基于Adam优化算法的水平井流动剖面测温反演方法

为提高油藏注水开发效率,制定精细的分层配产配注制度,须针对水平井开展吸水及产液剖面的高效检测。对此,提出基于自适应矩估计优化算法(Adam算法)的水平井吸水及产液剖面测温反演方法。该方法首先利用储层与井筒内的温度分布模型构建反演目标函数,其次通过Adam优化算法,在最优化反演目标函数的过程中定量获取流动剖面。将该方法应用于阿曼Safah油田及新疆风城油田的两口水平井,采用生产测井工具测得各井段吸水量和井口测量的产液量对反演结果进行验证。结果表明:建立的反演方法不需要求解复杂的耦合模型,计算效率高,不仅可以定量监测流动剖面的动态变化、评价各层段的贡献率,还可半定量刻画水平井各层段相对渗透率的演化规律,指导现场制定更加精细化的配产、配注及增产方案。

基于Adam优化BP神经网络的风机等效疲劳载荷预测

针对传统风机载荷分析方法计算量大的问题,以风机载荷计算软件OpenFAST的仿真数据为基础,提出一种基于Adam算法优化BP神经网络的风机等效疲劳载荷预测模型。以叶根和偏航处的等效疲劳载荷作为特征样本数据进行训练和测试;采用可决系数和相对误差均值对模型的预测性能进行评估,并与采用随机梯度下降法(SGD)优化的传统载荷预测模型进行对比。结果表明:Adam算法优化下的神经网络载荷预测模型的预测性能要明显优于采用SGD优化的传统预测模型;相较于传统模型,δ_(m)最多可降低31.7%,R^(2)最多可提升7.8%。因此,提出的载荷预测模型能进一步提高风机载荷预测的准确度。

改进Adam优化器在瓦斯涌出量预测中的应用研究

目前对基于神经网络的瓦斯涌出量预测模型的研究主要集中在瓦斯涌出问题上的表现,对模型训练中优化器性质的关注与改进较少。基于神经网络的瓦斯涌出量预测模型的训练常采用Adam算法,但Adam算法的不收敛性易造成预测模型的最佳超参数丢失,导致预测效果不佳。针对上述问题,对Adam优化器进行改进,在Adam算法中引入一种随迭代更新的矩估计参数,在保证收敛速率的同时获得更强的收敛性。以山西焦煤西山煤电集团马兰矿某回采工作面为例,在相同的循环神经网络(RNN)预测模型下测试了改进的Adam优化器在瓦斯涌出量预测中的训练效率、模型收敛性与预测准确度。测试结果表明:(1)当隐藏层数为2和3时,改进的Adam算法较Adam算法的运行时间分别缩短了18.83,13.72 s。当隐藏层数为2时,Adam算法达到最大迭代数但仍没有收敛,而改进的Adam算法达到了收敛。(2)在不同隐藏层节点数量下,Adam算法都没有在最大迭代步长内收敛,而改进的Adam算法均达到了收敛,且CPU运行时间较Adam算法分别缩短16.17,188.83,22.15 s。改进的Adam算法预测趋势的正确性更高。(3)使用tanh函数时,改进的Adam算法的运行时间较Adam算法分别缩短了22.15,41.03 s,使用ReLU函数时,改进的Adam算法与Adam算法运行时间相差不大。(4)使用改进后的Adam算法做遍历网格搜索,得到最佳的模型超参数为{3,20,tanh},均方误差、归一化的均方误差、运行时间分别为0.0785,0.000101和32.59 s。改进的Adam算法给出的最优模型对于待预测范围内出现的几个低谷及峰值趋势判断均正确,在训练集上的拟合程度适当,未见明显的过拟合现象。

基于Adam优化的卷积神经网络随机共振现象研究

文中利用随机共振对改善Adam优化的卷积神经网络在算力有限下的性能进行了研究。对反向传播算法采用动量梯度下降算法去更新参数的网络进行Adam优化,利用MNIST手写数字集进行仿真实验,在论文实验条件下,跟动量梯度下降算法的网络相比,Adam优化的网络在前15次epoch下交叉熵降低,增加训练样本数量可以使得交叉熵的降低幅度减小。论文对Adam优化的卷积神经网络的输出神经元加入高斯噪声,仿真结果表明,交叉熵减少百分比出现了随机共振现象,增加训练样本数量可以使得随机共振现象的效果减小。

Adam优化的CNN超分辨率重建

为了使单帧图像在不同放大倍数的条件下进行超分辨率重建能得到较好的效果,提出了一种Adam优化的卷积神经网络(convolutional neural network,CNN)超分辨率重建方法。该方法首先使用ISODATA(iterative selforganizing data analysis)聚类算法对训练的图像集进行分类处理,然后在Adam优化的卷积神经网络中对输入图像进行特征提取和非线性映射得到特征映射图,最后在Adam优化的卷积神经网络中对特征映射图进行反卷积重建得到多尺度放大的重建图像。通过实验验证使用该方法在不同放大倍数条件下的重构效果优于传统算法,在视觉效果上有较好的表现。

