基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。构建主成分分析-反向传播(principal component analysis-back propagation,PCA-BP)模型,针对受多因素影响的复杂备件,先利用PCA将影响风电备件的要素进行筛选,再利用BP神经网络算法,得到最为精确的预测结果。比较自回归积分滑动平均(autoregressive integrated moving average,ARIMA)模型、BP神经网络预测和PCA-BP神经网络预测的结果。结果表明:PCA能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用于风机备件的需求预测。

卷积神经网络与有限元分析在棒材轧制孔型参数仿真中的应用

为了实现智能化轧制仿真过程,提出了将卷积神经网络(CNN)与有限元分析相结合的方法,利用机器代替人工选择出最佳的轧制仿真结果,并确定最优的孔型参数.首先,将CNN用于轧件道次分类,可发现“卷积神经网络+图像预处理”测试模型精度最高,为91.84%~96%;其次,使用5种评估方法对比轧制仿真结果与理想仿真结果后可得出,均方根误差和感知哈希对仿真结果更为敏感;最后,将孔型参数朝轧制仿真结果变优方向进行修正,对比仿真结果与修正前结果后发现,第2次修正更为理想.本研究中实现了CNN对棒材轧制道次分类,利用机器识别出更优的轧制仿真结果,并确定了更适合的孔型参数,在降低人力、物力消耗,以及实现仿真智能化等方面具有重要的理论意义和实际应用价值.

基于同伦分析方法和神经网络的复杂腐蚀缺陷海底管道屈曲压力计算方法

针对含复杂形状腐蚀缺陷海底管道屈曲压力计算难的问题,本研究中采用同伦分析方法对含复杂腐蚀缺陷海底管道的屈曲压力进行了计算,并用有限元方法进行了对比验证,进而根据计算结果提出了基于神经网络模型的海底管道屈曲压力的计算方法。结果显示:同伦分析方法可以有效、准确地计算含复杂腐蚀缺陷海底管道的屈曲压力,在相同情况下抛物线形腐蚀管道的临界屈曲压力大于椭圆形管道的临界屈曲压力。基于神经网络模型的腐蚀海底管道屈曲压力计算方法具有良好的泛化性能,可以很好地应用于工程现场的计算。

利用协同神经网络的学者情感分析

引言。随着社交网站的发展和智能终端的普及,越来越多的学者利用学术社交网站(Academic Social Network Sites,ASNS)开展各种学术社交活动,例如学者用户可以在ASNS上获取学术信息、联络学术朋友、发表学术观点、讨论学术话题、开展科研协作、交流学术经验、参与同行评议、分享科研成果以及共享学术资源等。[1,2]ASNS主要是针对学术信息共享和学者交流而建立的网站,对学者之间的交流、通信和合作方式等产生了深刻的影响。学者网(SCHOLAT,https://www.scholat.com/)是国内具有高影响力的ASNS。

考虑舆情风险的商业银行风险评估研究--基于文本分析、因子分析和BP神经网络

近年来风险事件频发导致大众恐慌情绪上升,商业银行面临包括舆情风险在内的各种风险。构建考虑舆情的商业银行风险预警指标体系,以2012-2022年15家商业银行为研究样本,通过文本分析构建舆情指数,因子分析法构造风险指数。建立28×55×1的BP神经网络模型,通过弹性分析评估风险指数对每个评价指标的敏感性。研究发现,国有大型银行在风险评价中处于优势地位;BP神经网络可以很好地进行风险拟合;A41舆情指数引起风险指数变动的敏感性强。应加强舆情风险管理,建立多层次系统性商业银行风险预警指标体系,结合机器学习在内的多种分析方法加强风险评估水平。

基于卷积神经网络CNN的示功图智能分析方法

针对目前对船舶柴油机示功图的分析评估大多通过人工进行,其结果依赖于轮机管理人员的业务能力与经验,存在不确定性的问题,构建了一种基于卷积神经网络的示功图智能分析监测模型.该模型包括5层卷积神经网络和2层全连接神经网络,采用多种优化算法并使用GPU进行硬件加速.训练与实验结果表明,示功图训练精度为99.5%,识别精度为95.9%,平均识别时间为0.032 s,验证了该模型的可靠性和准确性,可以对示功图进行智能分析,满足柴油机燃烧工况智能监测的精度要求,为实现船舶动力系统智能化管理提供支持.

