一种求解混合变分不等式的带有扰动项的神经网络方法

通过构建带有干扰项的新型神经网络求解混合变分不等式问题.主要将已有的固定时间收敛的前向-后向-前向神经动力学网络进行推广,构建出带有扰动项的神经网络模型.证明了所构建的神经网络的平衡点是固定时间稳定的,并给出了稳定时间的上界.最后通过数值实验证明了该方法的有效性.

基于混合高斯先验变分自编码器的深度多球支持向量数据描述

随着数据维度和规模的不断增加,基于深度学习的异常检测方法取得了优异的检测性能,其中深度支持向量数据描述(Deep SVDD)得到了广泛应用。然而,要缓解超球崩溃问题,就需要对Deep SVDD中映射网络的各种参数施加约束。为了进一步提高Deep SVDD中映射网络的特征学习能力,同时解决超球崩溃问题,提出了基于混合高斯先验变分自编码器的深度多球支持向量数据描述(Deep Multiple-Sphere Support Vector Data Description Based on Variational Autoencoder with Mixture-of-Gaussians Prior,DMSVDD-VAE-MoG)。首先,通过预训练初始化网络参数和多个超球中心;其次,利用映射网络获得训练数据的潜在特征,对VAE损失、多个超球的平均半径和潜在特征到所对应超球中心的平均距离进行联合优化,以获得最优网络连接权重和多个最小超球。实验结果表明,所提DMSVDD-VAE-MoG在MNIST,Fashion-MNIST和CIFAR-10上均取得了优于其他8种相关方法的检测性能。

求解逆混合变分不等式问题的动力系统方法

本文主要研究求解逆混合变分不等式问题的动力系统方法。首先,在强单调和Lipschitz连续性的假设下,通过借助广义f-投影算子的性质,得到逆混合变分不等式问题有唯一解的充分条件。进一步考虑一个动力系统方法来求解逆混合变分不等式问题,而且该动力系统具有唯一均衡点。最后,证明在强单调和Lipschitz连续性的条件下该动力系统的唯一均衡点是全局指数稳定的。

基于粒子滤波和三维变分混合数据同化方法的构建与理想实验验证

本文基于粒子滤波和三维变分设计了一种新的混合数据同化方法。新方法通过粒子滤波的最优估计生成具有背景误差信息的集合扰动,从而为三维变分提供流依赖的背景误差协方差。粒子退化一直是粒子滤波应用于数据同化领域的主要阻碍。为了让混合方法更好地发挥作用,针对粒子退化问题,本文提出了一种改进的残差重采样方法,通过在正态分布中采样粒子,解决了退化导致的粒子缺乏多样性。在理想lorenz-63模型上进行数据同化实验,结果表明,新方法在模型误差较大的情况下效果优于集合变换三维变分方法(ensemble transform Kalman filter-three-dimensional variational method,ETKF-3Dvar),并且随着模型误差不断增大,新方法也同样优于传统数据同化方法。改进的残差重采样在与分层重采样和一般残差重采样的对比实验中,在给定时间窗口内可以保证同化结果稳定,而其他两种方法的同化结果都出现了较大偏差。

基于改进高斯混合变分自编码器的半监督情感音乐生成

音乐可以通过序列化的声音信息传递声音内容和情感。情感是音乐所表达的语义中的重要组成部分,因此,音乐生成技术不仅要考虑音乐的结构信息,还应融入情感元素。现有的情感音乐生成技术大多采用基于情感标注的完全监督方法,但音乐领域缺乏大量标准的情感标注数据集,且情感标签不足以表达音乐的情感特征。针对上述问题,提出了基于改进的高斯混合变分自编码器(Gaussian Mixture Variational Autoencoders,GMVAE)的半监督情感音乐生成方法(Semg-GMVAE),将音乐的节奏特征和调式特征与情感建立联系,同时向GMVAE中引入一种特征解纠缠机制来分别学习这两种特征的潜在变量表示,并对其进行半监督聚类推断。最后通过操纵音乐的特征表示,实现了针对快乐、紧张、悲伤、平静情感的音乐生成与情感转换。同时,针对GMVAE难以区分不同情感类别数据的问题,实验指出其关键原因是GMVAE证据下界中的方差正则项与互信息抑制项使得各类别的高斯分量分散性不足,从而影响学习表示的性能和生成的数据样本的情感质量。因此,Semg-GMVAE对这两项因子分别进行了惩罚和增强,并使用Transformer-XL作为编码器和解码器以提升在长序列音乐上的建模能力。基于真实数据集的实验结果表明,相比现有方法,Semg-GMVAE能够将不同情感的音乐在潜在空间中更好地分离,增强了音乐与情感的关联程度,并且能够有效对不同音乐特征进行解纠缠分离,最后通过改变特征表示更好地实现情感音乐生成或情感切换。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复

