基于ANN的HVFAC拉伸性能预测评价

基于人工神经网络(ANN)预测混凝土拉伸性能,对研究混凝土开裂机制具有重要意义。基于团队实验数据获得不同粉煤灰掺量、骨胶比、水胶比和养护龄期下大掺量粉煤灰混凝土(HVFAC)的抗压强度、极限拉伸应变、抗拉强度和拉伸弹性模量数据,用均方根误差(RMSE)最小原则建立一种预测HVFAC拉伸性能的ANN模型,并用公开发表的文献数据对该预测模型可靠性进行分析评估。结果表明:模型预测结果与实验结果的相关系数均大于0.94,文献中的实验值与模型预测值的误差均在±20%以内,说明所建立的模型有较高的预测精度。基于ANN影响权重分析发现:骨胶比对HVFAC的抗压强度、极限拉伸应变和拉伸弹性模量的影响最大;对于HVFAC的拉伸性能,在早龄期时水胶比的影响程度较大,但随着龄期的延长,粉煤灰掺量的影响程度逐渐上升并超过水胶比。

考虑强风干扰的固定翼飞行器“神经元”飞行气动建模

大气环境中的风是影响飞行器实际飞行的主要动态环境干扰因素之一,强风干扰下的复杂空气动力学是固定翼飞行器安全稳定飞行面临的严峻挑战。为提高强风干扰下固定翼飞行器的环境适应能力,发展了一种基于深度元学习的创新固定翼飞行器“神经元”飞行气动建模方法,该方法采用相对于地面坐标系的变量进行描述,根据多元函数的切比雪夫级数理论,将气动力和气动力矩函数分解为不同变量函数的乘积和,通过生成对抗网络技术构建强风干扰下飞行器空气动力模型的共性基函数模型,进而预测飞行器在飞行过程中受到的气动力(矩)。研究结果表明,文章建立的固定翼无人机空气动力共性基函数模型准确,可以较好地预测未知风况条件下飞行器的气动力与气动力矩,为实时空气动力学建模的迁移应用奠定良好基础。

基于一维卷积神经网络的粉煤灰混凝土氯离子质量分数预测

为研究深度学习方法在氯离子质量分数预测中的应用,基于自然潮差环境下粉煤灰混凝土长期暴露试验获取了3150组自由氯离子质量分数数据,建立一维卷积神经网络(One-dimensional convolutional neural network,1D-CNN)模型用于预测粉煤灰混凝土氯离子质量分数。该模型分析了核函数和卷积层对1D-CNN预测精度的影响,研究了水灰比、暴露时间、粉煤灰掺量和渗透深度4个输入参数对粉煤灰混凝土自由氯离子质量分数预测结果的影响。实验结果表明:采用12个3×1卷积核及两层卷积层构建1D-CNN模型时,自由氯离子质量分数的预测结果最优;同时,应用最优的1D-CNN模型开展基于未测参数的自由氯离子质量分数预测,预测结果较为准确。因此,1D-CNN模型具有精度高和适用范围广泛的特点,能够为氯盐环境下混凝土中自由氯离子质量分数预测提供新的方法。

基于FOA-BP-AdaBoost的大坝变形预测模型及应用

为提升大坝变形监测预测精度,解决变形量受多因素影响等问题,笔者提出了基于果蝇优化算法(FOA)、BP神经网络的AdaBoost强预测组合模型(FOA-BP-AdaBoost),并与BP神经网络模型、FOA-BP神经网络模型应用于工程实例中的预测精度进行多方位量化对比。结果表明:强预测模型集齐了果蝇算法全局优化、BP神经网络局部寻优和AdaBoost“优中选优”的特点,最大程度优化了预测效果;实例应用证实了FOA-BP-AdaBoost模型在大坝变形预测领域的准确性和有效性。该模型已成功应用于工程实例,可为类似工程提供参考。