神经网络结构搜索在脑数据分析领域的研究进展

神经网络结构搜索(neural architecture search,NAS)是自动化机器学习的重要组成部分,已被广泛应用于多个领域,包括计算机视觉、语音识别等,能够针对特定数据、场景、任务寻找最优的深层神经网络结构.将NAS引入至脑数据分析领域,能够在图像分割、特征提取、辅助诊断等多个应用领域大幅度提升性能,展现低能耗自动化机器学习的优势.基于NAS进行脑数据分析是当前的研究热点之一,同时也具有一定挑战.目前,在此领域,国内外可供参考的综述性文献较少.对近年来国内外相关文献进行了细致地调研分析,从算法模型、研究任务、实验数据等不同方面对NAS在脑数据分析领域的研究现状进行了综述.同时,也对能够支撑NAS训练的脑数据集进行了系统性总结,并对NAS在脑数据分析中存在的挑战和未来的研究方向进行了分析和展望.

基于可解释性分析的深度神经网络优化方法

近年来,深度神经网络(deep neural network,DNN)在众多领域取得了广泛应用,甚至在安全关键系统中已经可以代替人类作出决策,如自动驾驶和智慧医疗等,这对DNN的可靠性提出了更高的要求.由于DNN具有复杂的多层非线性网络结构,难以理解其内部预测机制,也很难对其进行调试.现有的DNN调试工作主要通过修改DNN的参数和扩增数据集提升DNN性能,以达到优化的目的.然而直接调整参数难以控制修改的幅度,甚至使模型失去对训练数据的拟合能力;而无指导地扩增训练数据则会大幅增加训练成本.针对此问题,提出了一种基于可解释性分析的DNN优化方法(optimizing DNN based on interpretability analysis,OptDIA).对DNN的训练过程及决策行为进行解释分析,根据解释分析结果,将原始数据中对DNN决策行为产生不同程度影响的部分以不同概率进行数据变换以生成新训练数据,并重训练DNN,以提升模型性能达到优化DNN的目的.在使用3个数据集训练的9个DNN模型上的实验结果表明,OptDIA可以将DNN的准确率提升0.39~2.15个百分点,F1-score提升0.11~2.03个百分点.

船舶辐射噪声分类卷积神经网络的可视化分析和卷积核剪枝

当前基于深度神经网络的船舶辐射噪声分类研究主要关注分类性能,对模型的解释性关注较少。本文首先采用导向反向传播和输入空间优化,基于DeepShip数据集,构建以对数谱为输入的船舶辐射噪声分类卷积神经网络(CNN),提出了一种船舶辐射噪声分类CNN的可视化分析方法。结果显示,多帧特征对齐算法改进了可视化效果,深层卷积核检测线谱和背景两类特征。其次,基于线谱是船舶分类的稳健特征这一知识,提出了一种卷积核剪枝方法,不仅提升了CNN分类性能,且训练过程更加稳定。导向反向传播可视化结果表明,卷积核剪枝后的CNN更加关注线谱信息。

基于自编码器与时域卷积神经网络算法的配电网线损分析

复杂的配电网环境中存在线损计算精确性、实时性不足的问题,因此提出基于循环神经网络自编码器改进的TCN-BiGRU配电网线损预测方法。选用擅长处理时间序列的TCN神经网络模型作为主干特征提取网络,在TCN中融入BiGRU单元以有效解决梯度消失问题。在此基础上,结合循环神经网络自编码器对线损异常值进行无监督分类并标记,通过softmax损失函数预测线损率异常原因,并制定相应降损措施,同时利用改进后的TCN-BiGRU算法对线损进行预测及成因分析。实验结果表明,与传统的配电网线损预测方法相比,该线损预测方法的均方根误差相较于传统的EMD-LSTM与PSO-CNN算法分别降低了0.03699和0.00402,在线损成因分析方面的准确率相较于ResNet50与DBN-DNN算法分别提高了1.500%和5.841%,为分布式电源接入后配电网节能降损、实现电网双碳目标提供了科学的参考依据。

基于相关性分析和SSA-BP神经网络的铝合金电阻点焊质量预测

基于电阻点焊过程中工艺信号特征,在不同间距、不同间隙和不同间距与间隙3种条件下,引入相关性分析方法分析工艺信号与熔核直径之间的相关性,并建立基于麻雀搜索算法-BP神经网络(sparrow search algorithmback propagation neural network,SSA-BP)的电阻点焊质量预测模型,将功率、焊接电流、焊接电压和动态电阻作为预测模型输入特征.结果表明,经麻雀搜索算法优化后的BP神经网络在测试集上的决定系数R2、均方误差(meansquare error,MSE)、均方根误差(root mean square error,RMSE)和平均绝对误差(mean absolute error,MAE)分别为0.95,1.55,1.24和0.90,均优于BP模型.获得了功率、焊接电流、焊接电压和动态电阻与熔核直径的映射关系,可为焊接的工艺参数设计提供依据.

