Kohonen自组织神经网络在织物折皱等级评定中的应用

采用Kohonen自组织神经网络客观评定织物折皱等级,依据自组织神经网络的基本原理,结合自组织神经网络结构实现神经元的竞争和训练,并将结果输出到相应的分类模式中,以此确定试样的折皱等级,最后采用26种真实织物验证该方法的可行性。

Kohonen自组织神经网络在准平稳信号特征提取中的应用

本文根据准平稳信号平稳段内信号功率频谱密度保持不变的特性,利用Kohonen自组织神经网络,提取准平稳信号的段数、段类、段序三个特征,从而有效地识别不同的准平稳信号。最后经过计算机模拟实验证明了该方法的有效性。

基于主成分自组织神经网络法的测井曲线分层技术

在砂岩型铀矿找矿工作中,提高测井岩性分层效率和精度至关重要。为提高砂岩型铀矿岩性分层效果,本文采用主成分分析法对多个测井曲线进行降维处理,将主成分分析法的第一主成分、第二主成分、第三主成分作为自组织神经网络的样本数据,进行自组织神经网络训练,将训练好的网络模型用于砂岩型铀矿岩性的自动化分层。实验结果显示:主成分自组织神经网络法岩性分层精度可达到85%以上,高于传统自组织神经网络算法78%的分层精度,具有更好的测井岩性分层效果。因此,主成分自组织神经网算法的岩性分层方法有效减少了输入样本的种类,简化了自组织神经网络结构,其自动化分层效果要优于传统的自组织神经网络算法。本文的研究结果表明,主成分自组织神经网算法在砂岩型铀矿领域岩性识别工作中具有较好的应用效果。

基于轻量化卷积神经网络的纬编针织物组织结构分类

为解决纬编针织物组织结构自动分类时现有方法计算量偏大的问题,基于轻量化卷积神经网络,提出了一种改进的纬编针织物组织结构分类方法。采集纬编针织物组织双面的图像,以准确判断其结构类型。在特征提取步骤中,引入了注意力机制模块,修正各个层次特征在通道域和空间域的权重。构建的双分支网络架构能并行提取织物双面的特征信息。在分类阶段,采用了串行策略来融合高维特征向量,以确定纬编针织物组织所属类别。使用准确率、宏精确率、宏召回率以及宏F_(1)评估模型的性能,并统计了参数量和计算复杂度衡量模型的资源消耗。实验结果显示,对于纬编针织物特殊的结构特点,双分支网络架构具有很好的适应性。改进后的模型增强了不同组织间的特征区分度,在受到角度旋转、尺度改变、光照条件变化等干扰下,本文方法的分类准确率可达99.51%,且保持了较小的资源消耗。

基于自组织映射神经网络的淮河流域生态系统服务簇时空变化特征

生态系统服务簇的识别是区域生态系统服务管理与优化的关键。量化了2000、2010、2020年淮河流域产水量(WY),水源涵养(WC),土壤保持(SC),生境质量(HQ),水质净化(WP),净初级生产力(NPP)和碳储量(CS)7种生态系统服务。并基于自组织映射神经网络(SOFM)识别了生态系统服务簇,探讨了生态系统服务簇的时空变化特征。结果表明:(1)2000—2020年,WP,NPP与WC呈上升趋势,WC的增幅最大;CS与HQ呈下降趋势。淮河流域各生态系统服务具有时空异质性,生态系统服务高值区多位于西南部山区与东北部丘陵山地地区。(2)识别了5个生态系统服务簇:核心生态服务簇,WP服务簇,WY服务簇,NPP服务簇与生态过渡服务簇。核心生态服务簇与生态过渡服务簇的面积总体增加,流域西南部山区与东北部丘陵山地地区生态系统服务提升,2000—2020年,WY服务簇与NPP服务簇间的转移面积较大,WY服务簇面积减少达60.09%,NPP服务簇面积显著增加,2020年占整个流域面积的57.02%。研究结果不仅有助于清晰认识淮河流域生态系统服务簇的空间分布格局及动态变化,也为探索淮河流域可持续的生态系统管理与规划决策奠定了基础。

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。

基于有效性分析的自组织模糊神经网络建模方法

提出了一种基于有效性分析的自组织模糊神经网络(self-organizingfuzzyneural network based on effectiveness analysis, SOEFNN)建模方法。首先,提出了一种针对模糊规则的有效性评价指标,利用样本与规则层输出之间的映射关系进行网络模型的有效性分析,通过累积触发的方式实现相应模糊规则的增加或删减,使网络模型在能够处理复杂非线性问题的同时降低其冗余性,使模型更为紧凑。采用梯度下降算法对网络模型进行训练。然后,对所提出的SOEFNN模型进行非线性系统仿真实验和污水处理过程中的出水生化需氧量预测建模,并与其他自组织模糊神经网络模型进行对比。仿真结果表明,所提出的SOEFNN模型能够很好地实现结构和参数的自适应调整,并且具有较好的逼近能力。

