必然指数稳定性和p阶矩指数稳定性

考虑一类含连续分布时滞的随机Hopfiled神经网络模型的几乎必然指数稳定性和p阶矩指数稳定性,借助创建Lyapunov函数和运用非负半鞅收敛定理得到了该网络模型平凡解几乎必然指数稳定和p阶矩指数稳定的充分条件,并通过2个例子,说明结果的有效性.

含混合时滞的随机Hopfiled神经网络的全局指数稳定性

考虑一类含混合时滞的随机Hopfiled神经网络,运用Razumikin方法和不等式技巧得到了该网络平凡解的p阶指数稳定性,推广了一些已有的结果,并利用一个例子,说明结果的有效性.

卷积神经网络与随机场分析桩梁基础承载力

岩土体的参数在空间上随机分布,为能更好地反应实际工程地质条件,在桩基础承载力研究中考虑土体的不确定性,并建立具有重要工程价值的承载力预测模型,将基于随机场理论的岩土参数空间变异性引入桩梁基础的研究中,采用数值方法建立桩梁基础与群桩基础的二维随机有限元模型分析承载能力,并与模型试验结果验证。随后通过卷积神经网络建立土体参数随机场图像与基础极限承载力之间的模型进行承载力预测,并基于预测模型研究不同参数的影响。结果表明:考虑土体空间变异性的基础承载力与试验结果基本吻合,随机结果均高于确定性分析;随机场下桩梁基础与群桩基础的承载力均为正态分布;采用卷积神经网络建立的基础承载力预测模型精度较高,且可以用于参数分析,基础承载力随着土体参数的增加而增加,随变异系数的增加而下降。随机条件下,桩梁基础的承载力高于群桩基础,可以充分发挥土体强度并抵御参数不确定性带来的承载力损失。

应用随机森林与神经网络算法的足底软组织本构参数反演方法

目的 基于随机森林(random forest, RF)算法和反向传播(back propagation, BP)神经网络算法实现对足底软组织超弹性模型本构参数的预测,以提升本构参数获取方式的效率和准确性。方法 首先建立足底软组织球形压痕实验的有限元模型,并对球形压痕实验过程进行仿真,得到具有非线性关系的位移和压痕力的数据集。将数据集进行划分,得到训练集和测试集,分别对搭建好的RF和BP神经网络(BP neural network, BPNN)模型进行训练,通过实验数据对足底软组织本构参数进行预测。最后,引入均方误差(mean square error, MSE)和决定系数(R2)对模型的预测准确性进行评估,同时对比实验曲线验证模型的有效性。结果 利用RF和BPNN模型结合有限元仿真是确定足底软组织超弹性本构参数的有效、准确的方法。训练后的RF模型MSE达到1.370 2×10^(-3),R^(2)为0.982 9;BPNN模型MSE达到4.858 1×10^(-5),R^(2)为0.999 3。反求得到适用于仿真的足底软组织的超弹性本构参数,预测得到的两组本构参数的计算响应曲线与实验曲线吻合较好。结论 基于人工智能算法模型对足底软组织超弹性本构参数的预测精度很高,相关研究成果也可以应用于足底软组织其他力学特性的研究。同时,研究结果为足底软组织本构参数的获取提供新方法,有助于快速诊断足底软组织病变等临床问题。

联合图随机游走和跳跃连接的动态超图神经网络

针对传统超图神经网络难以提取节点直接邻域外关联度高的节点特征,导致全局特征信息不完整的问题,对动态超图神经网络(DHGNN)进行改进,提出联合图随机游走和跳跃连接的动态超图神经网络(RWS-DHGNN),用于非欧几里得数据的分类。该网络在DHGNN的基础上,引入了图随机游走,从而有效地获取直接邻域外关联度高的节点特征。同时,引入残差网络的思想在超图的顶点卷积处增加跳跃连接构成残差结构。所提网络模型充分发挥图结构和超图结构的优势。在Cora数据集的标准分割和随机分割上将所提网络与GCN、HGNN、GAT和DHGNN进行对比实验,实验结果表明,该模型可以有效提高分类准确率。

