基于ANN模型的内冷型溶液除湿器性能研究

溶液除湿器因可被低品位热能驱动,且具有除湿效率高等优点而受到广泛关注,但其传质性能的预测准确度还有待提高.本文搭建了单通道内冷型溶液除湿实验平台,研究了不同参数对于除湿过程中传质性能的影响,同时,建立了基于MATLAB平台的人工神经网络(ANN)模型用于预测传质性能,并用上述实验数据对该ANN模型进行了验证.结果表明,ANN模型预测得出的Sh与实验Sh平均绝对相对偏差(MARD)为4.07%.与现有经验公式相比,建立的ANN模型预测精度更高.此外,还利用ANN模型研究了不同参数变化下的Sh的变化趋势,从而分析不同参数对除湿性能的影响.

基于财务报表的NN糖业企业营运资金管理绩效分析

对制糖企业营运资金管理绩效进行分析与评价,能有效帮助制糖企业提高营运资金管理水平,把握企业营运资金管理规律。文章基于要素视角,对NN糖业营运资金管理绩效进行案例分析;借助NN糖业财务报表信息,通过综合运用企业营运资金分析理论,基于供应链视角总结了NN糖业企业营运资金管理绩效现状与提升策略。建议企业应收账款、存货等流动资产的作用充分发挥,在甘蔗收购需要大量流动资金时可采用供应链金融中的应收账款融资模式、存货质押融资模式来取得银行信贷资金,以满足榨季流动资金的需要,提升营运资金管理绩效。

基于时频域特征分析和ML-NN的故障电弧检测与选线

针对低压配电系统方式复杂、负载种类繁多、串联故障电弧的检测难度越来越大的问题,提出了1种基于时频域特征分析和多标签神经网络(ML-NN)分类的串联故障电弧检测与选线的方法.该方法通过采集多回路负载的不同支路发生电弧时的干路电流,对其时域采取统计的方法对故障电流的方差、均值、偏度和峰度进行分析,对其频域采用小波变换的方法得到其故障电流的小波系数特征.将时频域特征作为神经网络的输入进行训练,同时采用反向传播方法来训练模型,实现故障电弧检测和故障选线.经过实验验证,故障电弧检测和选线的准确度分别达到了97.57%、99%.

基于GRU-NN模型的电力用户能耗预测研究

针对现有预测方法在对电力用户进行能耗预测时,存在预测精度低、预测时效性差的问题,引入GRU-NN(Gate Recurrent Unit-Neural Networks,门控循环单元-神经网络)模型,开展对电力用户能耗预测方法的设计研究。采集电力用户用电信息,并从归一化处理后的信息中提取用电特征。利用GRU-NN,构建能耗预测模型。结合均方误差和拟合优度的概念,对该模型进行训练。利用训练后的模型预测电力用户能耗,模型的输出即为预测结果。通过对比实验,证明新的预测方法预测结果更加接近实际,且预测耗时短,具备较高的时效性,值得广泛应用。

基于灰色Elman-NN模型的乡村旅游游客流量预测方法

影响乡村旅游游客流量因素较多,导致乡村旅游游客流量预测误差较大,并且效率较低,设计一种基于灰色Elman-NN模型的乡村旅游游客流量预测方法。将所有数据按照一定的顺序排列,选取预测因子,对旅游数据关联度计算,采用灰色Elman-NN模型实现了乡村旅游游客流量预测。实验结果表明,所研究的基于灰色Elman-NN模型的乡村旅游游客流量预测方法在节假日前与节假日时的客流量预测上误差都较低,并且预测效率较高,满足乡村旅游游客流量预测方法的设计需求。

基于k-NN模型的钢坯入炉温度预测

在中厚板生产中,加热工序是决定后续轧制过程是否稳定的重要环节。同时为了提高经济效益,实现节能减排,加热工序往往会根据原料本身的温度情况来制定相应的加热工艺。换热系数是建立钢坯温降计算模型的核心参数,由于其影响因素繁多且复杂,很难有一个固定的模型来计算。本文提出一种简单有效的基于k-NN算法的温度预测模型,寻找目标钢坯与样本钢坯之间的相似度,然后通过IDW加权平均算法,预估出目标钢坯的入炉温度。实际应用表明,模型预测温度与实测温度绝对误差控制在30℃以内的占比达95%以上。