基于混合双层自组织径向基函数神经网络的优化学习算法

针对传统方法采用先训练后测试两阶段学习机制极易导致的过拟合或欠拟合问题,提出一种基于混合双层自组织径向基函数神经网络的优化学习(hybrid bilevel self-organizing radial basis function neural network optimization learning,Hb-SRBFNN-OL)算法。首先,将训练过程和测试过程集成到一个统一的框架中,规避过拟合或欠拟合问题。其次,基于进化学习机制,提出上下2层的交互式优化学习算法,上层基于网络复杂度和测试误差自组织调整网络结构,下层采用列文伯格-马夸尔特(Levenberg Marquardt,LM)算法作为优化器对自组织径向基函数神经网络(self-organizing radial basis function neural network,SO-RBFNN)的连接权值进行优化。最后,利用来自多个子网络的综合信息生成模型的最终输出,加速网络全局收敛。为验证所提方法的可行性,分别在多个分类和预测任务中进行了测试实验。结果表明,在与传统神经网络结构相似甚至更好的测试和分类精度下,该方法不仅能实现更快的训练收敛,而且能进化成更精简紧凑的径向基函数神经网络(radial basis function neural network,RBFNN)模型。尤其在污水处理过程中总磷的质量浓度预测实验中,测试集中均方根误差(root mean squared error,RMSE)最高可降低48.90%,实际场景实验结果验证了所提算法的精确性更佳且泛化能力更强。

基于自组织递归小波神经网络的污水处理过程多变量控制

污水处理过程(Wastewater treatment process,WWTP)是一个包含多个生化反应的复杂过程,具有非线性和动态特性.因此,实现污水处理过程的精准控制是一项挑战.为解决这个问题,提出一种基于自组织递归小波神经网络(Selforganized recurrent wavelet neural network,SRWNN)的污水处理过程多变量控制.首先,针对污水处理过程的动态特性,根据小波基的激活强度设计一种自组织机制来动态调整递归小波神经网络控制器的结构,提高控制的性能.然后,采用结合自适应学习率的在线学习算法,实现控制器的参数学习.此外,通过李雅普诺夫稳定性定理证明此控制器的稳定性.最后,采用基准仿真平台进行仿真验证,实验结果表明,此控制方法可以有效提高污水处理过程的控制绝对误差积分(Integral of absolute error,IAE)和积分平方误差(Integral of squared error,ISE)的精度.

基于胃组织病理图像数据集的卷积神经网络模型对胃癌的早期预测价值

目的:探究胃组织病理图像数据集的卷积神经网络(CNN)模型对胃癌(GC)的早期预测价值,开发并验证GC早期预测模型。方法:将154例GC患者按照分期不同分为早期组(n=87)和中晚期组(n=67)。采用Logistic回归分析临床协变量;使用卷积神经网络(CNN)特征提取模型,搭建CNN预测模型;受试者工作特征(ROC)曲线评估区分度,校准曲线评估准确度。结果:年龄、基础疾病、幽门螺旋菌感染、红细胞计数(RBC)、白细胞计数(WBC)是GC的独立危险因素。最佳的CNN特征提取模型为3个卷积层、2个池化层和1个全连接层。CNN的各项指标均优于其他模型;校准曲线分析,CNN模型的拟合效果显著。结论:基于胃组织病理图像数据集的CNN模型具有良好的预测性能,临床可行性较好。

基于自组织聚类和JS散度的RBF神经网络

针对如何确定径向基函数(RBF)神经网络隐层结构这一问题进行研究,提出一种基于自组织聚类和JS散度的RBF神经网络。为解决K-means算法对初始值敏感的问题,提出基于距离的自组织初始聚类,将戴维森堡丁(DBI)指数作为准则函数,进一步提高聚类精度,得到代表数据集分布特性的隐节点;为解决隐节点冗余和相似的问题,提出一种基于敏感度分析的隐节点删除方法和基于詹森-香农(JS)散度的隐节点合并方法。仿真结果验证了该算法的有效性。

基于卷积神经网络的12 Cr1MoV钢金相组织球化级别智能化分析

为了高效准确地评定火电厂12Cr1MoV钢金相组织的球化级别,先对原始金相组织图像进行灰度值归一化和图像去噪等处理,建立金相组织图像数据库,再采用4种不同的卷积神经网络模型对金相组织图像进行分类识别,开发了金相组织智能分析软件。实验结果表明:Inception-v3模型识别12Cr1MoV钢金相组织的球化级别的准确度可达到93%。开发的智能分析软件可以自动、准确和高效地评定球化级别,为火电厂锅炉材料检验提供了更可靠的金相分析工具。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

基于模糊神经网络的数字媒体数据自动化采集系统设计

为了改善数字媒体数据传输效果,确保系统安全、稳定运行,设计基于模糊神经网络的数字媒体数据自动化采集系统。构建数字媒体数据自动化采集系统框架,数据采集层利用数据采集卡获取不同渠道的数字媒体数据,由数据处理层的数据融合模块调用改进模糊神经网络算法完成数字媒体数据的融合处理后,通过数据传输层的分层自组织无线网络将其传输至存储应用层,实现数字媒体数据的存储、查询、显示与输出。实验结果表明:该系统采集的音频信号波形规律、曲线平滑、功率均值波动误差在(0,0.14),满足允许误差范围;数据传输效果优于采用DSR协议的单点传输方式,当数字媒体数据源为3时,平均峰值信噪比指标最高;具有数字媒体数据查询功能。