融合随机森林和神经网络的电能质量分析算法

提出了一种融合随机森林(RF)和神经网络(NN)的电能质量分析算法.首先利用RF对电能质量信号进行特征提取和降维,然后利用NN对提取的特征进行分类和识别,最后通过实验验证了该算法的有效性,并与其他常用的电能质量分析方法进行了比较.实验结果表明,该算法具有较高的准确率、召回率和F1值,以及较快的运行速度和较低的计算复杂度.

基于随机森林和人工神经网络构建种植体周炎的诊断模型

目的 本研究旨在揭示种植体周炎发生发展过程中参与调控的关键基因,并通过随机森林(RF)和人工神经网络(ANN)构建种植体周炎的诊断模型。方法本研究从GEO数据库中获取GSE33774、GSE106090和GSE57631数据集。对GSE33774和GSE106090数据集进行差异表达和功能富集分析,通过蛋白质互作网络(PPI)和RF筛选出关键基因,利用ANN建立种植体周炎的诊断模型,并在GSE33774和GSE57631数据集中进行验证。同时,构建转录因子-基因相互作用网络和转录因子-微小RNA (miRNA)调控网络。结果 本研究共筛选出124个参与调控种植体周炎的差异表达基因(DEGs)。富集分析结果表明,DEGs主要和免疫受体活性蛋白及细胞因子受体活性相关,主要参与白细胞和中性粒细胞迁移的过程。PPI和RF筛选出6个关键基因,分别为CD38、CYBB、FCGR2A、SELL、TLR4和CXCL8。受试者操作特征曲线(ROC)表明ANN模型具有较好的诊断性。本研究还发现FOXC1、GATA2和NF-κB1可能是种植体周炎中重要的转录因子,hsa-miR-204可能是关键的miRNA。结论 RF和ANN构建的种植体周炎的诊断模型可信度高,CD38、CYBB、FCGR2A、SELL、TLR4和CXCL8是潜在的诊断标志物。FOXC1、GATA2和NF-κB1可能是种植体周炎中重要的转录因子,hsa-miR-204作为关键的miRNA在其中扮演着重要角色。

基于随机森林优化的神经网络算法在冬小麦产量预测中的应用研究

小麦产业涉及国家粮食安全和民生问题,通过对小麦产量进行科学准确的预测,对农业经济的发展、制定粮食进出口计划和确保国家粮食安全有重要意义。使用相关性分析遥感参数与产量之间的相关性,通过随机森林算法对特征变量进行重要性评价,剔除对目标相关性无关或影响较小的特征变量,最后,采用BP神经网络对产量进行预测。结果表明:归一化植被指数(Normalized Difference Vegetation Index,NDVI)在天水市整个冬小麦生育期内都与产量呈正相关关系;相对湿度、NDVI、最低温度、土壤湿度和辐照度为小麦产量预测的重要影响因子;与未进行特征变量筛选的情况相比,冬小麦产量预测的精准度显著提升,可以满足产量预测的精度要求,为相关的农业部门提供可靠的农情信息,为制定粮食政策与组织粮食生产提供参考依据。

基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法

本文针对船舶驾驶场景,提出了一种基于随机森林和BP神经网络的船舶驾驶员疲劳检测算法,及时检测船舶驾驶员的疲劳驾驶行为,对安全航行有重要意义。首先,使用随机森林算法对特征数据按照场景分类;其次,根据场景将数据分发到不同的BP神经网络模型进行预测;最后,使用船舶仿真模拟器进行实验验证。结果显示,算法识别准确率为0.82,召回率为0.65,精确率为0.69,说明本文提出的算法对船舶驾驶员疲劳驾驶行为检测有一定实用价值,且与生理数据监测方法相比,简单方便、成本更低,对驾驶员无干扰。

