基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明:本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。

RCAR-UNet:基于粗糙通道注意力机制的视网膜血管分割网络

眼底图像中视网膜血管的健康状况对早期诊断各种眼科疾病及糖尿病心脑血管疾病等具有重要意义,然而视网膜血管结构细微、边界模糊且分布不规则,对其进行准确分割存在较大的难度.针对视网膜血管的这些特征,提出一种粗糙通道注意力残差U型网——粗糙通道注意力残差U型网络(RCARUNet).该网络首先引入粗糙集理论中上下近似概念设计粗糙神经元;接着基于粗糙神经元构建粗糙通道注意力模块,该模块在U-Net跳跃连接中采用全局最大池化和全局平均池化构造上下近似神经元,并进行神经元间的加权求和,对所建立的通道依赖关系进行合理的粗糙化,该依赖关系不仅包含全局信息,同时具有局部特性,可有效实现对所提取视网膜血管特征的准确重标定;然后添加残差连接,将特征直接从低层传递给高层,有助于解决网络性能退化问题,并有效提取更加丰富的视网膜血管特征;最后为了验证所提视网膜分割网络的有效性,在3个眼底视网膜公开图像数据集上与U-Net,Attention U-Net等传统网络模型进行对比实验,实验结果表明,所提视网膜分割网络在血管分割准确率、灵敏度和相似度等方面具有较高的优越性.

基于粗神经网络的输电线路故障分类方法

提出了一种基于粗神经网络(rough membership neural network,RMNN)的高压输电线路故障分类方法,用10个独立的粗神经网络来分类识别输电线路的10种故障类型。粗神经网络利用粗神经元和模糊神经元代替普通神经元,有效地提高了神经网络的训练速度,并能减少网络的训练样本。基于对大量故障数据的分析,综合利用故障发生后5ms内故障电流时域和时频域的13种不同特征量作为故障分类的依据,以提高故障分类的正确率。PSCAD/EMTDC仿真实验结果表明:该故障分类方法能快速准确地分类识别各类故障,并且不易受故障时刻、过渡电阻、故障位置等因素的影响,具有较好的适应性。

粗糙集理论在模糊神经网络中的应用研究

应用粗糙隶属度及粗糙神经 0元对模糊神经网络进行讨论 ,得到了一种利用神经网络修正不完善粗糙规则的方法 ,以及一种粗糙模糊神经网络 .以日本大阪湾的COD浓度为例 ,取得了良好的拟合及预测效果 ,从而具有广泛的应用前景 .

增加表面粗糙度提高神经芯片硅材料的细胞黏附性能

目的 :硅是制作神经芯片的良好材料 ,硅的普通抛光表面使神经细胞黏附极为困难 ,我们用增加材料表面粗糙度的方法来提高硅的细胞黏附性能。方法 :HF溶液对硅片进行表面蚀刻 ,原子力显微镜测定表面粗糙度。选用胎鼠黑质细胞种植于硅片表面进行培养 ,72h后以酪氨酸羟化酶 (TH)免疫荧光显色 ,荧光显微镜及激光共聚焦系统观察细胞的生长状况 ,并进行扫描电镜观察。结果 :硅材料表面粗糙度的增加可以明显改善细胞的黏附和生长状况 ,生长于硅片表面的多巴胺能神经元表达TH。结论 :增加表面粗糙度可以提高硅材料对细胞的黏附性能 ,改善其生物相容性 ;适于细胞生长的硅片表面平均粗糙度Ra约为 2 0～ 5 0nm ,该技术可作为神经芯片材料表面处理的良好方法。

一种基于粗糙集理论的粗糙神经网络构造方法

提出在 BP神经网络中使用粗糙集理论进行网络的设计 ,由于粗糙集理论有强大的数值分析能力 ,而 BP神经网络具有准确的逼近收敛能力和较高的精度 ,所以通过两者的结合 ,可以得到一种可理解性好、计算简单、收敛速度快的神经网络模型。这种神经网络的算法的主要过程为 :首先利用粗糙集能力去发现给定数据集的一些规则 ;然后根据这些规则构造神经网络隐含层的神经元个数 ;最后用 BP算法迭代求出网络的各种参数 ,完成网络的设计。本文最后给出了一个三维非线性函数的实例进一步验证了网络的正确性。