卷积神经网络在肝癌病理图像诊断中的应用综述

肝癌是一种恶性肝肿瘤,起源于肝细胞.肝癌诊断一直是医学难点问题,也是各领域研究的热点问题,早期确诊肝癌可以降低肝癌的死亡率.组织病理学图像检查是肿瘤学诊断的黄金标准,图像会显示组织切片的细胞和组织结构,可以用于确定细胞类型、组织结构、异常细胞的数量和形态,并评估肿瘤具体情况.本文重点研究了卷积神经网络针对病理图像的肝癌诊断算法,包括肝肿瘤检测、图像分割以及术前预测这3个方面的应用,详细阐述了卷积神经网络各算法的设计思路和相关改进目的及方法,以便为研究人员提供更清晰的参考思路.总结性分析了卷积神经网络算法在诊断中的优缺点,并对未来可能的研究热点和相关难点进行了探讨.

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在的设备故障,结合大数据分析技术和设备评估技术,提出了一种基于时间序列和神经网络的状态数据异常检测方法。通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,计算状态变量在时间轴上的转移概率,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。结果表明,该方法可以快速、有效地检测电力设备异常状态。

基于SOM特征聚类及RBF神经网络的电力负荷预测方法研究

为了提高电力系统负荷预测的精度,维护电力系统运行的安全稳定性,提出一种基于特征向量的自组织映射聚类和改进的径向基函数神经网络相结合的电力负荷预测模型。通过提取能够体现每日电力负荷特性的特征向量,对样本进行聚类,采用具有相似特征的数据作为神经网络的训练样本,提高了样本规律性。采用粒子群算法(particle swarm optimization,PSO)修正神经网络粒子群速度及位置,以克服梯度下降、局部最优等问题对网络预测精度的影响。基于某地配电网电力负荷数据,验证了所提模型的有效性及良好的适应性。

基于自组织神经网络和K-means算法的地下空间地质环境质量三维分类及评价

针对地下空间地质环境质量,前人运用三维地质信息化技术已开展了大量三维综合评价研究,但其评价结果对于规划和施工建议略显不足。其原因主要是评价过程主观性较强,综合评价结果难以充分表达地质环境的真实类别,难以关注更需受到重视的不良地质环境条件等。针对上述问题,利用自组织神经网络(SOM)和K-means算法对地下空间地质环境质量三维评价信息进行分类研究;以福建省厦门市马銮湾新城南岸片区为实例,基于三维空间分析方法提取三维评价指标因子,开展基于自组织神经网络和K-means算法的地下空间地质环境质量三维评价,最后利用评价获得的地质环境类别与主导因子进一步提出规划和施工建议。结果表明:基于自组织神经网络和K-means算法的评价方法能够有效挖掘多维多源地质数据中的隐含信息,识别出关键区分因子,为地下空间地质环境质量评价提供了新的思路和方法。

基于PSO-SOM神经网络算法的串联电弧故障检测

自组织特征映射(SOM)神经网络是一种无监督式学习的竞争神经网络,具有灵活性强、聚类结果可视化等优点,但是在需要区分的类别较多且不同类别数据的特征差异不明显时,SOM的聚类效果可能并不好,分类准确率也会下降。提出了一种利用粒子群优化(PSO)算法对SOM网络的权值进行优化的解决方法,将PSO-SOM算法、常规SOM算法以及学习向量量化(LVQ)算法神经网络分别应用于电弧故障检测。仿真结果表明,经过PSO优化的SOM神经网络的检测准确率可达95.00%以上,而未经优化的SOM神经网络与LVQ神经网络的准确率仅为50%左右。

基于自组织神经网络及K最近邻算法的储层渗流屏障定量识别方法

传统的储层渗流屏障识别方法大多为定性或半定量,对于单砂体内部规模较小的储层渗流屏障的识别精度及划分效率相对较低。以沧东凹陷枣南孔一段油藏为例,基于岩心及测井资料,引入人工智能机器学习方法,提出一种基于SOM神经网络聚类和KNN算法的储层渗流屏障定量识别方法。该方法主要通过SOM算法逐点对取芯井多测井曲线进行聚类,获取能够表征储层质量差异的测井相神经单元,然后与岩性及构型进行对比,建立取芯井测井相神经单元定量划分储层渗流屏障标准,最后通过KNN算法将取芯井测井相神经单元模型传播到非取芯井,并对非取芯井进行储层渗流屏障识别与划分。结果表明,该方法对储层渗流屏障的识别结果与岩心的符合率超过90%,同时快速地对全区非取芯井渗流屏障进行划分,有效地提升储层渗流屏障的识别精度与效率,这也为类似的研究提供一种新的思路和方法。