基于随机森林和神经网络模型的大学生精神内耗调查研究

精神内耗是指个体在心理方面损耗导致的一种状态,精神内耗现象值得充分重视。通过构建随机森林模型显示对事物的完美追求是促使大学生内耗心理的决定性因素。在此基础上,建立神经网络模型对引发精神内耗现象成因进行预测,进而对于减少精神内耗现象提出针对性建议。通过研究得到结论:第一,大学生们对完美追求的执着,往往会给自己造成心理压力,久而久之就形成了内耗加重的心理状况;第二,不同线城市的学校和不同专业的大学生群体中不同性格人群产生精神内耗的情况较多;第三,学校所在地、大学生所就读专业以及专业成绩排名是大学生产生精神内耗重要影响因素。最后提出缓解大学生精神内耗的建议。

基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关.因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义.提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络.子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测.

基于结构保护去噪神经网络的地震数据随机噪声压制

随机噪声压制是地震数据处理中的重要环节,直接关系到后续地震资料处理和解释质量.与相干噪声不同,随机噪声具有频谱较宽、规律性差等特点,很难利用常规方法区分随机噪声与地震数据有效信号.相较于传统的基于稀疏域的噪声压制方法,基于神经网络深度学习的随机噪声压制方法具有自动化程度高的特点.现有的网络结构在压制地震数据随机噪声时,不可避免地破坏地震数据结构,尤其是对于含有复杂构造的地震数据.基于以上问题,本文在充分探索地震数据随机噪声特征的基础上,利用结构保护的深层卷积神经网络对野外采集的含噪地震数据进行随机噪声压制研究.研究中利用模拟数据与真实去噪地震数据作为标签数据对,结构保护的深层卷积神经网络可以学习含噪和去噪地震数据之间的内在特征联系.考虑到常规神经网络在地震数据随机噪声压制过程中不能有效保护地下复杂结构特征,文中采用地震数据局部倾角作为约束,并通过修改目标函数达到保护地震数据结构特征的目的.文中利用模拟数据与野外地震数据,对本文方法的噪声压制能力与常用的包括中值滤波、多道奇异谱分解方法在内的地震数据随机噪声压制方法进行了分析对比.数值结果表明,深层卷积神经网络可以有效压制地震数据中的随机噪声,地震倾角的加入可以有效保护地震数据中的复杂构造特征.

特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性

旨在研究随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。当θ∈[0,1/2)时,在步长受限的条件下,随机时滞Hopfield神经网络分步θ方法是一般衰减率稳定的。对于θ∈[1/2,1],不需要额外的步长要求,即可保证随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。最后,通过一个数值例子验证所得结果的有效性。

基于神经网络与随机森林的涡旋光分类算法

在光通信领域中,应用涡旋光可以大幅度提高光通信容量。但在实际的通信环境中,气候因素往往导致涡旋光经过散射介质形成散斑,大大影响涡旋光通信过程中的实际效果,而散斑图像识别分类涡旋光拓扑荷数对涡旋光作用在光通信中意义极大。将对两束涡旋光通过散射介质成像后的散斑图像进行分析,对涡旋光的拓扑荷数和相位信息进行分类。首先使用神经网络提取特征并进行机器学习,对两束涡旋光的拓扑荷数和相位信息等四个指标分别进行分类。然后尝试使用ResNext网络提取特征并向其中加入随机森林算法。最后实现了散斑图像中每个指标均超过99%的准确率以及同时满足四个指标98.5%的准确率。