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义。针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dropout正则化方法完成LSTM模型的训练。测试结果表明,在模型训练过程中加入Adam优化算法与Dropout正则化方法,使模型对实验数据集的非线性和初始荷电状态的不确定性具有鲁棒性。

改进Adam优化算法的人脸检测方法

深度学习中模型优化算法的选择与模型的性能有直接关系.提出了一种改进Adam优化算法的人脸检测方法,在二阶动量计算过程中加入激活函数来调整学习率的变化,从而使得优化算法学习率可以随迭代次数自适应地改变,提高人脸检测网络的收敛性能,更加精确地检测到人脸.实验结果表明,与RMSProp和原Adam优化算法相比,改进后的算法能够提高人脸检测的精确度,加快网络的收敛速度,同时降低训练时出现的迭代震荡次数,解决无法收敛到局部最优的问题.

基于Adam优化算法的双目机器人手眼标定方法

在智能制造领域,视觉机器人应用前景十分广阔。视觉机器人的手眼标定精度直接关系到机器人的后续作业精度。为了进一步提高机器人的手眼标定精度,现提出一种基于Adam优化算法的双目Eye-to-Hand型机器人的手眼标定方法。根据多体运动学理论,建立了6DOF机器人手眼标定数学模型,以Halcon输出的手眼标定矩阵为初始值,采用Adam优化算法对目标函数进行迭代求解,将由优化前后手眼矩阵得到的两组机器人末端坐标系的位姿分别与从示教器得到的位姿作差值,并取Frobenius范数。结果表明:相机标定误差为0.089个像素,优化后的Frobenius范数平均值小于优化前,且一致性好。

基于改进Adam优化器的CNN电镜医学图像分类

提出了一种基于改进自适应矩估计(adaptive moment estimation,Adam)算法优化器的卷积神经网络(convolutional neural networks,CNN)电子显微镜(电镜)医学图像分类方法。该方法根据卷积神经网络数据迭代的特点,采用具有下降趋势的幂指数学习率改进策略,通过添加修正因子,将上一阶段的梯度值与当前梯度值进行对比、调节,通过梯度值衰减来逐次更新学习率的大小,实现优化器学习率的自适应变化,改善CNN网络模型的收敛性能,实现医学电镜图像的分类。实验结果表明,相比经典的Adam优化器分类方法,改进方法能提高电镜医学图像分类算法的精度,最大分类精度可以到达92%,同时减小图像样本在分类时出现的迭代振荡、分类稳定性不足等现象。

面向残差网络与Adam优化算法的医学图像卷积超分辨率重建

文章分析一种医学图像卷积超分辨率重建方式,其中运用到残差网络和卷积神经网络,能够直接在地分辨率图像上提取特征,于是简化了操作程序,将会提高图片处理效率,然后还使用Adam优化算法进行优化。将文章所研究的算法和其他算法进行实验研究,研究结果表明,本文所研究的算法具有更好精确度和效率,能够提高收敛速度,更有利于提高医学图像的检查结果。

一种变分模态分解与Adam优化的LSTM电价预测方法

电价预测有助于电力市场的优化调度。长短期记忆(long short-term memory,LSTM)网络作为一种特殊的循环神经网络(recurrent neural network,RNN),在解决此类问题时具有良好的性能。为了提高电价预测的准确性,本文将变分模态分解(variational mode decomposition,VMD)、LSTM和Adam优化算法相结合,构建了一种VMD-Adam-LSTM混合模型。经VMD分解,将原始复杂的电价序列分解为波动简单且数量有限的固有模态函数(intrinsic mode function,IMF)。VMD分解能够有效克服经验模态分解(empirical mode decomposition,EMD)中存在的模态混叠问题。先将高效的随机梯度优化器Adam与LSTM结合,再对分解后的每个IMF进行预测,可以精确捕捉到电价的波动行为。本文将VMD-Adam-LSTM混合模型应用于实际电价数据。并与其他模型相比较,验证了该模型在电价预测上具有良好的性能。

基于优化BP的变压器化学色谱诊断分析技术

为提高变压器色谱诊断的准确率,在分析故障类型与特征气体关系到基础上,提出一种基于Adam优化BP的变压器色谱诊断模型,并重点探讨了不同优化器训练的诊断结果。结果表明,Adam梯度优化算法能够有效改进BP神经网络模型的诊断效果,BP-Adam模型在测试中表现出更高的诊断准确率。采用Adam优化器的BP神经网络诊断模型,其误差要明显低于SGD和RMSProp,利用Adam梯度优化算法对BP神经网络进行优化,Adam-BP模型对于变压器故障进行诊断的平均准确率高达95.62%。Adam算法对于BP神经网络的优化效果具有稳定、显著的优势。

基于Adam自适应学习率的神经网络训练方法

文章针对深度神经网络训练中的学习率调整问题,通过引入正则化项来优化Adam算法,以提高卷积神经网络的训练效果。在CIFAR-10数据集上的实验表明,基于正则化机制的Adam改进算法相较于传统的Adam优化算法缩短了训练时间,提高了测试和验证准确率,并降低了训练损失,表现出更好的泛化能力。