时态粗糙神经网

论文提出了一种基于粗糙集和时态概念的新神经网模型—时态粗糙神经网。在神经网的输入中加入时间的因素,即神经网络的输入是时间的函数,从而把传统的神经元改造成了时态神经元;时态粗糙神经网中的神经元是时态粗糙神经元,它包括一对时态神经元,即将数据中的上边界和下边界加入时间因素以后,作为神经网络的输入和输出。当网络的输入和输出不是单值数据而是一个随时间变化的数据的集合时,经典的神经网络建立的预测模型的输出就会产生较大的误差,而基于时态粗糙理论的神经网络则可以很好地解决这个问题,更能真实刻画实际问题。从而为解决这类问题提供了一个较好的理论模型。

粗神经元网络在辐射计目标识别中的应用

将粗糙神经元和传统神经元混合构造的粗糙神经网络,用于对毫米波辐射计回波信号的目标识别。其中粗糙神经元包含一对重叠的普通神经元,使用一对上下值作为输入和输出。对于实际应用中变量值是范围值的情况,用粗糙神经网络来开发模型,结果优于传统神经网络。仿真实验表明,该模型提高了目标的识别率和网络的收敛速度。

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。

基于粗糙集-神经网络的暴雨预报

通过对暴雨预报的经验总结,首先找出对暴雨有影响的一些因子,然后利用人工神经网络与粗糙集理论的优势互补,采用粗糙集对数据进行预处理,构建基于粗糙集-神经网络的暴雨预报仿真模型,并依据此模型进行了验证评价。结果表明,该仿真结论与实际相吻合。

粗轧过程轧制力BP神经网络预报

利用BP神经网络 ,以某热轧厂粗轧机组数据库中的数据为训练样本 ,采用两种训练方案 ,对粗轧过程轧制力进行预测。BP网络的预报精度 ,既与训练样本的选取有关 ,又与隐层节点的个数以及相对化系数的大小有着密切的联系。以上因素选取得当 ,能够提高网络的预报精度 ,若选取不当 。

基于RS-ANN的通风系统可靠性预警系统

系统可靠性预警是度量系统运行状态偏离可靠性指标界线的强弱程度,确定预警等级和做出决策警示的过程。笔者在对目前国内外有关系统预警方法的分析比较基础上,针对矿井通风系统可靠性运行的实际状况,应用了粗糙集(RS)理论和神经网络(ANN)技术,提出了一种基于粗糙集神经网络(RSANN)的矿井通风系统可靠性预警方法:首先,建立了一套适合于矿井通风系统可靠性的预警指标体系;然后,利用人工神经网络与粗糙集理论的优势互补,以粗糙集作为前置处理系统优化指标结构,构建了基于RSANN的通风系统可靠性预警仿真模型,并应用该模型进行了实例验证。其结果表明,该模型的仿真结论与基于ANN的结论十分吻合,训练效率提高了667倍。

家兔孤束核区微量注射羟基马桑毒素对该区神经组织的形态学影响

用经乌拉坦麻醉、肌肉麻痹、切断双侧颈迷走神经的8只日本大耳白兔,于一侧孤束核区微量注射(10μg/μl)羟基马桑毒素后4小时,光镜下(n=5)见注射区部分神经元胞体尼氏体溶解,核嗜碱性增加,神经毡空隙增大呈“海绵状”。尼氏体溶解的神经元与正常神经元混杂分布。电镜下(n=3)见上述神经元胞体中粗面内质网池异常扩张,核异染色质明显增加;神经毡中部分神经胶质成分水肿,树突变空。偶见轴突肿胀。对照侧神经元及神经毡的结构无明显改变。提示:羟基马桑毒素破坏某些神经元的胞体-树突,可能有兴奋性毒性作用。

