基于循环Legendre模糊神经网络的DFIG二阶滑模容错控制

针对双馈感应发电机(DFIG)易受外界干扰而对并网产生影响的问题,将循环Legendre模糊神经网络(RLFNN)与二阶滑模控制(SOSMC)应用于DFIG控制中,从而提高了DFIG在传感器故障和不确定条件下的功率跟踪能力。首先,SOSMC采用超螺旋算法进行推导,并使用Lyapunov第二定理证明了控制系统的渐近稳定性。其次,提出了使用RLFNN来估计不确定部分,RLFNN的控制律与参数可在线训练,以进一步确保系统鲁棒性。仿真结果表明,所提出的方法能够使DFIG在发生传感器故障、参数变化以及外部干扰情况下保持正常运行,实现了有效容错控制。

基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断

提出一种基于卷积长短期记忆神经网络的深度学习模型PressureConvLSTM,用来提取行走过程中足底压力的空间特征和时序特征,并进行步态分类。通过对前交叉韧带断裂患者的足底压力数据分析,实现智能辅助诊断。结合临床数据的实验结果表明,PressureConvLSTM模型对前交叉韧带断裂的辅助诊断,能够达到95%的预测准确度;与卷积神经网络等其他模型相比,准确度得到大幅度提升。

卷积神经网络在前交叉韧带损伤诊断中的应用

前交叉韧带(anterior cruciate ligament,ACL)可以防止胫骨前后脱位,在旋转过程中为膝关节提供稳定性[1],是膝关节中最脆弱的韧带之一,也是高强度体育活动中最常见的损伤结构之一。ACL损伤后,由于血供不足,自愈能力较差[2],可诱发膝关节骨性关节炎(knee osteoarthritis,KOA)以及额外的半月板和软骨撕裂。

基于无监督神经网络匹配算法的叠前表面多次波压制方法

为了有效地压制海上地震勘探数据中的表面多次波,实现勘探目标的正确成像,提出一种基于无监督神经网络的叠前表面多次波匹配算法,将神经网络方法与表面相关多次波压制方法相结合,通过设定学习率不断下降,用无监督神经网络取代匹配滤波算子,对叠前地震数据进行表面多次波的压制,既不需要传统的匹配算法,也不需要在标签数据集上进行训练。在简单合成数据、Sigsbee模型数据和实际数据上的应用结果验证了该方法对表面多次波压制的有效性。

基于CNN-LSTM神经网络的前视成像算法

雷达前视成像作为雷达成像领域的难点与重点,在自动驾驶、导航、精确制导等方面具有广阔的应用前景。传统的前视成像算法受限于天线孔径的宽度,无法实现高分辨率的成像,本文使用卷积神经网络(Convolutional Neural Networks,CNN)与长短期记忆(Long Short-Term Memory,LSTM)网络相结合实现前视成像中方位向的预测,首先介绍了扫描前视成像信号的类卷积模型及其病态性,利用脉冲压缩以及距离徙动校正对回波信号预处理,输入CNN-LSTM神经网络逐距离单元进行方位向估计。仿真结果表明:算法能有效提高前视成像的方位分辨率,实现前视成像的超分辨。

基于神经网络算法的汽车前纵梁碰撞性能优化设计

随着汽车碰撞安全法规的升级,对车辆的安全性能要求越来越高,这就需要对不同的法规工况采用合适的碰撞吸能策略。汽车前纵梁结构,作为整车结构中的核心吸能结构件,吸收能量的多少关系到车辆的安全性能指标以及NCAP星级评价。前纵梁在碰撞过程中的变形模式是在产品设计和碰撞分析中比较难以控制的,本文根据作者多年的实践经验,采用神经网络方法,对可能的变形模式进行神经网络聚类分析,然后对预采用的变形模式再进行结构优化。这样最后设计的结构不仅仅达到了预期性能目标,还满足了可控的变形模式预期。对汽车碰撞性能设计提供了一个完整的方法和流程,很有实际工程借鉴价值。

卷积神经网络在AVA反演应用中影响因素研究

从基于卷积神经网络开展AVA(振幅随入射角变化)反演问题出发,建立网络训练所需的数据集,分析不同超参数调整对预测结果的影响,确定这些超参数的最佳设置值,并总结超参数调整规律。最后通过对比3种不同卷积神经网络模型的预测结果,寻找出适用于叠前参数反演问题的最佳网络。最终形成一套完备的基于叠前角度域道集数据应用卷积神经网络进行弹性参数预测工作流程。结果表明,基于本文构建的训练数据集,选取的卷积神经网络结构以及设置的超参数组合预测得到的弹性参数结果具有较高的精度。

