基于FS-SIA的毁伤预测神经网络超参数优化方法

针对毁伤预测中神经网络超参数设置及调试过程较为复杂的问题,提出一种基于特征选择结合群体智能(feature selection and swarm intelligence algorithm,FS-SIA)的超参数优化方法,用于在毁伤预测中对神经网络进行超参数的搜索和优化。首先,通过多种特征排序方法确定毁伤特征的重要性,选取公共的特征偏序子集用于模型训练。其次,针对具体的神经网络模型,分别采用多种群体智能算法进行超参数的搜索和优化。最后,得出特征集性能最优的超参数训练模型。实验结果表明,相较于未经特征排序而单纯采用群体智能算法的其他超参数优化模型,所提方法在毁伤预测中具有更快的收敛速度和更高的准确率。

基于小波降噪的神经网络盾构泥水分离系统参数预测方法

泥水盾构穿越复合地层时,掘进控制参数和泥水分离系统参数往往出现大幅波动,影响施工安全和掘进效率。为提升施工过程的安全稳定性,实现异常工况预测,依托望京隧道盾构工程,针对地层状况采用筛分、双旋流、离心/压滤固液分离协同控制技术,采集盾构机掘进参数(掘进速度、刀盘转速和总推进力等)和泥水分离系统运行参数(进浆量、进浆密度和进浆黏度等),通过Cook距离离群检测和小波阈值去噪处理提升数据质量;以双旋流分离密度比值、黏度比值等12个参数为输入,排浆量、排浆密度和排浆黏度为输出,建立BP神经网络泥水分离系统参数的预测模型,并选取3个不同地层环段进行预测对比分析。预测结果表明:预测平均绝对误差均在5%以内,该预测模型在复合地层下仍具有较高的准确性。

基于人工神经网络和机器视觉的棉花分拣系统研究

首先,介绍了卷积神经网络的原理,并基于双目视觉搭建了棉花分拣视觉系统;然后,基于3×3窗口、Sobel和Hough等算法,实现了棉花图像的边缘检测和特征提取功能;最后,基于卷积神经网络对棉花图像进行特征提取和优劣分类,并利用双目视觉对识别的棉花进行空间定位。实验结果表明:棉花分拣系统的准确率为96.50%,能够有效地满足实际应用的要求。

基于物联网和卷积神经网络的智能农机安全驾驶系统

基于物联网和卷积神经网络的智能农机安全驾驶系统是一种创新的农业技术应用,通过将农机设备的摄像装置连接到互联网上,实现对农机设备和驾驶员的实时监测和数据采集;再利用卷积神经网络技术对采集到的驾驶数据进行特征提取和驾驶行为分类与识别,实现对驾驶行为的自动监测和预警。实验结果表明:系统对驾驶行为的类别检测准确率较高,可以提高农机驾驶安全性和驾驶效率,为农业生产提供更加智能化和高效的服务。

PCA-BP神经网络模型在拖拉机发动机故障诊断中的应用

拖拉机发动机故障诊断是指通过对拖拉机发动机的运行状态、传感器数据等信息进行分析和处理,识别出发动机故障的类型和位置,及时准确地诊断拖拉机发动机故障,对于提高农机装备的使用效率和经济效益具有重要的意义。为此,基于主成分分析(PCA)算法对拖拉机发动机的传感器数据进行降维处理,并使用BP神经网络对降维后的数据进行分类识别,以实现拖拉机发动机故障的诊断。试验结果表明:PCA-BP神经网络模型可以准确地诊断拖拉机发动机的多种故障,相比于传统的BP神经网络模型,具有更高的准确率和更好的泛化能力,表明PCA-BP神经网络模型在拖拉机发动机故障诊断中具有较大的应用前景。

基于改进神经网络的医院通信安全态势感知方法

针对医院通信安全态势感知不及时,易导致医院信息系统重要信息受到损害的问题,提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息,输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换,将得到的权值进行加权求和,得到当前通信网络信号的安全态势预测结果。实验结果显示,应用该文方法的医院通信网络异常信息可在1 s内完成感知。

基于图卷积神经网络的WSN零动态攻击检测方法

零动态攻击与一般攻击方式相比,隐蔽性更强,因此更不容易被发现。以往常规的检测方法在检测这种攻击方式时,漏检率和误检率较高。针对上述问题,研究一种基于图卷积神经网络的WSN零动态攻击检测方法。基于零动态攻击原理,以信道状态信息作为采集源,利用CSI-Tools工具实现CSI数据包采集。从CSI数据包中分离出幅值数据和相位数据,针对前者实施去噪处理,针对后者实施校准处理。从幅值数据和相位数据中提取4个特征,以特征为输入,构建图结构,利用图卷积神经网络实现无线传感网络零动态攻击检测。结果表明:基于图卷积神经网络的攻击检测方法的漏检率和误检率相对更低,由此说明该方法对零动态攻击检测更为有效,能够实现更为准确的检测。