高光谱图像(HSI)在采集的过程中,由于受到环境和传感器的影响,图像会被大量混合噪声污染,会影响遥感图像后续应用的性能,因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。而一些现有的张量模型,在去除含有条带和死线的混合噪声时,并不能取得很好的效果。为此,提出了一种基于群稀疏空间光谱总变分的高光谱混合噪声图像恢复算法(FRTCSSTV);为了避免过度平滑,该算法利用群稀疏空间光谱全变分正则化来增强空间谱维的稀疏性,同时为了保持HSI原有的结构,采用直接对张量纤维秩进行约束的方法来表示HSI的全局低秩。在模拟和真实的高光谱图像实验中,与其他模型相比,FRTCSSTV方法在去除含有条带和死线噪声的混合噪声时具有更好的性能。

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于DenseNet的经典-量子混合分类模型

现有的图像分类模型越来越复杂,计算时所需的硬件资源和计算时间不断增加。针对该问题提出一种基于DenseNet的经典-量子混合分类模型(CQDenseNet模型)。首先,使用一个可在噪声中尺度量子(NISQ)设备上运行的变分量子电路(VQC)作为分类器,替换DenseNet全连接层;其次,使用迁移学习,利用在ImageNet数据集上预先训练好的DenseNet模型作为CQDenseNet的预训练模型;最后,将CQDenseNet模型在中草药分类数据集和CIFAR-100数据集上与基准模型AlexNet、GoogLeNet、VGG19、ResNet和DenseNet-169进行对比。实验结果表明,CQDenseNet模型比所有基准模型中表现最好的基准模型:准确率分别提高了2.2、7.4个百分点,精确率分别提高了2.2、7.3个百分点,召回率分别提高了2.2、7.1个百分点,F1值分别提高了2.3、6.4个百分点,说明了经典-量子混合模型的性能优于经典模型。

基于Hellinger—Reissner变分原理的四边形杂交/混合迭层板单元

本文从Helliager-Reissner广义变分原理出发,导出了一种适用于纤维复合材料迭层板的杂交混合有限元模型.在此基础上,利用等参数变换,在局部坐标下进行应力插值,得到了一种新的任意四边形迭展板单元.此单元包括横向剪切变形的影响,可以用来分析厚的或薄的复合材料迭层板.用算例证明了本单元的计算精度及收敛性.

基于高斯混合变分自编码器的协同过滤

基于变分自编码器的协同推荐算法可以帮助解决推荐算法中的稀疏性问题,但是由于变分自编码器模型先验是单一的高斯分布,使得表达趋向简单和平均,存在拟合不足的问题.高斯混合变分自编码器模型拥有更加复杂的先验,相对于原本的变分自编码器模型,它对于非线性的任务有着更强的适应性和效果,已被广泛应用于无监督聚类和半监督学习.受此启发,本文研究基于高斯混合变分自编码器模型的协同过滤算法.本文基于Cornac推荐系统比较框架设计实验,将高斯混合变分自编码器改进后用于协同推荐任务中,利用生成模型重新生成的用户-物品矩阵进行推荐.在推理模型和生成模型中分别用一层隐藏层提取深层特征增加模型鲁棒性,并且使用提前停止的训练策略以减少过拟合.本文在多组公开数据集上进行实验,与其他推荐算法在NDCG和召回率指标上进行对比.实验证明,改进的基于高斯混合变分自编码器模型的协同过滤算法在推荐任务中表现优异.

基于Hillinger-Reissner变分的混合单元的开发与应用

基于Hellinger-Reissner变分建立了一种用于几何和材料非线性分析的混合单元,采用位移形函数和考虑二阶效应的内力形函数对截面位移和截面内力进行插值,建立混合控制微分方程;通过静力凝聚消除单元节点力未知量得到单元刚度矩阵和单元内力.单元状态确定过程中,截面层次的平衡方程和单元层次的协调方程均通过引入非线性迭代算法以消除残余误差,从而减少结构层次的迭代次数.混合单元结合纤维截面模型用于钢管混凝土(CFST)构件的数值分析,结果表明:相对于刚度法和柔度法单元,基于Hellinger-Reissner变分的混合单元可以更加准确地反映构件的几何和材料非线性,非线性迭代算法用于单元状态确定具有良好的计算效率和数值稳定性.在此基础上对影响CFST构件几何非线性的主要参数进行了分析.

基于SFLA优化变分模态提取的滚动轴承故障诊断

为解决变分模态提取(variational mode extraction, VME)在分解轴承故障信号过程中近似中心频率和惩罚因子的选择过于依赖专家经验的问题,提出混合蛙跳算法(shuffled frog leaping algorithm, SFLA)与VME相结合的滚动轴承故障诊断方法。首先,为解决单一指标作为目标函数提取特征时信息不全面的问题,结合信息熵(information entropy, IE)、包络谱峭度和相关系数建立新的参数优化指标—KIC;然后,将KIC的极小值作为SFLA的目标函数自适应地选取VME期望模态的中心频率和惩罚因子;最后,通过包络解调分析期望模态进行故障诊断。仿真信号与轴承试验台相关数据集的分析结果表明,所提出的SFLA-VME方法能够准确地提取出期望模态并诊断轴承故障。

