基于自适应速度趋势函数的约束层速度反演方法

论文研究了复杂构造区初始层速度约束反演问题。首先得出初始层速度模型的精度对偏移速度建模的质量和迭代稳定尤为重要,常规方法在构造复杂区使初始速度模型产生的误差易导致最终偏移速度模型地质意义失真、真实构造特征掩盖等问题。提升初始速度模型与地下地质特征的匹配和精度成为关键。基于此,论文提出了基于自适应速度趋势函数的约束层速度反演方法。在常规方法的基础上,利用复相关法在时间域剖面上获得地质构造的连续性与变化,并将其作为构造响应算子形成针对性的影响域和权重融入速度趋势函数中,使该函数自适应地质构造特征,提升初始速度模型的精度。再通过对基准速度和速度趋势对深度的梯度进行样条拟合,构建趋势函数的全局高频异常约束,有效预防在构造突变区产生异常高频,进一步增强算法的稳健和可靠性。理论模型和实际数据的测试,验证了本文方法的有效性,反演得到的层速度模型更符合地质规律,并能更好地解决构造复杂区层速度模型的连续性问题,有利于提高复杂构造叠前深度偏移成像精度。

应用动态激活函数的轻量化YOLOv8行人检测算法

针对传统激活函数不能特异性匹配每张特征图以达到最好的激活效果,设计一种动态激活函数,为特征图上的每个像素值添加各自的偏移量,以达到更优的区分目标和背景的效果;为使模型更好地关注目标,在主干加入注意力机制,以提高模型的准确性。针对需要监测行人流量和进行交通管理的场景,如闯红灯检测、自动驾驶等实时性高,硬件条件有限的场景,应用通道剪枝技术对模型低权重参数进行修剪,为适应硬件加速特性,改进了剪枝方法,使保留通道数始终为8的整数倍。在推理部署阶段,融合Conv和BatchNorm权重,进一步缩小模型,减少参数量和浮点运算量。最终实验表明,改进的模型性能比其他目标检测模型均有一定提升,其中,比YOLOv8原模型在AP0.5:0.95上提升了0.013,在AP0.5上提升了0.005,参数量减少了4.8×10~6。

无参数自适应罚函数的高效代理模型优化设计方法

在飞行器气动外形优化设计中,复杂约束条件导致设计空间可行域呈现不连续的特征,且理想解大多靠近约束边界,传统高效代理模型方法难以适用。研究了参考点对优化设计的影响,提出了一种考虑约束的参考点选择机制;对于最优解靠近边界的问题,罚函数法更加有效,但惩罚因子的设置对于罚函数方法影响很大,不合适的惩罚因子反而会损害优化效率,分析了优化过程中罚函数方法对惩罚因子的要求,提出了一种无参数自适应罚函数的代理模优化设计方法,引入基于样本分析的惩罚项,结合归一化目标值和约束值,在优化过程中动态调整惩罚因子,使优化能够尽可能地聚焦于可行域内,迅速收敛到最优解,实现样本的高效配置。通过带约束的函数算例和翼型优化算例证实,所提方法可以大幅提高飞行器气动外形优化设计效率。

基于自适应损失函数的句子级远程监督关系抽取

远程监督关系抽取是一种关系抽取方法,现有方法主要采用多实例学习,在具有相同实体对的样例包上进行关系抽取。但是,包级方法只能缓解却并不能完全解决错误标签问题。基于此,文中首先分析了干净数据和噪声数据的分布,提出了一种新的自适应损失函数;在此基础上,提出了一种基于自适应损失函数的句子级远程监督关系抽取方法。在公开数据集NYT-10以及基于TACRED的合成数据集上的实验结果表明:文中提出的方法优于对比文献中的方法,能够更有效地区分错误标签噪声样例和干净样例,提高了句子级远程监督关系抽取的准确率。

激活函数在CNN模型中改进算法的研究

CNN,即卷积神经网络算法,是深度学习研究领域的重要分支,尤其是在图像识别领域,其已成为最为热门的研究对象。文章以图像识别为研究基础,先阐述卷积神经网络在图像识别中的进展,然后研究深度学习图像目标识别的传统算法,并在目标定位、特征提取、分类方法等方面与传统的目标识别算法进行了比较。在以上研究基础上,提出了一种新的卷积神经网络压缩激活函数模型,通过改进的CNN模型对卷积神经网络的结构进行了部分优化。实验验证了该模型的有效性,不仅降低了错误率,还大大减少了网络参数的数量,具有更强的学习能力。

基于改进激活函数的一维卷积神经网络电机轴承故障诊断的研究

提出了一种基于改进激活函数的一维卷积神经网络的电机轴承故障诊断的方法,该方法首先介绍了一维卷积神经网络的结构,然后详细说明了激活函数的改进点,最后通过仿真试验依次采用三种一维卷积神经网络对电机轴承故障进行分类,通过对比发现,此方法具有诊断准确率高、收敛速度快、无需人为提取故障特征等优点。

ReLU激活函数深度网络的构造与逼近

研究ReLU激活函数深度网络的构造与逼近问题.以一个在[-1,1]上对x^(2)具有指数逼近阶的深度ReLU网络作为子网络,构造逼近任意n次多项式的深度网络,并给出其逼近误差的上界估计.借助一元正交切比雪夫多项式、张量积理论和函数逼近的方法,构造二元正交多项式和两个输入的深度网络,同时得到了对二元连续函数的逼近估计.