基于轻量化卷积神经网络的桥梁斜拉索PE护套损伤识别方法

深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

基于图像处理和BP神经网络的森林防火无人机系统

对无人机设计方案、图像处理和火焰分割算法的技术原理进行了介绍,并利用BP神经网络对图像中的火焰面积变化率和火焰尖角等特征进行识别,实现了对森林火灾的快速监测。实验结果表明:系统的准确率为98.5%,比普通神经网络的84.5%更高;耗时仅22 s,比普通神经网络159 s缩短很多。这表明,BP神经网络是更可靠且更有效率的火灾识别方案。

基于多特征融合卷积神经网络结合Transformer的电能质量扰动分类方法

随着可再生能源发电技术的发展,越来越多的可再生能源和设备应用到电力系统中,使电能质量扰动(Power Quality Disturbances,PQDs)发生频率显著增加。PQDs的准确分类对于研究PQDs发生原因和预防至关重要。提出基于多特征融合的卷积神经网络(CNN)结合Transformer模型(CNN-Transformer)对PQDs进行分类。利用快速傅里叶变换(fast Fourier transform,FFT)从PQDs时间序列中提取频域信息,使用CNN-Transformer模型分别对PQDs的时域和频域信息进行特征提取,实现PQDs识别分类。使用该模型对16种合成PQDs数据进行仿真,结果显示:该模型在无噪声条件下的分类准确率为99.88%,在噪声条件下准确率在98.00%以上,且拥有良好的抗噪性和泛化性能。与现有部分分类模型比较显示,本文模型在对比的模型中性能最优。

面向异构社交网络的空-频域自适应图神经网络

传统GNN基于同构性假设对近邻节点实现低通滤波功能完成邻域相似信息的聚合嵌入。但在异构图中分属不同类别的节点彼此多建立联系,而相同类别的节点在图拓扑位置上距离较远。这一特点给注重近端邻域信息聚合的传统GNN带来“远端节点信息聚合缺失”与“同构性假设失灵”的问题。因此设计融合空域与频域自适应嵌入机制的异构图神经网络(DA-HGNN)以解决上述问题。针对问题一,设计“远端空域嵌入模块”,旨在通过高阶随机游走迁移概率筛选并聚合远端相似节点,补充“消息传递的跨邻域自适应性”;针对问题二,设计“近端频域嵌入模块”,构建滤波器分离节点高频与低频信号,并设计频域导向型注意力机制对上述信息进行频域偏好的自适应融合,从而减少“同构性假设失灵”所引入的噪声。在四个公开异构图数据集中取得最优实验结果,准确率上平均提高6.41个百分点。在灵敏度分析和消融实验中阐述了超参数的选择机制和各模块的实际性能,并验证了在异构网络中“节点结构相似性”“节点属性向量相似性”以及“节点同构性”三者之间仍呈现正相关关系这一结论。在异构真实数据集中验证了欺诈检测效果,AUC指标提升4.4个百分点。

基于改进WOA-BP神经网络的电气火灾预警算法

电气火灾是一种严重危害人员安全和财产损失的事件,因此增强对电气火灾的早期预测和预警至关重要。基于提高电气火灾预测准确性的目的,采用了改进鲸鱼算法优化BP神经网络的方法,构建了电气火灾预警模型。使用剩余电流、工作电流电压和线缆温度作为神经网络的输入特征,结合上述改进方法对权值和阈值进行优化。优化后的参数作为初始参数进行模型训练,用于输出电气火灾的概率。采用电气柜中回路数据进行试验,将预测概率与剩余电流异常持续时间进行模糊化处理,得出火灾决策。研究结果表明,所提模型相关系数达到0.97,相较于传统方法提高了0.08,具有更高的准确性和可靠性。

基于改进BP神经网络的烟草收获机械故障诊断研究

烟草收获机械是烟草生产中的重要技术支撑,是提高收获效率的重要保证,但由于烟草收获机械内部结构较为复杂,在使用过程中极易造成机械运行故障。随着大数据及传感器技术的快速发展,基于人工神经网络模型实现机械故障的预测与诊断成为提高烟草收获机械工作效率的重要技术。目前,主要以BP神经网络模型应用较为广泛,但在模型构建中预测效率低、鲁棒性强。针对以上问题,提出一种改进BP神经网络模型,以烟草收获机械中的齿轮故障诊断为研究对象,构建基于GA-BP神经网络模型的烟草收获机械齿轮故障诊断模型,并通过选取齿轮磨损、胶合、裂纹、断齿和正常齿轮的信号进行试验验证。结果表明:改进后的BP神经网络模型MAPE仅为0.87%,RMSE为1.12,MAE为0.92,MSE为1.19,满足烟草收获生产的实际需要,在模型算法与计算速度方面都得到了很大的提高。

求解单层织物热湿耦合模型正反问题的物理信息神经网络方法

针对织物热湿耦合模型难以解耦和反问题求解时间长的问题,提出了一种求解单层稳态织物热湿耦合传递模型正反问题的物理信息神经网络(Physics-Informed Neural Networks,PINNs)方法。首先,给出了求解单层织物热湿传递方程正问题的PINNs方法,并采用数值实验验证了方法的有效性。其次,提出了基于热湿舒适性的厚度参数决定反问题,并使用PINNs方法进行求解。数值实验结果显示,PINNs方法在求解参数决定反问题时,仅需5 min即可预测出概率函数,相比于微分方程数值求解和粒子群结合方法,求解效率提高了25倍,展现出显著的优越性和应用潜力。