一种基于智能算法的GNSS高程拟合方法

广义回归神经网络(GRNN)是一种新型的前馈神经网络模型,具有训练次数少、耗时短、非线性参数的预报能力较强等优点。但GRNN唯一的调节参数SPREAD不能自动获取限制其进一步的应用。针对该缺陷,本文采用果蝇优化算法(FOA)与GRNN相结合构建FOAGRNN模型对GRNN进行优化,自动获取调节参数的值。为了检验FOAGRNN模型的GNSS高程拟合精度,进行了实验分析。实验结果证明了FOAGRNN模型的GNSS高程拟合精度可达6mm。为进一步检验FOAGRNN模型的优越性,采用与平面拟合模型、二次曲面拟合模型进行对比。实验结果表示FOAGRNN模型的拟合精度要优于平面拟合模型和二次曲面拟合模型,证明了FOAGRNN模型在数据样本较少的情况下,其GNSS高程拟合精度仍然可以达到较高精度。

基于深度学习的图像中无人机与飞鸟检测研究综述

随着民用无人机产业的发展,无人机已经成为一项影响公共安全的重要问题。目前针对低空无人机的监视手段主要是采用雷达探测结合图像识别的方法,然而在图像检测识别中易受到与无人机同属“低、慢、小”目标的飞鸟的干扰。为了能够在基于可见光图像的无人机检测中排除飞鸟目标的干扰,利用深度神经网络对可见光图像中无人机与飞鸟进行精确的检测与分类,有效地排除飞鸟对无人机检测的干扰。系统阐释了目标检测技术的发展历程,讨论了各类基于深度学习网络目标检测算法的差异,对比了各类算法的优缺点。对可用于无人机与飞鸟检测的图像数据集进行了梳理与介绍,对相关研究的已有成果进行分析;再从实际应用出发,对无人机与飞鸟检测当中可能会存在的问题进行梳理,阐述与分析了能解决相应检测问题的卷积神经网络的相关研究。最后,针对该研究后续可能的发展方向进行展望。

基于果蝇视觉神经网络的单目标运动检测与跟踪

运动目标跟踪因对实时输入信息的处理、跟踪模型的性能有较高要求,使得对应用性较强的目标跟踪模型的构建仍然是较为活跃的研究重点。针对单目标跟踪问题,基于果蝇视觉信息处理机制及目标跟踪具有的固有特征,本文提出不同于现有目标跟踪模型的新型模型。模型设计中,基于果蝇视觉信息处理机制建立改进型前馈果蝇视觉神经网络,进而借助其输出的运动方向量矩阵及运动目标的固有运动特性,构建运动目标的运动方向检测以及位置、速度、偏航角估计模型,由此获得计算复杂度由输入图像的分辨率确定的前馈果蝇视觉目标跟踪模型。比较性的实验表明,相较于经典的和基于深度学习的目标跟踪模型,所获新型目标跟踪模型在多种指标下具有实时处理能力强、跟踪效果好且有较好应用潜力的优点,为目标跟踪研究提供了又一新的解决方案。

基于果蝇算法的永磁同步电机多目标优化设计

为了提高永磁同步电机(PMSM)的性能,本文以一台72槽60极永磁同步电机为例,针对永磁同步电机多目标优化过程中多次有限元迭代导致的计算时间长和优化效率低的问题,提出了一种基于果蝇优化算法(FOA)的多目标优化方法。选取磁钢尺寸作为优化变量,以电机平均转矩、转矩波动和齿槽转矩作为优化目标,采用权重系数的多目标优化函数。首先通过有限元仿真获得各变量的样本空间,其次采用广义回归神经网络(GRNN)对仿真数据集进行拟合训练,得到非线性模型,然后运用FOA进行优化。最后,通过有限元仿真分析,结果表明FOA能有效抑制转矩波动以及增大平均转矩,且具有参数设置少、收敛速度快等优点,具有较好的应用价值。