基于Dopout与ADAM优化器的改进CNN算法

在分析当前卷积神经网络模型特征提取过程中存在问题的基础上,提出了基于Dropout与ADAM优化器的改进卷积神经网络算法（MCNN-DA）.设计了二次卷积神经网络结构,通过引入基于Re LU的激活函数以避免梯度消失问题,提高收敛速度;通过在全连接层和输出层之间加入Dropout层解决过拟合问题,并设计了ADAM优化器的最小化交叉熵.以MNIST和HCL2000数据集为测试数据,测试分析了ADAM优化器的不同学习率对算法性能的影响,得出当学习率处于0.04~0.08时,算法具有较好的识别性能.与三种算法的实验比较结果表明：本文算法的平均识别率最高可达99.21%;对于HCL2000测试集,本文算法的平均识别率比基于支持向量机优化的极速学习机算法提高了3.98%.

基于ADAMS的Φ76钢管夹紧机构的优化设计

为保证平头倒棱机对钢管平头、切削坡口和去毛刺等工作的正常进行,设计合理的、针对不同口径的钢管的夹紧机构必不可少,工作过程中夹紧机构夹紧钢管,防止钢管在加工过程中各方向发生移动、转动以及不规则振动进而影响钢管的加工质量。本文运用ADAMS软件对Φ76钢管夹紧机构进行参数化建模并进行了优化设计与分析。根据ADAMS输出结果,建议生产线选取不改变夹紧机构的外形尺寸,仅改变内部杆件尺寸及各杆件的连接位置的优化方案,该方案中夹紧机构的最大驱动力减少了36.6%,平均驱动力减少了19.9%,极大地降低了生产加工的能耗。

基于ADAMS的低压塑壳断路器操作机构的优化设计

针对某型低压塑壳断路器触头超程较小的问题,利用UG建立该型断路器全尺寸三维模型,将模型导入ADAMS中建立其虚拟样机模型。通过经验法分析并修改影响触头超程的部件,使超程达到技术要求,为减小其动作时间,构建了操作机构的数学模型,对杆件建立方程式,推导后得到连杆长度与杆件夹角之间的变化关系。依靠ADAMS参数化设计工具,以动触头角速度最大为优化目标,相关杆件长度为优化变量,对操作机构进行优化设计。仿真结果证明,基于ADAMS的参数化分析法在对复杂运动机构的优化设计中更加高效和便捷,优化结果较为理想,为物理样机的研制提供了参考。

巴哈赛车后悬架的仿真优化

本项目组主要研究巴哈赛车后悬架的车轮外倾角优化,利用了 ADAMS/CAR 对后悬架进行运动学仿真,在 Insight模块中对后轮外倾角以及后悬架硬点进行优化,得出前后两次优化曲线,通过对比曲线看出车轮外倾角的合适的变化范围,为实际制造赛车悬架提供理论支持。

基于改进布谷鸟搜索算法对水质监测无线传感器部署的优化

为解决传统传感器网络随机部署分布不均的问题,提出采用布谷鸟搜索算法(CS)进行节点部署优化。为改善CS算法的全局优化性能以提升传感器节点部署优化能力,受动量梯度下降法、均方根算法和Adam优化算法的启发,提出Momentum-CS、RMSprop-CS与Adam-CS三种改进算法,对CS算法中的步长控制量和淘汰概率进行优化调整。以网络覆盖率为优化目标,将3种算法用于长宽为100 m水域的水质监测无线传感器节点部署进行优化。仿真结果表明,Adam-CS算法能够在较少迭代次数获取更高的网络覆盖率,达到90.35%,对于指导水环境监测中无线传感器节点部署具有现实意义。

基于深度学习的垃圾分类系统

随着环境问题日益严峻、全球环保趋势的推动,也包括国家政策的支持和公众认知的提高,垃圾分类尤为重要。为了解决日益增多的生活垃圾带来的难题,提出了一种基于深度学习的智能垃圾分类系统。该系统结合最新的垃圾分类标准规范,以计算机视觉深度学习为基础结合深度学习相关知识建立垃圾智能分类算法模型,并编写可视化应用程序实现垃圾图片快速读取、识别等功能,能高效解决垃圾分类问题。

基于深度学习的资金链风险智能预警研究

为打破传统财务管理方法在数据整合、实时共享和专业分析方面的局限性,本文提出一种基于深度学习的资金链风险预警模型。采用Transformer架构,利用自注意力机制捕捉财务指标间的相关性和变化趋势,通过线性变换和非线性激活函数处理数据,以预测企业在运营中存在的风险。模型训练过程中使用Adam优化器和交叉熵损失函数,并在测试集上进行性能评估,以确保模型的预测精度。本文以A企业资金链风险评估为例,通过具体的财务指标筛选和模型构建,实证研究评估Transformer模型在企业财务资金链危机预警中的可行性和效能。该模型能够提供风险预警和建议,有助于优化企业的资金管理效能并增强风险防护机制。