一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法

针对交流串联型故障电弧发生时回路电流幅值较小、传统线路保护装置不能有效检测的问题,提出一种基于小波变换能量与神经网络结合且适用于多种典型负载的串联型低压交流故障电弧辨识方法。利用自制的电弧发生装置模拟产生低压交流故障电弧,获取了6种典型家用负载情况下电路正常运行及产生串联型故障电弧时回路的电流信号。对采集的信号进行小波分解,将各层细节信号能量的平均值和标准差输入BP神经网络后构成小波神经网络,实现对不同负载测试样本的辨识。采用粒子群优化算法计算神经网络训练初始值,利用自适应学习率方法提高了训练速度。算法输出结果含义明确,输入层特征量选取合理。实验结果表明,采用该方法进行故障电弧辨识的准确率达到95%以上。

基于长短期记忆神经网络补全测井曲线和混合优化XGBoost的岩性识别

为克服已有岩性识别方法中存在的不足,提出一种粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法。由于某些测井曲线中存在缺失值,首先通过长短期记忆(LSTM)神经网络建立时间序列预测模型重新生成缺失的测井曲线值,为后续的岩性识别奠定基础;其次引入XGBoost算法构建岩性识别模型,利用粒子群优化算法确定XGBoost算法中浮点型超参数的最优值和整型超参数的寻优范围,在此基础上通过网格搜索法确定整型超参数的最优值,获得岩性识别模型;最后利用测试数据集对该岩性识别模型进行测试。结果表明与随机森林、未经优化的XGBoost算法、决策树、支持向量机和朴素贝叶斯相比,在不同岩性识别中粒子群优化算法和网格搜索法对XGBoost算法混合寻优的岩性识别方法的表现最为优异;粒子群优化算法和网格搜索法混合寻优的XGBoost算法应用到油田不同岩性识别中可在一定程度上克服已有岩性识别方法的不足,提高岩性识别的效率与准确率。

Monte Carlo study on the low momentum μ-π identification of the BESⅢ EM calorimeter

Abstract The BESⅢ detector has a high-resolution electromagnetic calorimeter which can be used for low momentum μ-π identification. Based on Monte Carlo simulations, μ-π separation was studied. A multilayer perceptron neural network making use of the defined variables was used to do the identification and a good μ-π separation result was obtained.

神经元网络中的PCA方法

论文以北京正负电子对撞机上BES实验中的e、μ、π粒子的神经元网络法鉴别为例 ,通过对原始输入变量进行PCA(PrincipalComponentAnalysis)方法重组 ,构造出一组相互独立的输入变量 ,去除原始变量中的某些相关性 ,可以减少输入变量的个数 ,改善网络的操作速度性能 .

基于神经网络的表面热流辨识三维效应修正

在已有顺序函数法对一维、二维表面热流辨识的研究基础上,考虑到三维辨识实时性的困难,提出神经网络和顺序函数法结合的方法。在顺序函数法一维辨识结果的基础上,利用人工神经网络对热传导三维效应进行修正,从而获得峰值热流实时准确的辨识结果。为了获得更优的神经网络模型,引入粒子群算法优化神经网络的初始权值和阈值。通过数值仿真的算例测试结果可以看出,本文提出的方法对于峰值热流的辨识结果准确度在4%以内,避免了三维辨识的时间复杂性,同时具有良好的抗噪性和稳定性。

在BES实验中用神经元网络法鉴别e,μ,π

研究了两种不同的神经元网络法，ＢＰ网络和ＬＶＱ网络，对北京谱仪（ＢＥＳ）实验中ｅ，μ，π粒子的鉴别，取得了较常规方法要好的结果．用于训练和检验的μ子样本来自宇宙线事例，ｅ和π粒子则是由真实实验数据精选的，虽然样本本身具有非均匀的动量谱，但ＢＰ网络的检验结果给出的粒子选择效率在整个动量区间却仍然具有相当均匀的分布，ＬＶＱ网络稍逊之．