基于注意力循环神经网络的联合深度推荐模型

为了向用户推荐符合兴趣偏好的项目,设计一种基于注意力循环神经网络的联合深度推荐模型。将双层注意力机制设置于网络中,该模型由五个部分构成,在输入层中生成联合深度推荐模型的输入矩阵,通过序列编码层对项目评论文本语义展开正向和反向编码,获得隐藏状态输出,并将其输入双层注意力机制中,提取项目特征,利用全连接层提取用户偏好特征。在预测层中建立项目与用户的交互模型,获得项目评分,为用户推荐高评分的项目。为了提高模型精度,加权融合MSE损失函数、CE损失函数和RK损失函数建立组合损失函数,对深度联合训练模型展开训练,提高模型的推荐性能。仿真结果表明,所提方法具有良好的推荐效果,能够适应不断变化的市场需求和用户行为。

基于图神经网络的异源图像配准方法综述

为了探讨图神经网络在处理异源图像配准任务中的应用和性能,为后续的图像融合或拼接等任务提供支持,通过综述现有文献,介绍了多种图神经网络模型及其在图像配准领域的应用,并对各种图神经网络架构进行了比较,评估了不同模型的性能。研究发现,图神经网络模型凭借其对图结构信息的有效利用能力及对节点属性信息的精细捕捉,在处理异源图像配准时展现出较传统方法更优的性能。通过对图像配准方法的系统研究,为解决异源图像配准任务面临的配准难度大和精度低的问题提供了新的技术思路。

基于BiLSTM和卷积神经网络模型的辐射源个体识别研究

通信辐射源个体识别是指通过对无线设备产生的信号数据进行特征提取与信号处理,从而实现对无线设备的个体识别。现有应用于辐射源个体识别的时间序列分类方法,存在无法有效提取IQ时间序列数据特征和识别准确率低的问题。针对以上问题,提出了一种BiLSTM网络和卷积神经网络两个支路并行的网络架构(BiLSTMCNN),它显著提高了分类模型的性能,能够关注和融合时间序列中重要的特征,从而实现更准确的分类。在该架构中还添加了注意力模块,根据注意力权重的分配来融合通道信息获取特征,从而使网络能够关注到更加关键的特征。实验结果表明,相较于其他网络结构,所提出的网络模型在Oracle公开数据集上的识别准确率更高,尤其在存在多径效应和路径损耗的样本中有明显提高,说明文中所提出的模型具有更高的鲁棒性。

求解逆拟变分不等式的时滞神经网络

文章主要研究求解欧氏空间中逆拟变分不等式问题的一种时滞神经网络。首先,在余强制和Lipschitz连续性的条件下,利用不动点原理得到逆拟变分不等式问题解的存在性和唯一性。进一步考虑求解逆拟变分不等式问题的一种时滞神经网络,并且在强单调和Lipschitz连续性的条件下证明该时滞神经网络的全局指数稳定性。

结合图神经网络和图对比学习的半监督多图分类

多图(multi-graph,MG)是一种图袋表示模型,半监督多图分类旨在从有标记和未标记的多图中构建一个预测模型,通过高准确度预测未标记多图,在用户产品推荐、生物制药等领域有着广泛应用。现有基于机器学习的半监督多图分类主要存在两点不足:(1)不能进行全自动的特征选择,过于依赖参数选择。(2)对未标记多图数据的价值未充分挖掘。因此,提出一种结合图神经网络和图对比学习的半监督多图分类方法(graph neural network combining with graph contrastive learning for semi-supervised multi-graph classification,GCSS)。一方面,分别设计从局部和全局提取特征信息的模块,并引入NN协同器(neural networks collaborator,NN collaborator)完成这两个模块的协作,自适应学习数据的特征表示进行训练;另一方面,采用图对比学习(graph contrastive learning,GCL)和半监督学习(semi-supervised learning,SSL)从两个不同学习视角来充分利用未标记多图数据,降低模型对标签等的依赖。在真实数据集上的大量实验结果验证了所提出方法的预测性能均优于基线方法。

基于PSO-BP神经网络的5G基站位置确定方法

5G基站位置的确定对室内定位服务和网络安全有着重要意义。首先对5G信道状态信息CSI进行Hample滤波和降维,然后构建基于粒子群优化PSO的误差反向传播BP神经网络信号损耗模型,建立5G CSI和距离的映射关系,最后基于模型预测的距离实现对5G AP的探测。实验采用室外探测室外和室内5G AP的实测数据,结果表明,与BP神经网络相比,基于PSO-BP神经网络的距离预测值更加精确,室外探测室外和室内5G AP的精度分别达到了0.32 m和0.96 m。随着测量方向数的提升,5G AP的定位精度不断提升。当方向数达到5个时,精度提升最为显著。