基于深度学习的紫外成像仪的图像配准与融合

由于在高灵敏紫外成像仪中紫外光与可见光成像原理存在一定差异,现有的方法配准精度不高,融合效果不理想。针对以上问题,提出了一种基于AlexNet网络与果蝇优化算法(Fruit fly optimization algorithm, FOA)小波融合的紫外光与可见光的图像的配准融合算法。首先,对预训练的AlexNet网络的权值阈值进行微调,利用AlexNet网络对图像进行各层次的特征提取,配合空间变换矩阵,实现紫外光与可见光的高精度配准。其次,将配准后的紫外光与可见光图像输入到FOA优化后的小波算法模型中实现融合。仿真结果显示,所提方法配准精度远远高于工业要求且收敛速度快,融合图像的信息熵较高。

基于随机波动模型的医疗器材需求预测仿真

采用目前方法对医疗器材需求进行预测时,没有考虑样本数量对预测结果的影响,导致MSE值高的问题。提出基于随机波动模型的医疗器材需求预测方法,首先通过随机波动模型SV-t对医疗器材时间序列进行分析整理,掌握其波动特征,然后利用灰色模型和神经网络模型的互补性建立灰色神经网络组合模型,再采用果蝇算法对组合模型进行优化,最后将医疗器材数据输入到优化后的预测模型中,完成对医疗器材需求的预测。实验结果表明,所提方法能够得到较低的MSE值。

基于改进RBF神经网络模型的SOFC性能预测方法

固体氧化物燃料电池(SOFC)测试存在费用高、实施困难以及耗时长等问题,因此,提出了一种基于径向基(radial basis function,RBF)神经网络的SOFC建模方法。首先采用数据驱动的方式利用RBF神经网络模型对电池中阳极、阴极、电解质厚度等微观结构对SOFC性能的影响进行分析,然后针对RBF神经网络模型参数选取困难、易陷入局部极值的问题,提出一种改进果蝇算法(improved fruit fly optimization algorithm,IFOA)对其进行优化,自动确定模型参数的同时确保其收敛于全局最优解。仿真结果表明,所提方法能够准确描述微观结构变化对SOFC性能的影响,相对于支撑向量机(support vector machine,SVM)模型能够获得更高的预测精度。

一种基于深度学习的网络异常流量检测算法

为解决当前海量数据和分类不均匀数据流量的检测问题,提出一种基于深度学习的异常流量检测算法。该算法将FCM算法和GRNN相结合,采用FCM算法对数据流量样本进行聚类,然后使用GRNN对距离FCM簇中心最近的样本点进行卷积训练并迭代更新,直到获得一个稳定的簇中心;引入MFOA对FCM-GRNN进行参数调优,利用MFOA的全局寻优特性和三维空间搜寻方法,迭代优化找到最优的Spread值;使用KDD CUP99数据集进行试验,得出所提算法的检测率为91.36%,误检率为1.154%,所提算法具有较好的异常流量检测能力。

基于改进果蝇优化算法的BP神经网络在组合梁钢构件定位中的应用

为提高桥梁钢构件的安装精度,建立了基于改进果蝇优化算法的BP神经网络,实现了对钢构件空间坐标的精确预测。在果蝇算法中,引入Logistic映射以优化果蝇种群初始位置,增加混沌动态权重和多种群协同搜索用于加强算法的全局搜索和局部探索能力,有效改进了BP神经网络在处理复杂工程问题时训练时间长和精度低等问题。改进后的BP神经网络可对影响钢构件定位的多个变量进行识别,并筛选出其中的关键变量。结合某波形钢腹板-预应力混凝土组合梁矮塔斜拉桥的工程实例,利用优化后的神经网络对即将施工节段的钢腹板和钢锚箱的空间坐标进行预测。研究表明:经过施工过程验证,该桥钢锚箱与波形钢腹板开孔连接件的孔轴误差、钢锚箱拉索套管误差等问题得到了大幅改善,体现了改进的BP网络在准确预测钢构件的空间坐标。

基于遗传算法优化BP神经网络的粉煤灰混凝土抗压强度预测研究

针对粉煤灰配合比影响混凝土抗压强度问题,提出一种基于遗传算法(GA)优化BP神经网络算法的粉煤灰混凝土抗压强度预测模型,选取影响混凝土抗压强度的不同参数对粉煤灰混凝土抗压强度进行了预测。通过验证,GA-BP模型具有比常规BP神经网络更优秀的预测精度,在粉煤灰混凝土抗压强度预测领域中具有借鉴意义。