基于ACON激活函数和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断任务的泛化问题,提出一种基于ACON激活函数和卷积神经网络(CNN)的故障诊断方法(ACON-CNN模型)。构造一种自适应激活因子,利用ACON激活函数的自适应激活特性增强整个卷积神经网络的自适应特征能力;同时构造一种基于稀疏结构的神经元簇,增加诊断模型的稳定性。对CWRU轴承数据集以及航空轴承数据集的试验结果表明:针对同一轴承不同采集端故障数据的训练与识别中,ACON-CNN模型具有比原始CNN,FFT-CNN,LSTM-CNN更好的识别效率和鲁棒性;在不同轴承样本数据集的迁移学习中,ACON激活函数和稀疏神经元簇的综合作用也使ACON-CNN模型获得了更好的泛化性能和识别效果。

基于适应度函数和染色体信息量排序的高光谱影像特征选择方法

针对高光谱遥感影像数据中存在较多冗余信息的问题,以染色体的信息量排序为基础,构建联合条件互信息和多元互信息的适应度函数,提高所选特征可以提供的信息量,将适应度函数作为差分进化算法的评价标准,通过最大化适应度函数获得最优特征子集,提出一种新型光谱特征选择算法,使用每条染色体中所选特征的信息量来计算相关性。实验结果表明:在16类地物中该算法在9类上分类准确度最高,说明将基于信息量的相关性的估算作为适应度函数与群体智能优化算法相结合能更好地应用于高光谱遥感影像的光谱特征选择。

多模态高精度非线性激活函数协处理器设计

针对片上部署非线性激活函数产生的精度损失以及硬件资源开销大的问题,提出一种基于三分法指数方法的多模态高精度非线性激活函数协处理器设计.首先分析激活函数在不同拟合参数下的近似误差以及运算量,为设计提供指导;然后设计一种模块化的硬件框架,通过复用指数、对数、sigmoid模块并结合浮点计算单元,能够以较低的面积开销部署多种激活函数.在Xilinx的Vertix系列FPGA上完成原型测试,实验结果表明,在仅增加32个查找表的情况下,所提设计tanh和sigmoid的近似误差仅为2项拆分指数方法的65.02%和69.00%,同时拟合范围扩大60%;与高精度分段线性逼近方法相比,该设计在仅用4%的查找表数量的情况下,将近似误差缩小82%.

基于一类新型激活函数的递归神经网络的多稳定性分析

本研究基于一类新型连续锯齿型激活函数研究了递归神经网络(Hopfield神经网络)的多稳定性。首先,通过区间剖分法、Brouwer不动点定理证明了基于该激活函数的n维神经网络模型至少具有7n个平衡点,并运用对角占优矩阵理论、局部稳定性判定定理等方法证明了其中4n个平衡点是局部指数稳定的,剩余的平衡点是不稳定的。其次,通过增加锯齿型激活函数的峰值点将激活函数推广到更一般的情况,得到了n维神经网络在含有k个峰值点的连续锯齿型激活函数中至少具有(2k+1)n个平衡点,其中(k+1)n个平衡点为局部稳定的。本研究设计的激活函数相较于现有的一些激活函数会产生更多的稳定平衡点,并且在增加峰值点的过程中不会增加神经网络的计算复杂度。最后,通过两个具体的数值算例验证了本研究结果的有效性。

用新激活函数加快新ZNN模型求解时变矩阵Moore-Penrose逆

基于梯度的神经网络(GNN)和张神经网络(ZNN)是两种可用于求解时变矩阵Moore-Penrose逆问题的递归神经网络。与GNN相比,ZNN的计算精度更高。此外,本文提出了一种新的ZNN模型。因此,本文主要利用带有新优化激活函数的ZNN模型来求解时变行满秩(或列满秩)矩阵Moore-Penrose逆问题。这种带有新优化激活函数的ZNN模型可以在有限时间内加速求解时变矩阵的Moore-Penrose逆。通过Lyapunov理论分析,得到了收敛时间的上限。仿真结果进一步证实了理论分析,并证明了采用新优化的激活函数的ZNN模型在求解时变矩阵Moore-Penrose逆时的有效性。