基于VMD分解下的皮尔逊相关性分析及T-tFD的混合储能容量配置

在清洁能源发展迅速的大环境下,风电出力的随机性和波动性会对电力系统的稳定造成影响,因此对风电波动平抑是当前清洁能源发展的一个基础性问题。提出一种基于改进后的北方苍鹰算法(sinecosine northern goshawk optimization,SCNGO)优化变分模态分解(VMD)参数平抑风电波动的混合储能容量配置策略,对风电功率进行参数优化的VMD过后利用皮尔逊相关性分析判断强弱相关分界点,经过2次分配后得到并网功率与混合储能功率;对混合储能功率进行基于t检验分频算法的功率分配,得到蓄电池/超级电容的容量配置。基于此策略,以储能元件年综合成本作为模型,结合算例进行经济性评估并对并网功率进行波动量分析及改进北方苍鹰算法的优越性分析。结果表明:基于SCNGO-VMD的储能容量配置策略能有效平抑风电波动,平抑后的并网功率1 min、10 min的最大波动量仅为国家要求的18.2%、45.52%,相应的储能配置成本为传统配置策略中的最低值。其配置的混合储能容量更具经济性,验证了改进的北方苍鹰算法在迭代速度与精度上均优于传统的智能优化算法。

基于优化变分模态分解的混合储能平抑风电波动策略

为解决风力发电随机、间歇特性造成的功率波动问题,文中提出将氢气储能和超级电容器组合成混合储能系统接入风电场中,以平抑风电波动。采用滑动平均滤波确定并网功率和混合储能功率;在储能功率分配方面,针对现有VMD算法参数选择上存在主观性和经验性的问题,提出使用灰狼优化算法对分解个数K及惩罚项α进行寻优,避免分解后各模态之间发生频率混叠的现象。此外,为将各储能设备荷电状态维持在合理范围内,避免过度充放电,采用模糊控制对功率指令进行二次修正。最后以新疆某地区的风电场数据为依据,在Matlab/Simulink中进行仿真,仿真结果表明所提策略具有有效性。

基于标准齿轮减速箱的故障混合预测分析模型

在制药生产线中,搅拌器是主反应器的主要组件,体积最大,结构相对复杂,与其他设备存在串联关系。如果发生故障,一方面需要停掉整个生产线对其进行故障诊断与维修,从而造成非计划停机的设备闲置损失;另一方面,突发性的非计划停机,会造成设备中的化学材料反应物质浪费。针对此问题,提出一种基于标准齿轮减速箱的故障混合预测分析模型。通过对振动信号进行特征提取以及变分模态分解,将转换的频域特征数据和幅值数据按照时间序列融合,并将数据分为故障数据、设备带病运行数据以及设备健康运行数据3类,通过自注意力网络层进行特征提取。实验表明,该模型可以准确预测设备的故障,且在测试集的准确率达到83.61%,验证了实验的有效性与优越性。

基于变分模态分解的中期电力负荷混合预测模型

电力负荷预测直接影响电网规划和运行,但是受到各类因素的影响。为提高预测精度,针对电力负数据时序性和非线性特征,提出一种基于变分模态分解的中期电力负荷混合预测模型(hybrid prediction model of medium-term power load based on variational mode decomposition,HPMMPL-VMD)。在HPMMPL-VMD算法中,首先使用VMD将原始电力负荷序列分解成若干个相对平稳的模态分量,并利用长短时记忆神经网络对各个模态分量进行建模;然后将各个预测分量进行叠加得到电力负荷预测值;最后,使用最小二乘支持向量回归对误差序列进行预测,并将电力负荷预测值与误差预测值相加得到最后预测结果。为验证HPMMPL-VMD的性能,选取其他预测方法与其进行比较,实验结果表明本文所提模型具有较高的预测精度。

希尔伯特空间上混合变分不等式解的存在性条件

混合变分不等式是一种重要的变分不等式,它与众多经济学、物理学的问题息息相关。研究变分不等式的一个重要的问题就是变分不等式的解是否存在。本文利用FKKM定理研究了混合变分不等式在各种适当条件下的解的存在性,给出了几个使得MVI解存在的定理。

单调混合变分不等式解集性质

本文研究了单调混合变分不等式的解集性质。利用f投影算子我们知道一点是单调混合变分不等式的解当且仅当为f投影的不动点。结合这个结论我们得到了关于单调混合变分不等式解集的一些性质。

无监督异常检测的深度变分自编码高斯混合模型

针对高维数据无监督异常检测难以重构异常样本,无法保留低维空间信息的问题,提出一种深度变分自编码高斯混合模型(deep variational autoencoding gaussian mixture model,DVAGMM)。该模型利用深度变分自编码器为每个输入样本生成低维数据和重构误差,并将这些数据输入高斯混合模型。为更好地学习到原始样本的低维特征,同时避免自编码器自身的局部优化问题,减少重构误差,模型采用联合优化深度变分自编码器和高斯混合模型参数的方法,并利用单独的估计网络促进混合模型的参数学习。实验结果表明,该模型在几个基准数据集上的检测准确率和效果都比其他传统模型更高,以F1值作为综合评价指标,模型的综合分数比第二名高出大约4%。