A zeroing neurodynamics‐based location method for nodes in underwater acoustic sensor network

Zeroing neurodynamics methodology,which dedicates to finding equilibrium points of equations,has been proven to be a powerful tool in the online solving of problems with considerable complexity.In this paper,a method for underwater acoustic sensor network(UASN)localisation is proposed based on zeroing neurodynamics methodology to preferably locate moving underwater nodes.A zeroing neurodynamics model specifically designed for UASN localisation is constructed with rigorous theoretical analyses of its effectiveness.The proposed zeroing neurodynamics model is compatible with some localisation algorithms,which can be utilised to eliminate error in non‐ideal situations,thus further improving its effectiveness.Finally,the effectiveness and compatibility of the proposed zeroing neurodynamics model are substantiated by examples and computer simulations.

Predicting the Reflection Coefficient of a Viscoelastic Coating Containing a Cylindrical Cavity Based on an Artificial Neural Network Model

A cavity viscoelastic structure has a good sound absorption performance and is often used as a reflective baffle or sound absorption cover in underwater acoustic structures.The acoustic performance field has become a key research direction worldwide.Because of the time-consuming shortcomings of the traditional numerical analysis method and the high cost of the experimental method for measuring the reflection coefficient to evaluate the acoustic performance of coatings,this innovative study predicted the reflection coefficient of a viscoelastic coating containing a cylindrical cavity based on an artificial neural network(ANN).First,themapping relationship between the input characteristics and reflection coefficient was analysed.When the elastic modulus and loss factor value were smaller,the characteristics of the reflection coefficient curve were more complicated.These key parameters affected the acoustic performance of the viscoelastic coating.Second,a dataset of the acoustic performance of the viscoelastic coating containing a cylindrical cavity was generated based on the finite elementmethod(FEM),which avoided a large number of repeated experiments.The minmax normalization method was used to preprocess the input characteristics of the viscoelastic coating,and the reflection coefficient was used as the dataset label.The grid search method was used to fine-tune the ANNparameters,and the prediction error was studied based on a 10-fold cross-validation.Finally,the error distributions were analysed.The average root means square error(RMSE)and the mean absolute percentage error(MAPE)predicted by the improved ANN model were 0.298%and 1.711%,respectively,and the Pearson correlation coefficient(PCC)was 0.995,indicating that the improved ANN model accurately predicted the acoustic performance of the viscoelastic coating containing a cylindrical cavity.In practical engineering applications,by expanding the database of the material range,cavity size and backing of the coating,the reflection coefficient of more sound-absorbing layers was evaluated,which is useful for efficiently predicting the acoustic performance of coatings in a specific frequency range and has great application value.

基于机器学习预测环氧树脂复合材料抗冲击性能

剩余压缩强度(RCS)是评价复合材料受到冲击损伤后力学性能的重要指标。采用声发射技术(AE)对玻璃纤维增强环氧树脂复合材料冲击载荷进行了在线监测,分析了振铃计数、峰值计数、信号强度和信号均方根值4种冲击载荷参数,采用人工神经元网络(ANN)和径向基网络(RBF)基于冲击载荷参数预测了试件RCS。结果表明,高冲击能量造成了试件分层、玻璃纤维断裂、环氧树脂基体开裂、纤维脱黏,当冲击能量为10、15、20和30 J时,冲击3 ms后冲击能量达到最大值,分别为10.53、16.67、21.77和27.13 J,随后冲击能量不断下降。随着冲击能量的增加,试件冲击深度从0.18 mm增加到3.35 mm,RCS从56.87 MPa降低到20.45 MPa。最优ANN模型结构为4-48-1,预测和实验RCS的均方误差(MSE)最低为0.03 MPa,最优RBF模型结构为4-21-1,MSE最低为0.01。RBF模型的局部响应特性使得其对输入数据中的噪声具有较好的鲁棒性,预测与实验RCS数据的相关系数(R2)为0.9863,而ANN模型预测结果为0.9514。

灰岩含水层定向钻孔注浆效果智能评价方法研究

基于黄河北煤田邱集煤矿现场注浆工程,通过XGboost、支持向量机、K近邻和BP人工神经网络四种算法,对灰岩定向钻孔的注浆效果进行科学分析。研究表明,XGboost、支持向量机、K近邻的模型精度均达不到0.9,而BP人工神经网络测试的拟合程度达0.93,使用现场数据测试准确度达0.9,证明了BP人工神经网络评价注浆效果的可行性和准确性;最后运用MATLAB提出了一种基于BP人工神经网络的注浆效果智能化评价方法,并根据模型制作了简单的演示平台,实现了注浆效果评价的智能化与快捷化。