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型。根据正交试验L_(16)(4^(5))的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测。随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比。通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71%,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05%,多元回归方程模型预测平均误差为9.07%,但多元回归方程误差值整体波动最大。因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性。

带有离散和分布时滞的神经网络系统稳定性分析

为解决带有离散和分布时滞的神经网络系统稳定性问题。文章通过构造合适的李雅普诺夫泛函,结合Wirtinger不等式和Jensen不等式,得到一个新的由线性矩阵不等式表示的时滞相关指数稳定性判别准则,在一定程度上降低现有稳定性判别条件的保守性。使用2个具体的网络模型,验证了稳定性判别准则的优越性与可行性。

并联卷积神经网络的近红外光谱定量分析模型

近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

基于神经网络的袋鼠软骨组织材料参数反演及非线性特性分析

软骨损伤和退变会导致骨关节炎等疾病的发生,因此深入研究软骨的力学性能并确定其材料参数是生物力学领域重点关注的课题之一。本文首先建立了袋鼠肩关节软骨组织的有限元模型,将软骨组织视为超弹性材料并采用二阶缩减多项式本构模型,同时在有限元分析中考虑了应变率对力学行为的影响,对软骨组织的压痕过程进行了有限元仿真,得到其变形特征及应力分布规律。其次,搭建了对软骨组织进行材料参数反演的神经网络智能算法,对其本构参数进行了预测,得到了能够准确描述软骨变形行为的材料参数。研究结果表明:神经网络与有限元相结合是预测软骨超弹性材料参数的一种高效、准确的方法,可以有效评估软骨组织力学性能,为关节软骨类病理研究和修复提供参考和帮助。

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。

基于神经网络的并联机床位姿误差分析与补偿研究

为了解决并联机床位姿误差补偿这一难题,以六自由度并联机床为研究对象,基于并联机床的运动学逆解建立了位姿误差模型,得到了并联机床驱动杆杆长误差和铰链点位置误差与并联机床动平台位姿误差的关系。铰链点位置误差可以通过调整杆长来弥补,由于驱动杆杆长误差难以测量,所以基于BP神经网络设计了一种改进的修正系统输入法对并联机床动平台的位姿误差进行补偿。仿真结果表明,经过补偿后的位姿误差明显小于补偿前的位姿误差,验证了并联机床位姿误差分析与补偿方法的可靠性。

基于多任务循环神经网络带状回归模型的乳腺癌个体生存分析

针对乳腺癌病程长、疾病发展较缓和的特点,提出了一种多任务循环神经网络带状回归模型进行乳腺癌个体生存分析。首先,提出一种基于循环神经网络的多任务带状回归模型,通过识别各病理特征对不同患者之间影响的区别,优化患者个体生存分析。其次,对带状校验矩阵的形式进行拓展并研究其对患者风险分布的影响。最后,在乳腺癌真实数据集上进行生存分析,不同患者之间产生明显的差异性,验证了模型的有效性。在2个乳腺癌真实数据集上进行的生存分析结果显示,基于循环神经网络的多任务带状回归模型的一致性指数(Concordance Index, C-index)较医学上常用的Cox回归模型有较大提升,并有着更小的95%置信区间。

基于概率神经网络和层次分析法的硐室群施工风险评估

地下硐室群施工风险研究尚处于起步阶段,为快速准确评判风险因素,预防施工安全事故,利用概率神经网络(PNN)和层次分析法(AHP)建立风险评估模型,并研发硐室群施工风险评估软件。通过统计分析硐室群施工风险因素,设置工程地质、自然、设计施工和管理4个一级风险因素,23个风险控制指标,建立针对硐室群施工的风险指标体系。收集典型样本数据后,基于PNN对施工风险等级进行评判,同时采用AHP定量分析风险因素权重,迅速捕捉风险点,采取风险控制措施并优化施工方案。运用研发软件对重庆轨道交通18号线歇台子站硐室群施工进行风险评价,得到风险概率等级为Ⅳ,在施工过程中需要重点监测和控制地下水、围岩等级和支护及时性等带来的影响,实例评价结果与现场情况相吻合,验证了该评估软件的有效性和实用性。研究表明:针对硐室群施工建立的指标体系和评估方法能有效预测风险级别,实时指导施工过程,确保地下硐室群施工安全。

基于神经网络的管道环焊缝失效预测及灵敏性分析

对油气管道焊缝所处风险等级进行准确的预测是保证管道安全运行必不可少的环节,本研究首先在分析影响焊缝失效主要因素的基础上,构造了适用于管道环焊缝失效预测的3层神经网络模型.其次,针对传统灵敏度分析方法难以综合考虑各因素对焊缝失效影响程度的问题,从理论层面分析了基于神经网络的失效预测灵敏度分析方法,并将其嵌入到所研发的神经网络中.最后,针对高、中和低风险的环焊缝数据量严重不平衡的现状,提出一种双嵌套整体相关度最小的训练样本选择算法,可以在训练中较好地解决这一问题.对721个焊口实际数据进行预测试验发现,本研究提出的失效预测神经网络模型可行且有效,高、中风险识别率达100%,低风险识别率达98.8%.