基于改进GRNN模型的个性化推荐算法研究

为解决数据稀疏性问题导致的算法性能问题,文章引入GRNN模型,学习并填充用户评分矩阵,采用协同过滤的方法进行个性化推荐。相较于传统的机器学习方法,GRNN模型具有强大的学习能力以及更少的学习参数。此外,文章提出使用果蝇寻优算法自动寻优平滑因子,在提升算法性能的同时提高预测准确率。实验结果表明,基于果蝇算法优化的GRNN预测模型能显著改善F1及MAE指标。

基于神经网络的柴油机润滑油稀释率预测方法研究

为了实现柴油机润滑油稀释程度的准确、快速检测,基于试验建立了润滑油稀释率与理化参数指标的数据集。利用果蝇优化算法(fruit fly optimization algorithm,FOA)搜寻最优解更新广义回归神经网络(generalized regression neural network,GRNN)的光滑因子,提出了一种多理化指标参数融合的润滑油稀释程度预测方法。仿真结果表明:该模型的拟合优度为99.9%,均方根误差为0.106。通过将4种模型进行对比,证明了FOA–GRNN模型在预测精度、收敛速度及稳定性上的优越性。在实际柴油机远后喷试验中,将该预测方法与气相色谱(gas chromatograph,GC)法进行对比,二者的绝对误差在0.5%之内。该预测方法在保证检测精度的同时大大缩短了检测时间,为柴油机实现按质换油提供了理论和技术指导。

燃煤飞灰浮选除炭的径向基神经网络模型

利用MATLAB程序构建径向基函数神经网络 ,运用计算机经过 5 17次训练学习后 ,可实现粉煤灰除炭浮选工艺产品结果预测和工艺参数确定 ,并通过试验验证了神经网络模型的计算结果 .实践表明 ,径向基神经网络模型所映射的关系可达很高的精度 ,明显优于其他形式的数学模型 .

基于故障字典和神经网络理论的故障诊断方法

鉴于传统的故障诊断方法对复杂系统或设备进行故障诊断时,有诊断速度慢、对多故障同时发生的情况难以准确定位等缺点,提出了基于故障字典法和神经网络理论的综合故障诊断方法;在叙述该综合诊断方法的基础上,以某型飞机自动驾驶仪飞控盒的主要故障为例,分析说明了运用该方法进行设备故障诊断的具体过程,并进行了仿真研究;实现了对此设备单故障和多故障的快速准确定位;结果表明该综合故障诊断方法解决此类故障诊断问题是有效的。

基于神经网络飞剪速度模型及计算机系统实现

飞剪是带钢冷轧厂精整区域重要设备 ,其最佳运行速度和带钢长度、厚度成二维非线性函数关系。本文应用神经网络技术建立飞剪速度模型 。

基于深度学习的氯盐环境下高性能混凝土氯离子扩散系数的预测

氯盐的扩散系数是一个控制混凝土内部氯离子迁移状况的关键参数,为了评估氯盐在混凝土中的扩散情况,经常需要对其进行有效的预测.由于时间和成本的限制,实际工程中该系数很难从试验中获得.为了评估氯盐在混凝土中扩散的情况,基于深度学习卷积神经网络方法研究了氯盐在高性能混凝土中的扩散系数.收集了掺粉煤灰(FA)和粒化高炉矿渣(GGBFS)300种不同的数据,针对两种类型的高性能混凝土建立了卷积神经网络模型(CNN).CNN模型包括4个输入参数,分别是W/B比、水泥含量、粉煤灰或矿渣粉掺量和养护龄期,输出参数为氯盐的扩散系数.与传统的神经网络相比,基于深度学习的卷积神经网络预测模型具有高精度、高效率和高泛化能力的优点,可以作为氯盐环境下混凝土氯离子扩散预测的新方法。