金矿找矿与系统工程

金矿找矿是世界性难题,作者近年来以系统工程思想为指导进行金矿找矿研究,从实践中总结出金矿找矿特征的系统分类,提出以神经网络模型计算法为主体的多学科联合研究方法,并展示了其应用前景。

基于核自组织映射-前馈神经网络的交通流短时预测

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。

RES理论在岩体工程分级中的应用

根据岩石工程系统RES理论推导了三层BP网络下的RES相互作用矩阵,定义了三层BP网络下的整体相对作用强度GRSE和相对作用强度RSE,讨论了岩体工程分级时基于RES理论下影响因素的权重和敏感性问题,揭示了岩体质量与影响因素的复杂关系,具有重要的工程应用价值。

基于BERT-CNN的城轨列控车载设备故障分类

针对基于通信的城市轨道交通列车控制系统车载设备故障排查困难,故障维修日志由于信息零散、语义模糊及归类混乱等导致的传统文本分布式表示与浅层机器学习算法分类精度低等问题,提出一种基于焦点损失函数BERT-CNN(bidirectional encoder representations from transformers-convolutional neural network)的故障分类方法,建立故障处理及结论、故障现象的关系模型.利用预训练好的BERT模型微调获取故障现象的词向量,充分捕捉融合了上下文的双向语义并关注重点词汇;利用卷积神经网络(convolutional neural network,CNN)进行训练,改进损失函数以缓解数据类别不平衡引起的性能下降问题.通过对某车载信号工区数据进行实验,对比基于交叉熵损失函数的BERT-CNN、单一BERT模型与word2vec-CNN(word to vector-CNN)方法,基于焦点损失函数BERT-CNN方法在分类指标上最优,对某些样本数量少的类别能够更精准分类.研究结果有助于建立更完善的智能运维故障案例库.