基于威布尔分布函数的自适应MEWMA图多目标优化设计

为了提高MEWMA控制图的监控效率,提出了一种基于威布尔分布函数的自适应MEWMA图构造方法,以平均产品长度和单位产品质量成本为目标函数,从统计性和经济性两方面建立了自适应MEWMA图优化设计模型,并采用逼近理想解排序法给出了面向一个偏移区间范围的多目标优化步骤。最后,将本文提出的自适应MEWMA图方法与其它两种自适应多元控制图和已有的MEWMA经济统计设计分别进行比较,结果表明该自适应MEWMA图多目标优化设计在统计性能和经济性能上均具有明显的优势。

具有一类不连续非单调激活函数的时滞递归神经网络的多稳定性分析

本文提出了一类不连续非单调激活函数,研究了具有这类激活函数的时滞递归神经网络的多稳定性。根据激活函数的几何特性和不动点定理,给出充分条件确保n维神经网络至少存在7n个平衡点,其中4n个是局部指数稳定的。然后,我们将结果推广到更一般的情况。在不增加充分条件的情况下,本文通过增加激活函数峰值点的数量k,得到n维神经网络可以具有 (2k+3)n 平衡点,其中是 (k+2)n 局部指数稳定的。与之前文献相比,总平衡点和稳定平衡点的数量大大地增加了,从而提高了递归神经网络的存储容量。最后,给出了一个例子来证明我们的理论结果。

改进自适应遗传算法求解函数优化问题

针对遗传算法在复杂函数优化过程中存在收敛速度慢、搜索效率低和易陷入局部最优等问题,提出一种多方面改进的自适应遗传算法。算法从全局出发,对编码长度、种群初始化方式、选择方式、交叉和变异算子自适应机制以及适应度函数构造方式等方面进行了优化。仿真实验表明,算法在收敛速度、求解精度、稳定性、全局寻优能力等方面有了明显的改善,在复杂函数优化问题中显示了较好的性能。

强化关键能力 突出思维品质——高考综合改革适应性测试“函数与导数”专题命题分析

函数作为高中数学的核心内容,是每年高考考查的必考内容及重点内容。针对近三次教育部组织的高考综合改革适应性测试(2021年八省联考、2023年四省联考、2024年九省联考)及近三年全国六套新高考试题中的函数与导数专题试题,课题组从考查内容和命题特点等方面进行综合分析,提出夯实两个“基本”、深化三类问题、讲透思想方法、加强关键能力、创新试题结构等教学建议。

面向存算一体架构中Tanh激活函数的绝对值电路设计

基于存算一体(CIM)架构的激活函数模拟实现方式使得神经网络变得更加接近非线性模型,针对其中Tanh函数负值难处理的问题,该文提出一种高速、高精度绝对值运算电路。该电路将输入电压经过比较器结果判断选择是否输出,利用反相比例取反电路控制负压输入并转换为正压通过开关输出,实现了离散输出功能的绝对值运算处理。与传统利用二极管全波整流绝对值电路相比,该电路有效避免了二极管难集成的问题,且速度快、功耗低、整体面积小。基于55 nm CMOS工艺进行设计,结果表明,在50 ns工作时钟周期下,经过绝对值电路转化后的输出电压与输入电压误差控制在1%以内,比较器的输出延时为5 ns,零点区域放大电压误差小于400μV。在1.2 V电源电压下,功耗为670μW,版图面积为4447μm^(2)。

嵌入式系统中激活函数的快速计算

本文总结了神经网络系统中常用的激活函数,并针对激活函数中幂函数的快速计算方法开展研究,利用嵌入式系统中浮点数的存储格式及泰勒级数展开,计算幂函数阶码和尾码,实现了幂函数的快速计算。嵌入式系统中的试验验证表明,计算速度得到了显著提高,实现了嵌入式系统中激活函数的快速计算。

求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法

提出一种新的求解非线性方程组的非单调自适应加速Levenberg-Marquardt算法,该算法使用一种新的自适应函数更新Levenberg-Marquardt参数,这种Levenberg-Marquardt参数的更新方式可提高过于成功的迭代中模型与目标函数的一致性,从而加快算法的收敛速度.数值实验结果表明,该算法具有良好的数值计算性能.

基于自适应图卷积和注意力池化的点云分类与分割

针对现有点云分类与分割方法使用最大池化聚合局部邻域特征,导致最大值以外的重要信息丢失的缺陷,提出一种结合自适应图卷积AdaptConv和注意力池化AP的点云分类与分割网络。首先,采用K近邻算法构建点云局部图结构,根据点的特征生成自适应卷积核,灵活精确地捕获点云的局部邻域特征;其次,为有效提高特征聚合能力,采用注意力池化定义能量函数得到权重值,加权并聚合出更具代表性的点云局部特征;最后,堆叠自适应图卷积和注意力池化逐层提取全局特征,提高网络的分类和分割精度。实验结果表明,相较基准方法,点云分类的平均类别精度提升0.9%,部件分割和语义分割的平均交并比分别提升0.8%和0.3%,证明所提方法可有效提升点云分类与分割的准确率,具有较高的鲁棒性。