局灶性癫痫围发作期心率变异性变化特点

目的探讨局灶性癫痫围发作期心率变异性变化特点。方法收集2014年9月至2019年9月在首都医科大学附属北京天坛医院癫痫中心进行术前评估并完成手术的癫痫患者102例,选择局灶性发作198次,手动测量相邻两个心电活动的RR间期,计算心率变异性时域参数-相邻正常心跳间期差值平方和的均方根(RMSSD),比较发作前60 s、发作期、终止后60 s RMSSD差异,并比较不同心率变化类型、不同发作类型、不同发作前状态以及不同致痫灶部位和侧别RMSSD差异。结果发作期和发作前60 s及终止后60 s RMSSD相比差异有统计学意义(P<0.001),提示发作期RMSSD降低;心率增快类型癫痫发作期RMSSD降低(P<0.001);复杂部分性癫痫发作期RMSSD降低(P<0.001);颞叶内侧癫痫发作期RMSSD降低(右颞叶内侧P<0.001;左颞叶内侧P<0.001);心率无变化(P=0.556)和心率减慢(P=0.983)类型癫痫发作、单纯部分性癫痫(P=0.869)、颞叶外侧癫痫(右颞叶外侧P=0.204;左颞叶外侧P=0.849)和颞叶外癫痫(右颞外P=0.188;左颞外P=0.068)发作期RMSSD无降低。发作期和发作前60 s RMSSD差值在睡眠期更明显(P=0.039)。结论心率增快类型癫痫发作、复杂部分性癫痫、颞叶内侧癫痫发作期易发生心率变异性下降,提示癫痫发作期副交感活性下降;睡眠期状态下发生的癫痫发作期心率变异性下降相比清醒期显著,提示睡眠期癫痫发作副交感活性下降更加明显。

基于k-NN和Landsat数据的小面积统计单元森林蓄积估测方法

基于吉林省一个试验区的森林资源一类清查固定样地数据、Landsat TM数据和土地利用数据,采用精度交叉评价方法研究了k-最近邻(k-NN)法用于小面积统计单元森林蓄积估计的有效性。结果表明:k-NN方法对样地覆盖区影像像元单位面积蓄积量的估测平均误差在1.5 m3.hm2之内,相对均方根误差(RMSE′)低于传统的基于绿度指数的线性方程估测方法;采用k-NN方法可以实现县市级统计单元的参数估计,估测效果优于只利用固定样地数据的传统成数估计方法。

基于KNN离群点检测和随机森林的多层入侵检测方法

入侵检测系统能够有效地检测网络中异常的攻击行为,对网络安全至关重要.目前,许多入侵检测方法对攻击行为Probe(probing),U2R(user to root),R2L(remote to local)的检测率比较低.基于这一问题,提出一种新的混合多层次入侵检测模型,检测正常和异常的网络行为.该模型首先应用KNN(K nearest neighbors)离群点检测算法来检测并删除离群数据,从而得到一个小规模和高质量的训练数据集;接下来,结合网络流量的相似性,提出一种类别检测划分方法,该方法避免了异常行为在检测过程中的相互干扰,尤其是对小流量攻击行为的检测;结合这种划分方法,构建多层次的随机森林模型来检测网络异常行为,提高了网络攻击行为的检测效果.流行的数据集KDD(knowledge discovery and data mining) Cup 1999被用来评估所提出的模型.通过与其他算法进行对比,该方法的准确率和检测率要明显优于其他算法,并且能有效地检测Probe,U2R,R2L这3种攻击类型.

美国NN/LM医学图书馆网的分析和启示

从背景、宗旨、任务、现状、信息服务等方面全面分析美国NN/LM,并提出对我国医学图书馆发展的启示和建议。

一种新的证据K-NN数据分类算法

K近邻分类算法已被广泛应用于模式识别中。为了有效处理识别问题中的不确定信息并提高数据分类精度,提出了一种新的证据K-NN(NEK-NN)分类算法。首先从总的训练集中随机重复采样来构造多个训练样本子集。在每个训练子集中,利用目标数据与其各个近邻的距离分别构造基本置信指派,并根据K个近邻数据在每个类别中的数目来对构造的置信指派进行加权。然后,利用DS规则对加权证据融合。根据每个训练子集下融合结果的算术平均值来判断目标的类别属性。通过模拟数据集和真实数据集的实验,将NEK-NN算法与其他几种常见的方法做了对比分析,结果表明NEK-NN算法能够有效地提高分类的精度。

用RCR特征和NN识别实时手绘工程草图

针对实时手绘工程草图 (简称手绘草图 )的识别 ,引入草图重心、重径距和正规化重径 (RCR)等图形特征概念 ,提出手绘草图的神经网识别方法 该方法以图素具有统计意义的正规化重径作为特征、以图素交叉方式组织正规化重径的值作为学习样本 ,应用弹力传播的Rprop算法训练BP神经网 ,一次训练即可得到能够识别任意倾角和位置手绘草图图素的识别器

基于N次K-NN分类算法的管道机器人定位技术研究

分析了低频电磁波在均匀介质中的磁场分布,其分布与介质的介电常数、磁导率密切相关.根据管道机器人定位的实际工程需要,给出了三传感器低频电磁波定位模型.为了减小传输介质介电常数、磁导率参数对管道机器人定位的影响,提出了N次K-NN分类算法.实验结果表明,该算法分类的正确率可达97.5%,定位精度可达±10 cm,在传输介质介电常数、磁导率等参数不确定条件下,可有效地求解低频电磁波发射源的位置参数.

