深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.

参数池化卷积神经网络图像分类方法

传统的卷积神经网络使用池化层对信息进行降维操作,通常会造成信息损失,从而影响网络的表达能力.针对这一问题,使用参数池化层(Parameterized Pooling Layer)替代传统卷积神经网络中的池化层,提出参数池化卷积神经网络(Parameterized Pooling CNN,PPCNN).参数池化层在仅仅增加了少量网络参数的情况下,最大可能的保留了卷积神经网络中希望被保留下来的特征;同时,由于增加了池化层前向传播的信息,从而影响了反向传播算法中权值的更新,网络收敛速度更快;实验结果表明,PPCNN模型与传统卷积神经网络模型以及部分改进模型相比,参数池化卷积神经网络模型是有效的.

最优加权随机汇池网络的估计性能研究

利用自适应最优加权随机汇池网络对随机参数估计进行了理论和实验分析。将随机噪声优化的随机汇池网输出向量进行最优线性加权优化,给出了具有任意节点数目的随机汇池网络最优权向量以及估计信号与真实信号之间均方误差表达式。同时,在实际信号处理任务中,待估参数和噪声的统计信息经常是未知的,本文给出了基于观测数据的最优权向量和均方误差近似估计算法。理论和实验都验证了随机噪声对于随机汇池网络的优化能力,也展现了自适应最优加权随机汇池网络良好的估计性能。

基于卷积神经网络气动力降阶模型的翼型优化方法

针对非线性大扰动翼型气动力优化问题,提出了基于卷积神经网络气动力降阶模型的优化方法.该方法用不同形状参数下翼型的气动力数据作为训练信号,训练卷积神经网络翼型气动力降阶模型.采用该气动力降阶模型,以最大升阻比为目标,对翼型进行优化,结果表明该方法可用于大扰动下翼型气动力的预测和优化.该文同时还讨论了池化法和径向基法的训练信号数据降维方法对降阶模型精度的影响,结果表明训练信号数据降维能够提高气动力降阶模型的精度.其原因在于训练信号数据降维可以减少神经网络模型的待定参数的个数,在相同数据量下神经网络模型收敛得更好.

基于数值仿真的单目标多变量渠道控制参数寻优算法研究

【目的】采用优化的寻优算法进行高效PI控制参数寻优。【方法】首先采用复合梯度法和复合粒子群法进行单一渠池PI控制参数寻优,对寻优过程中存在的初值不稳定等问题进行了探讨和针对性优化,提出了一种适用于渠道控制的分步寻优算法;随后针对多渠池的多变量问题提出了随机多渠池多变量寻优算法与固定权重的多渠池多变量寻优算法。【结果】单渠池工况下,复合梯度法和复合粒子群法能较好地解决寻优初值不稳定及寻优效率低下的问题。在控制效果相当的情况下,2种算法较均匀网格法的计算效率均得到显著提升,最长寻优耗时仅为网格法的5%左右。复合梯度法所用平均寻优耗时仅仅为复合粒子群算法的35.76%,复合梯度法较复合粒子群算法更为高效。多渠池工况下,随机多渠池多变量寻优算法与固定权重的多渠池多变量寻优算法在显著提高寻优效率的同时保证了较好的控制性能。然而,随机多渠池多变量寻优的控制效果较固定权重的多渠池多变量寻优有较大的改善,随机法较固定权重法的流量偏差小90.48%、闸门开度偏差小77.57%,系统稳定时间小17.05%,水位偏差小50.42%。但随机法所付出的时间成本也较高,寻优耗时较固定权重法多63.19%。【结论】随机多渠池多变量寻优算法的寻优耗时更长但控制性能更佳,使用者可根据其对于控制性能或耗时的要求有针对性地选择。

低助管几何参数对沸腾传热的影响及其优化

本文从低肋管沸腾传热机理着手,综合分析了低肋管几何参数对沸腾传热的影响,导出了影响低肋管最优结构的有关准则;进行了低肋管沸腾传热试验,试验工质为蒸馏水和R—113;试验在当地大气压下进行。综合试验数据,建立了低肋管几何参数优化设计准则式。

基于负荷预测的数据库连接池设计与实现

针对数据库连接池基本参数配置中存在的盲目性,提出了一种基于负荷预测理论的连接池参数优化方法。通过采用搜索算法得到连接池历史参数,利用处理后的历史数据预测系统特性,对数据库连接池的参数配置进行了优化,最后通过试验验证了方法的有效性。