基于神经网络反向模型的系统级电场辐射发射预测

针对多设备叠加系统级电磁兼容性问题,提出了一种基于神经网络反向模型的复杂系统电磁干扰预测新方法。首先实测单设备电场辐射发射数据,通过噪声源辐射发射等效性原理仿真多设备叠加的系统级电场辐射发射,获取训练样本集。选择各设备辐射场强、频率、坐标为输入参数,以系统级电场辐射发射为输出参数,建立基于Levenberg-Marquardt (LM)算法的三层逆向传播(BP)神经网络的反向模型,将神经网络的输入、输出反向,寻找验证误差最小的备选神经网络作为最终的神经网络,并结合试位法和共轭梯度法等数值求解算法计算神经网络输出。结果表明,该模型仿真的验证误差较传统三层LM-BP神经网络改善明显,其中采用共轭梯度法求解的神经网络反向模型将验证误差由0.415 9%减小到了0.099 7%。该方法不仅不依赖于复杂的神经网络结构,且在有限的训练数据规模下提高了模型精度,为舰船、卫星、飞机等电子信息平台的电磁兼容性评估提供了一种新的高效解决途径。

基于人工神经网络的复合材料层合板隔声性能预测

面向纤维增强复合材料层合板隔声设计需求,应用正交试验方法设计18组对称铺设复合材料层合板结构,并以基于切比雪夫多项式展开的半解析法对复合材料层合板结构在10~1500 Hz频率范围内的传声损失进行预测。以单层厚度、纤维铺设角度作为人工神经网络的输入,复合材料层合板结构1/3倍频程传声损失作为输出,分别建立前馈(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络和广义回归(General Regression,GR)神经网络预测模型。结果表明,RBF神经网络的预测效果最好,均方根误差仅为1.0937,GR神经网络和BP神经网络的预测效果逊于RBF神经网络,均方根误差分别为2.6499和2.9697。最后,基于分析结果构建具有良好局部预测性能的神经网络模型以用于复合材料层合板结构的隔声性能预测。

NEW PRINCIPLE FOR DIRECTIONAL COMPARISON CARRIER PROTECTION OF EHV TRANSMISSION LINES

The increasing scale and complexity of power systems require high performance and high reliability of power system protection.Protective relaying based on directional comparison with power line carrier or microwave channels is the most suitable protection scheme for long distance EHV transmission lines and is widely used in power systems.The key element of such protection is a directional relay used to discriminate the fault direction.In order to overcome the disadvantages of conventional directional relays,the authors of this paper put forward the directional comparison carrier protection based on the artificial neural network(ANN).The protection is extensively tested using electromagnetic transient program (EMTP) under various electric power system operating and fault conditions.It is proved that the directional comparison carrier protection based on ANN,which can recognize various fault patterns of the protected transmission line(such as fault direction,fault phases etc.)correctly in any kind of operating and fault conditions and the whole process,is satisfactory for EHV transmission line protection.

数据驱动下的声学器件音质优化

音质是声学器件声音表现的重要衡量标准.但音质的优化过程需要对大量频点的响应进行协同优化,造成优化问题的可求解性较差.该文提出了一种数据驱动下的声学通道拓扑优化设计方法,可实现声-结构系统中的声频响快速预测,进而借助显式拓扑优化技术实现声学器件的音质优化.通过人工神经网络对结构几何参数、激励频率与声频响之间的非线性关系进行建模,以可移动变形组件(moving morphable components,MMC)法中的结构几何参数、激励频率为输入变量,以声压频响作为输出变量,通过训练多层前馈网络建立了声频响的人工神经网络模型.所得结果可以有效地将目标频带内的声压级范围差从44.89 dB缩小至6.49 dB,相较于传统优化方法,求解速度约为之前的16.3倍,表明了当前方法对音质优化问题的快速求解具有明显效果.