基于MPI的ML-kNN算法并行

基于MPI将ML-kNN算法并行化,以解决多标签学习领域中的大规模分类问题,控制计算的时间开销,这也是首次将MPI应用到多标签学习领域.通过与传统的串行ML-kNN的对比实验,验证了所提方法的可行性和有效性.另外,允许数据集以特征为单位划分,这使得该方法在处理高维数据时具有更大的优势.

一种基于k-NN的案例相似度权重调整算法

对于CBR中的案例检索问题,结合经典案例相似度计算方法,对目前在各实际系统中应用最为广泛的k-NN算法进行改进。经过特征约简,在假设时间因素对历史案例可采纳程度有显著影响基础上,提出了一种小规模的基于时序的案例特征权重多阶段调整算法。该算法适用于数值型特征项相似度计算。

基于误差分治的神经网络验证

随着神经网络技术的快速发展,其在自动驾驶、智能制造、医疗诊断等安全攸关领域得到了广泛应用,神经网络的可信保障变得至关重要.然而,由于神经网络具有脆弱性,轻微的扰动经常会导致错误的结果,因此采用形式化验证的手段来保障神经网络安全可信是非常重要的.目前神经网络的验证方法主要关注分析的精度,而易忽略运行效率.在验证一些复杂网络的安全性质时,较大规模的状态空间可能会导致验证方法不可行或者无法求解等问题.为了减少神经网络的状态空间,提高验证效率,提出一种基于过近似误差分治的神经网络形式化验证方法.该方法利用可达性分析技术计算非线性节点的上下界,并采用一种改进的符号线性松弛方法减少了非线性节点边界计算过程中的过近似误差.通过计算节点过近似误差的直接和间接影响,将节点的约束进行细化,从而将原始验证问题划分为一组子问题,其混合整数规划(MILP)公式具有较少的约束数量.所提方法已实现为工具NNVerifier,并通过实验在经典的3个数据集上训练的4个基于ReLU的全连接基准网络进行性质验证和评估.实验结果表明,NNVerifier的验证效率比现有的完备验证技术提高了37.18%.

用于大数据分类的KNN算法研究

针对KNN算法在处理大数据时的两个不足对其进行了研究,提出多层差分KNN算法。算法对已知样本根据类域进行分层,既避免了传统改进算法中剪辑样本带来的判别误差,又大大降低了无效的计算量;同时在最后一层采用差分的方法进行决策,而不是直接根据最近邻进行分类,大大提高了分类的准确性。实验结果表明,该算法在对样本容量大、涉及邻域多的大数据样本进行分类时能取得较好的分类效果。

基于DSC后推法的非线性系统的鲁棒自适应NN控制

针对一类具有不确定系统函数和方向未知的不确定增益函数的非线性系统,提出了一种鲁棒自适应神经网络控制算法.本算法采用RBF神经网络(Radial based function neural network,RBFNN)逼近模型不确定性,外界干扰和建模误差采用非线性阻尼项进行补偿,将动态面控制(Dynamic surface control,DSC)与后推方法结合,消除了反推法的计算膨胀问题,降低了控制器的复杂性;尤其是采用Nussbaum函数处理系统中方向未知的不确定虚拟控制增益函数,不仅可以避免可能存在的控制器奇异值问题,而且还能使得整个系统的在线学习参数显著减少,与DSC方法优点结合,使得控制算法的计算量大为减少,便于计算机实现.稳定性分析证明了所得闭环系统是半全局一致最终有界(Semi-global uniformly ultimately bounded,SGUUB)的,并且跟踪误差可以收敛到原点的一个较小邻域.最后,计算机仿真结果表明了本文所提出控制器的有效性.

基于NNs-MRAS无速度传感器双馈电机LQR控制

针对双馈电机无速度传感器控制系统,提出了一种基于定子磁链的神经网络-模型参考自适应系统(NNs-MRAS)的速度观测法,采用差分算法设计了神经网络(NNs)模型,通过偏差反传算法对神经网络模型进行训练,使其具有良好的转速观测能力;设计了基于两相同步旋转坐标系下转子电流的线性二次型最优控制算法的控制器(LQR),并给出了状态反馈控制增益,实现了电流闭环参数的最优控制,改善了系统的动、静态性能。详尽地推导所述控制方案的实现过程,并通过基于DSP实现的样机试验,验证了控制方案的正确性和有效性。

医学图书馆服务的典范——美国NN/LM的服务及其启示

对美国医学图书馆联盟(NN/LM)的服务方式、服务特征和关键因素等进行剖析,发现NN/LM的服务丰富多彩,包括各种文献传递服务、参考咨询服务、培训、继续教育及特色化的外展服务(outreach)、信息处方、临床信息咨询服务等。有许多值得我国医学图书馆学习和借鉴之处,并对我国医学图书馆的服务提出思考和建议。