基于随机卷积核神经网络数据增强的软测量

精对苯二甲酸(PTA)生产过程中PX氧化反应的副产品4-CBA难以在线测量,只能通过离线分析获得少量样本。针对该问题,提出一种基于随机卷积核神经网络数据增强的动态软测量模型RCKN-XGBoost。该模型首先采用随机卷积核神经网络(RCKN)进行数据增强,扩充样本数量并改善其多样性;然后将原始样本与扩充后的样本线性组合,构成新的数据集;最后采用XGBoost对网络进行训练与预测。在某化工厂PX氧化过程4-CBA含量数据集上对RCKN-XGBoost模型与XGBoost、CNN、CNN-XGBoost、Laplace-XGBoost模型进行比较,发现RCKN-XGBoost模型的MRE指标分别降低了1.07%、0.92%、0.80%和0.65%,RMSE分别降低了27.9、18.62、12.58和8.05,证明了该模型的有效性。

基于可伸缩型注意力机制的神经网络地震数据去噪方法

地震资料中的随机噪声会影响地震数据的质量,从而影响后续处理与解释的准确性。传统去噪方法受先验条件的约束,效率低下,神经网络具有强大的特征提取能力,能够弥补这些缺点。然而,由于传统神经网络卷积核的局限性,可能会导致全局信息丢失。为了克服这个缺点,本文在卷积神经网络(CNN)的基础上,添加了可伸缩型注意力机制。该机制在网络中同时呈现密集和稀疏两种类型的自注意力模块,这两种注意力模块交替使用可以显著增强神经网络的表现能力,扩大接受场。通过卷积层和注意力模块提取地震数据浅层特征和深层特征,结合CNN的局部建模能力和Transformer的全局建模能力,有利于提升网络的全局交互作用,增强其去除噪声和处理细节的能力。最后,合成和实际地震数据实验结果均表明,该方法相较于Unet和DnCNN,具有更好的噪声压制与保留地震数据有效信息的能力,可以大幅提高信噪比,为地震数据的处理和解释提供帮助。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

基于卷积神经网络的图像数据增强优化策略研究

论文基于卷积神经网络模型,提出一种改进的自动化图像数据增强策略。针对原有策略搜索空间的离散化及模型训练过程中超参数优化不稳定的问题,通过降低搜索空间策略的复杂度、优化子网络模型的训练过程、选取更有效率的增强随机搜索算法实现超参数优化等方法对原有策略进行改进。并针对不同类型的数据集进行了验证,实验结果表明,论文提出的数据增强策略在CIFAR-10、CIFAR-100、ImageNet数据集上提升了图像分类的准确性,取得了先进的实验效果。

基于改进两步法采样策略和卷积神经网络的崩塌易发性评价

机器学习在崩塌滑坡泥石流地质灾害易发性分析评价领域已得到广泛的研究性应用,非灾害样本的选取是易发性建模过程中的关键问题,传统随机抽样和手工标注方法可能存在随机性和主观性。将土质崩塌易发性评价视为正例无标记(positive and unlabeled,简称PU)学习,提出了一种结合信息量(information value,简称IV)和间谍技术(Spy)的两步卷积神经网络(convolutional neural networks,简称CNN)框架(ISpy-CNN)。以广州市黄埔区崩塌编录和15类基础环境因子,通过信息量模型筛选出部分低信息量样本;采用间谍技术训练CNN模型,从低信息量样本中识别出具有高置信度的可靠负例划分为非崩塌样本;分别基于该学习框架、传统间谍技术和随机抽样,使用支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)对比验证。结果表明,ISpy-CNN框架在验证集上的准确率、F1值、敏感度和特异度较随机采样分别提升了6.82%,6.82%,6.82%,8.23%,较传统Spy技术分别提升了2.86%,2.89%,2.86%,2.31%;PU学习中第2步采用CNN模型的预测精度高于RF和SVM模型;与传统Spy技术相比,增加相同数量训练样本,ISpy-CNN框架筛选的样本集表现出较高的稳定性、预测精度和增长率。本研究提出的ISpy-CNN框架能更好地辅助选取高质量非灾害样本,且崩塌易发性分区结果更符合实际的崩塌空间分布。