一种改进遗传算法实现前向神经网络权值优化的方法

本文介绍了一种自适应改变交叉概率和变异概率的改进遗传算法。针对前向神经网络离线训练过程中梯度下降法存在易陷入局部极小的缺点和遗传算法能够很快接近全局最优的优点,提出了应用改进遗传算法对前向神经网络权值实现优化的方法,最后应用图形化可编程语言LabV IEW实现了改进遗传算法对前向神经网络权值的优化,证明了本方法的有效性。一、问题的提出由于含有至少一个隐含层和足够隐含层节点的前向神经网络以任意精度逼近复杂非线性函数,因此在系统辨识、控制器设计、系统建模、状态估计、优化、预测等方面有大量的应用,但目前为止前向神经网络还存在诸多问题待完善。如何确定适当的隐层节点数,以及怎样获得最优的权值并提高训练速度等成为亟待解决的问题。

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

Legendre多项式神经网络在重力数据插值中的应用

当前重力背景场构建所需的高精度、高分辨率重力数据,已可通过多种方式获取。神经网络与重力场结合的研究方兴未艾,考虑到神经网络使用的特点,其适用于重力数据处理的插值拟合过程。本文针对重力离散数据格网化插值过程精度降低的问题,提出一种基于正交多项式神经网络对重力数据进行插值的新方法。勒让德多项式神经网络(LPNN)模型具有复杂非线性映射能力,能够对重力数据推估建模,但由于其单层结构,LPNN的计算复杂度低。通过与现有方法进行比较,本文方法获得结果的准确性和可靠性,最后在中国南海实验区域上进行高精度重力数据插值成图,进一步验证了方法的可行性。

权值可直接算出的Legendre神经网络之隐节点数自动确定

隐神经元数目的确定在神经网络学习过程中有着重要的意义.然而,目前,还没有相应的确定性理论指导隐神经元数的设计.针对Legendre前向神经网络,在基于伪逆的权值直接确定法的基础上构造出一种神经网络隐节点数自动确定的算法.仿真结果显示该隐节点数自动确定算法能较快地找到最简化结构Legendre前向神经网络的隐节点数.

基于小波神经网络的六相永磁同步电机高阻连接状态感知策略

六相永磁同步电机具有缺相运行能力,因此必须对其高阻连接状态作出精准预判,以确保对故障线路实施有效切断,防止系统扰动引起保护误动作,并为容错控制提供可靠判据。基于矢量空间解耦方法建立了六相永磁同步电机完全解耦的数学模型,并建立其控制系统模型。采集正常状态与高阻连接状态下的电机信号,通过小波包分解提取其能量距特征,输入前向反馈神经网络进行离线训练,最后将其应用于剧烈变化工况下,在线感知高阻连接状态的发展态势。基于Matlab进行仿真,结果表明所提策略能够有效识别高阻连接状态,灵敏感知其发展态势,并在高阻故障发生前发出预警信号,同时对剧烈变化工况具有一定鲁棒性。

基于改进BP神经网络的液压支架前连杆疲劳寿命预测

为了解决液压支架前连杆疲劳寿命难以直接估算且预测成本较高的问题,采用鲸鱼优化算法(WOA)优化BP神经网络模型进行液压支架前连杆疲劳寿命估算,建立液压支架前连杆5个主要参数与疲劳寿命的非线性映射关系。首先在ANSYS的Fatigue模块中输入液压支架前连杠的5个主要参数,获取30组疲劳寿命仿真结果。然后从30组数据中随机选取25组数据作为优化后BP神经网络的训练集,剩余5组数据作为测试集。预测结果表明,WOA-BP神经网络模型预测精度较高,最大相对误差仅5.19%。

Legendre小波神经网络

在BP神经网络的基础上,结合Legendre小波构造了Legendre小波神经网络。由于Legen dre小波在区间[0,1)上具有分段表达式并且为多项式的特点,因而构造的Legendre小波神经网络有结构简单、收敛速度快等优点。以神经网络的BP算法作为Lengendre小波神经网络的学习算法,用有6个Leg endre小波基函数的Legendre小波神经网络对一个函数进行逼近分析,得到了较好的逼近效果。