张拉整体结构的智能化找形研究进展

近年来,“未来的结构体系”张拉整体结构得到学术界的广泛关注。其中,找形是张拉整体结构设计的关键步骤,即确定结构的平衡状态的过程。随着人工智能逐渐应用到各个领域,张拉整体结构的智能找形方法也应运而生,通过使用人工智能技术改进传统的找形方法,以达到简化找形流程的目的。首先介绍人工智能在建筑领域的应用;其次,阐述使用人工智能技术改进张拉整体结构找形方法的研究意义;然后介绍张拉整体结构几种常用的传统的找形方法及其优缺点,再通过调研大量文献,对现在最新的张拉整体结构智能找形方法,特别是优化算法和神经网络方法进行详细介绍和分析;最后,预测并分析总结该领域未来可能的研究方向及相应的发展趋势。

基于数据驱动的高精度阵列测向方法

针对现有测向系统多信号适应能力弱、测向精度低的问题,提出一种基于数据驱动的高精度阵列测向新方法。该方法提取单信号入射时的输入特征向量,基于卷积神经网络构建单信号测向网络框架。利用信号的独立性,将多信号测向问题转化为单信号测向问题,在单信号训练网络的基础上实现多信号来波方向估计。仿真实验与理论分析结果表明,该方法有效减少了输入特征维数和网络训练样本数目,在多信号同时入射及阵列互耦效应条件下均获得了高精度的到达方向(Direction of Arrival,DOA)估计的测向结果。

Study of Synthesis Identification in Cutting Process with Fuzzy Neural Network

With the development of industrial production modernization, FMS and CIMS will become more and more popularized. For its control system is increasingly modeled, intellectualized and automatized, in order to raise the reliability and stability in the manufacturing process, the comprehensive monitoring and diagnosis aimed at cutting tool wear and chatter become more and more important and get rapid development. The paper tried to discuss of the intellectual status identification method based on acoustics-vibra characteristics of machining process, and propose that the working conditions may be taken as a core, complex fuzzy inference neural network model based on artificial neural network theory, and by using various kinds of modernized signal processing method to abstract enough characteristics parameters which will reflect overall processing status from machining acoustics-vibra signal as information source, to identify different working condition, and provide guarantee for automation and intelligence in machining process. The complex network is composed of NNw and NNs, Each of them is composed of BP model network, NNw is weight network at rule condition, NNs is decision-making network of each status. Y out is final inference result which is to take subordinate degree as weight from NNw, to weight reflecting result from NNs and obtain status inference of monitoring system. In the process of machining, the acoustics-vibor signal were gotten by the acoustimeter and the acceleration piezoelectricity detector, the date is analysed by the signal processing software in time and frequency domain, then form multi feature parameter vector of criterion pattern samples for the different stage of cutting chatter and acoustics-vibra multi feature parameter vector. The vector can give a accurate and comprehensive description for the cutting process, and have the characteristic which are speediness of time domain and veracity of frequency domain. The research works have been practically applied in identification of tool wear, cutting chatter, experiment results showed that it is practicable to identify the cutting chatter based on fuzzy neural network, and the new method based on fuzzy neural network can be applied to other state identification in machining process.

人工智能时代下的酶工程

自然界中存在的酶拥有多种多样的功能,它们已经被应用在工业生产和学术研究中,但其中许多酶的性质和功能还不能完全满足应用需要,通过改造来提升这类酶的某些特性是酶工程的重要任务。本文介绍了酶工程的主要发展历程,并重点梳理了人工智能(AI)助力酶工程领域的研究进展。酶工程主要包括理性设计、定向进化、半理性设计和人工智能辅助设计等策略。理性设计方法根据酶的催化机理、结构等先验知识进行改造。定向进化技术通过构建随机突变文库和高通量筛选提升目标酶的稳定性和活性等性质。半理性设计方法借助一系列计算方法构建相比于定向进化更小也更合理的突变文库以降低筛选工作量。人工智能技术在大量数据驱动下可以学习有关蛋白质构成和进化的特征信息。通过直接学习自然界中存在的蛋白质序列、共进化信息和结构,深度神经网络已经可以解决许多类型的酶工程问题,如预测具有有益影响的突变、优化蛋白质的稳定性、提高催化活性等。通过对酶工程现状进行分析,本文旨在进一步推动酶的开发和优化以实现更广泛的应用,为研究者和相关从业人员提供更多有价值的见解。

基于GTO-CNN-BiLSTM模型的公交车到站时间预测

提升公交车到站时间预测精度可以提高乘客出行效率和公交服务质量、节省公交运营成本。通过分析公交车运行的影响因素、周期与相关性,文章建立了基于人工大猩猩部队算法的卷积双向长短期记忆神经网络(GTO-CNN-BiLSTM),通过人工大猩猩部队算法进行超参数寻优,获得更好的预测效果,采用呼和浩特62路公交到站时间数据进行预测,验证模型预测精度。研究表明:不论是在工作日还是非工作日,早晚高峰还是平峰,GTO-CNN-BiLSTM都能有最优预测效果,相较于卷积双向长短期记忆神经网络(CNN-BiLSTM)、双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM),GTO-CNN-BiLSTM预测结果的平均绝对误差至少减少7.57%,均方根误差至少减少3.84%,平均绝对百分比误差至少减少7.86%。