一种粗逻辑神经网络的构造和学习方法

传统的粗逻辑神经网络可以对信息系统及粗推理决策进行研究,能够深入地揭示粗糙集理论实质,但对于处理非单值输入问题不能取得良好的效果。粗糙神经元的上边界和下边界恰好能解决这一方面的问题,且随着粗集理论的不断发展,上下边界的概念得到了广泛的应用。综合两个方面的优点,提出了一种粗逻辑神经网络的构造与学习方法。它主要由传统粗逻辑神经网络和粗糙神经元的思想(模式中每一个特征变量都包含上界和下界两个边界)构成:边界粗逻辑神经网络。首先给出了粗糙神经元和粗逻辑及决策的基本知识,然后提出了边界粗逻辑神经网络的结构和学习方法及两种模型并比较了模型间的优缺点。与传统粗逻辑神经网络相比,这类神经网络能更有效地处理非单值和连续近似域函数问题。最后提出可以进一步优化的方向。

一种基于粗糙神经元的神经网络预测算法

根据粗糙集理论的上、下边界,在神经网络预测模型中引入粗糙神经元,建立了一种新的BP神经网络,它由传统神经元和粗糙神经元组成。仿真实例中将其应用于降水量的预测控制,研究显示了该网络具有良好的克服偶然因素的能力以及较强的预测准确率。

一种基于蚁群算法的粗神经网络PID控制器

针对传统的线性PID控制器参数难以实现在线调整缺陷，设计了一种新的基于粗神经网络的PID控制器，利用粗神经元代替传统神经元，扩展了网络的应用范围，并采用蚁群算法优化神经网络连接权初值，使神经网络连接权初值不再靠经验随机选取，从而得到最优参数的控制器。仿真结果表明，该控制器具有良好的控制性能。

基于Elman网络的切削表面粗糙度预测方法

根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,讨论神经网络非线性、多因素预测原理及其拓扑结构的基础上,提出利用Elman神经网络建立切削表面粗糙度预测模型的方法;在Matlab及其神经网络工具箱的基础上,采用Elman神经网络对铝6061切削表面的粗糙度进行训练、预测、分析。结果表明,建立的Elman神经网络模型收敛速度快、预测精度高。

随动定向战斗部的抗振动冲击控制研究

针对现有抗扰方法不易抵消随动定向战斗部在工作中受到的振动与冲击干扰的问题,在分析随动定向战斗部工作时振动冲击干扰类型与特点的基础上,提出了一种粗糙单神经元自抗扰控制器。利用单神经元自抗扰控制器和粗糙控制器,提升系统抗振动扰动能力,抵消大过载大冲击的影响。双自由度伺服开发平台仿真显示,相较于普通自抗扰控制器,粗糙单神经元自抗扰控制器能够较好地改善随动系统控制性能,抑制振动与冲击干扰,提高了随动定向战斗部工作时的稳定性。

基于粗糙集-神经网络的矿井通风系统可靠性评价仿真研究

通过对矿井通风系统可靠性运行状态的跟踪统计和分析,首先建立了一套适合于矿井通风系统可靠性评价指标体系;然后利用人工神经网络与粗糙集理论的优势互补,以粗糙集作为前置处理系统优化指标结构,构建了基于粗糙集神经网络的通风系统可靠性评价仿真模型,并依此模型进行了实例验证.结果表明,该模型的仿真结论与基于ANN的结论完全吻合,训练效率提高了数百倍.

基于轴距预瞄的汽车半主动悬架控制及试验

为了研究轴距预瞄控制技术对半主动悬架系统性能的影响,构建了基于轴距预瞄的1/2车辆半主动悬架综合模型,结合神经网络和PID控制理论,提出了单神经元自适应PID控制算法,设计了轴距预瞄半主动悬架单神经元PID控制系统,进行了仿真计算。为研究单神经元自适应PID控制策略的有效性及其控制系统的可靠性,同时进行了基于轴距预瞄的实车道路试验。研究结果表明:与被动悬架系统相比,在车速为50km.h-1时,车身质心垂直加速度的峰值和标准差分别减少了20.91%和19.11%;车速为60km.h-1时,分别减少了24.42%和26.85%,并且俯仰角加速度也有一定程度降低,较好改善了车辆的行驶平顺性。