基于混沌理论和Legendre正交基神经网络的短期负荷预测

考虑到短期负荷所具有的混沌特性和神经网络的非线性映射能力,提出了一种基于混沌理论的Legendre神经网络预测方法。该方法运用混沌理论对短期负荷数据进行向空间重构,并以欧式距离选取最佳训练样本,而后采用以Legendre正交多项式为隐含层神经元激励函数的三层神经网络进行训练,并运用训练好的网络进行预测。训练网络时,为了确定网络的最佳拓扑结构,文中引入了衍生算法来确定隐含层神经元的最佳个数。实例分析表明了该方法的可行性,且能得到较高的预测精度和良好的预测效果。

基于Legendre多项式混沌神经网络的异步保密通信

提出一种基于Legendre多项式混沌神经网络的异步保密通信系统。在发送方,系统以Legendre多项式混沌神经网络模型作为Logistic混沌序列辨识器,利用混沌序列与明文序列进行异或运算实现"一次一密"异步加密;接收方将混沌初值输入保密的Legendre多项式混沌神经网络,产生与发送方相同的混沌序列,与密文进行异或运算实现异步解密。加密与解密信息完全隐藏于混沌序列中,其安全性取决于Logistic混沌序列的复杂性和无法预测性。理论分析和加密实例表明,Legendre多项式混沌神经网络产生的序列具有良好的自相关性和互相关性,且算法简单易行,克服了混沌同步通信的诸多缺限,具有良好的安全性。

基于Legendre神经网络的单目视觉相对位姿解算

将BP神经网络、RBF神经网络以及Legendre正交基神经网络应用于单目视觉相对位姿强非线性解算,并且在梯度下降法的基础上推导了Legendre正交基神经网络的最优权值,最后进行了相应的仿真及物理实验.实验结果表明,基于Legendre正交基神经网络的单目视觉相对位姿解算方法不仅精度高、鲁棒性强,而且实时性较好.

一种新的基于Legendre混沌神经网络的数字水印算法

为了保护医学图像信息,提出一种新的基于Legendre混沌神经网络的医学体数据数字水印算法,将Legendre混沌神经网络、三维离散傅里叶变换和零水印有机地结合在一起.一方面,使用一种新型的Legendre混沌神经网络产生具有伪随机性的混沌序列进行置乱原始水印图像;另一方面,在医学体数据的三维离散傅里叶变换域上构造零水印,以提高数字水印的抗攻击能力.仿真结果表明,该数字水印算法不仅具有很好的鲁棒性,而且具有很好的安全性和保密性.

基于多项式前向神经网络的网络安全检测机制

随着互联网的不断发展,校园网络已成为学生学习、教师工作、学校管理的重要基础设施。但同时,网络攻击也不断增加,给校园网络安全带来了巨大的挑战。为了解决这一问题提出了一种基于多项式前向神经网络的校园网络安全检测机制,该机制使用前向神经网络对校园网络中的数据流进行监测,并通过多项式函数对数据流进行建模和分类。实验证明,该机制能够有效地检测和防范校园网络中的各种攻击行为,具有很高的实用性和可靠性。

基于MRI单张图像的深度卷积神经网络对膝关节前交叉韧带撕裂的诊断价值

目的建立基于膝关节MRI单张图像的深度卷积神经网络(DCNN)模型,并分析其诊断前交叉韧带(ACL)撕裂的价值。方法收集2017年1月1日—2022年6月30日海军第971医院GreatPACS影像存档与通信系统中1663例受检者的膝关节MRI图像,经一名骨科专科医生在每例患者MRI图像中手动选取1张图像并进行ACL正常或撕裂(正常1111张,撕裂552张)标注。将所有图像按照83%和17%的比例随机分配到训练集(1383张)和测试集(280张)中,用以训练并测试搭建的ACL智能诊断DCNN模型。通过阳性预测值(PPV)、阴性预测值(NPV)、准确率、灵敏度、特异度、受试者工作特征曲线下面积(AUC)等指标评估模型性能。结果本研究成功设计并搭建了ACL智能诊断DCNN模型。该模型诊断ACL撕裂的PPV、NPV、准确率、灵敏度和特异度分别为52.99%、88.96%、73.93%、77.50%和72.50%,AUC值为0.602。结论基于MRI单张图像DCNN模型对于临床医生诊断ACL撕裂具有一定的辅助作用。