基于计算机视觉和声学响应信息融合的鸡蛋裂纹检测

为了提高对鸡蛋裂纹识别的准确性,建立利用计算机视觉和声学响应信息融合技术检测鸡蛋裂纹的系统,首先采集和分析鸡蛋被敲击后的声音信号,提取了4个特征频率、偏斜度平均值和崤度平均值共6个特征参数,作为人工神经网络的输入量,创建了结构为6-15-1的3层BP神经网络模型判别鸡蛋裂纹。其次,利用计算机视觉系统获取鸡蛋表面图像,提取了区域面积、圆形度、区域长径、短径和长短径之比共5个特征参数,作为BP人工神经网络的输入量,创建了结构为5-10-1的3层BP神经网络模型识别鸡蛋裂纹。最后,根据计算机视觉与声学响应技术检测鸡蛋裂纹结果的差异,融合二者的信息进行最终判断。结果表明:单独利用声学响应技术对裂纹鸡蛋判别准确率达92%,计算机视觉对裂纹鸡蛋的判别准确率只有68%。而将2种技术进行信息融合,对裂纹鸡蛋判别准确率可达98%,优于单一技术,能够发挥计算机视觉技术和声学技术检测的优势,充分保证鸡蛋的质量和安全。

基于人工神经网络的昆虫鸣声识别

以常见的 7 种飞虱雄虫求偶鸣声信号的频率峰值作为输入向量,用人工神经网络来识别它们的鸣声,平均识别率达 90.6%。人工神经网络可以用于昆虫鸣声识别。

基于人工鱼群算法的BP神经网络速度辨识器

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将改进人工鱼群算法与BP算法相结合的IAFSA+BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINK进行无速度传感器控制系统的建模仿真实验结果表明,该算法具有良好辨识效果。

油中局部放电超声信号模式识别的研究

本文设计了 4种油中局部放电模型 ,通过实验采集了局部放电超声信号。基于超声信号的时域、频域特征和时域压缩波形数据等特征提取方法 ,采用人工神经网络进行了局部放电的模式识别 ,获得了较好的模式识别效果。最后分析了影响识别效果的主要因素。

C/E复合材料声发射信号小波分析及人工神经网络模式识别

以复合材料为对象 ,以宽频带传感器及线阵列方式对各类模式试样采集了波形及信号参数 ,比较波形、信号参数、频谱及小波谱的特征 ,筛选出六类 130 0个样本 ,采用多分辨小波变换提取了 5个特征向量 ,实现了特征空间的降维处理 ,采用B—P型反向传播神经网络构成了智能化模式分类器 ,研究了网络模型的学习效果和对与复合材料主要损伤机制有关的六类声发射信号的识别能力。试验结果表明 ,神经网络对六类信号的平均正确识别率达到 90 .4 %。最佳识别率为 97.2 %。该方法成功用于 90°、0°光滑和 0°缺口三种试样的破坏过程分析 。

基于人工神经网络方法识别声发射信号的有效性

针对压力容器声发射检测的实际情况 ,选择 5个主要的声发射信号特征参量为研究对象 ,利用人工神经网络 (ANN)信号处理技术 ,对声发射信号进行有效性识别的理论和实验研究 .数据处理结果表明 ,采用改进的多层前向误差反传网络算法和编制的程序 ,可以显著提高声发射检测数据中有效信号的处理速度和识别率 .对声发射实验数据进行有效性分析 ,共得有效数据个数为 14 5 4个 ,近似误判率为 0 .8%

中国海外直接投资政治风险预警系统研究

政治风险是海外投资项目评估的起点,是影响海外直接投资成功与否的关键因素。研究政治风险的影响因素以及建立灵敏的预警体系具有重要的现实和理论意义。依据我国海外直接投资主要流向的26个国家2002—2009年相关数据,运用主成分分析和BP神经网络模型的研究结果表明:政治风险的影响因素主要来源于政治、经济和社会层面。在政治经济制度发展水平较低的国家,投资者应首先防范政治层面的风险。在政治经济制度发展水平中等且与我国政府具有良好外交关系、社会文化差异性较小的国家,投资者应首先防范经济因素引发的政治风险。在政治经济制度发展水平较高的发达国家,投资者应防范我国与东道国的政治、文化和社会距离所引发的政治风险。