基于YSPSO-ＲBFN 的布里渊散射谱特征提取

为提高提取到的传感布里渊散射谱的布里渊频偏量的精度,利用压缩因子粒子群优化算法调节权值的ＲBFN( Ｒadial Basis Function Net) 径向基函数神经网络对布里渊散射谱进行特征提取。提出的算法克服了传统ＲBFN 神经网络易于陷入局部极值的缺点,利用PSO( Particle Swarm Optimization) 算法调节权值后向传输网络,对布里渊散射谱进行精度提取,保证了求解的速度和精度。数值分析过程中,利用新型结合算法在不同线宽和不同信噪比大测量范围情况下的散射谱进行参数估计。通过实验获得不同温度下的布里渊散射谱数据,利用YSPSO-ＲBFN( Particle Swarm Optimization with Shinkage Factor Shirnhage Factor-Ｒadical Basis Function) 算法处理实验数据,结果表明,该算法可提高布里渊散射谱特征提取的精度,25 ℃下拟合误差为1． 99 MHz,温度升高拟合误差也在减小。在85 ℃时的频移拟合误差为0． 047 MHz。因此,将该算法用于布里渊散射温度和应变传感系统,可有效提高检测精度。     

基于DE-GRNN算法的布里渊散射谱拟合

为了提高布里渊光时域分析(BOTDA)型分布式光纤传感技术的布里渊散射谱特征提取精度,提出一种基于差分进化算法(DE)优化广义回归神经网络(GRNN)的曲线拟合算法,通过利用差分进化算法实现对广义回归神经网络的光滑因子自动寻优,减少人为测试的繁杂性。仿真实验结果显示,该混合优化算法在不同信噪比及线宽的条件下,对布里渊散射谱具有较好的拟合度,最佳拟合度可达0.99以上,最小均方根误差为0.012 0,拟合性能优于传统布里渊散射谱拟合算法。     

基于流形分析与AP算法RBF神经网络分类器

提出了一种基于流形分析与近邻传播（AP）算法的径向基函数（RBF）神经网络分类算法.通过流形分析算法对数据集进行初步处理,然后通过指数函数调整相似度矩阵,再重新进行AP聚类,在此基础上构造RBF神经网络分类器,通过拟合正确率来判断算法是否收敛,并对分类结果运用FMI指标进行评价.实验结果表明：改进算法中RBF网络隐节点数普遍得到增加,使得RBF神经网络拟合精度得以提高;从分类结果可以看出该算法对训练数据集都获得了很好的拟合正确率,对测试数据集也获得了较高的测试正确率.     

基于工程经验和RBF神经网络的水轮机综合特性曲线拓展和重构

水轮机特性曲线是描述水轮机运行过程中运行参数变化及相互关系的重要数据图.采用径向基函数(Radial Basis function,RBF)神经网络拓展和拟合水轮机特性曲线的方法可避免用具体的数学表达式表示该特性曲线高度非线性的函数关系,而是通过对离散样本点的学习和训练来获得水轮机全特性曲线.在使用RBF方法进行拟合数据和重构曲面之前,本文利用边界条件和工程经验将已知工况区域的特性曲线向小开度区域和低效率区域进行了有效拓展,大幅增加了RBF神经网络的学习样本数量,从而进一步提高了RBF方法拟合水轮机全特性曲线的精度和可靠度.以HL180水轮机为例,对拓展和拟合水轮机综合特性曲线的具体过程进行了详细介绍.计算结果表明,同仅采用RBF神经网络方法相比,采用本文方法得到的水轮机全特性曲线具有更高的精度和可靠度.     

一种改进地标点采样的不平衡数据聚类算法

对不平衡数据进行聚类分析时,K-means聚类方法可能会错误地将分布在较小区域类别中的样本划分到大区域类别中;谱聚类算法,虽然可以有效优化数据结构,并很好地识别不同形状的样本,但却难以处理大规模数据.针对这些问题,提出一种改进地标点采样的不平衡数据聚类算法.该算法首先对不平衡数据进行预聚类以获得初始类标签,然后基于数据密度对数据进行采样.在此基础上,通过对采样数据执行K-means聚类,并将聚类中心作为地标点,对数据进行谱聚类分析.实验结果显示,该方法在处理不平衡数据时,不仅能够有效提高样本的聚类准确率,而且能够保证聚类结果的稳定性和精度.     

最优线性联想记忆网络方法在人发X射线荧光分析中的应用研究

作者针对X荧光分析中散射峰干扰和直线拟合精度差等问题，采用最优线性联想记忆(OLAM)神经网络方法解谱，研究了无散射峰标准谱的产生和本底干扰问题.通过用一维高斯分布随机数模拟本底计数产生无散射峰标准谱的方法，提高了分析精度.     

光纤分布式布里渊散射传感技术的发展

随着对光纤中非线性效应的不断研究,布里渊散射由于可以同时测量外界环境的温度和应变且测量范围与测量精度均较高,使得其在光纤分布式传感领域得到了广泛的重视和研究.本文介绍了光纤布里渊散射的传感原理,综述了基于布里渊光时域反射、布里渊光时域分析和布里渊光频域分析的光纤分布式传感技术的原理及进展,最后从用户需求方面对光纤分布式布里渊散射传感技术的未来发展方向进行了展望.     

一种改进的RBF神经网络混合学习算法

提出一种基于粒子群优化算法、K-means算法及减聚类算法的径向基函数(RBF)神经网络混合学习算法.该算法使用减聚类方法确定隐层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干预.通过K-means算法形成粒子群优化(PSO)算法初始粒子群,避免了初始粒子群的随机性,提高了粒子群优化算法的优选能力;采用PSO算法训练RBF神经网络中的所有参数.数值结果表明,改进的混合算法具有更高的分类准确率。     

最优线性联想记忆网络方法在人发X射线荧光分析中的 …

作者针对Ｘ荧光分析中散射峰干扰和直线拟合精度差等问题，采用最优线性联想记忆（ＯＬＡＭ）神经网络方法解谱，研究了无散射峰标准谱的产生和本底干扰问题，通过用一维高斯分布随机数模拟本底计产生无散射峰标准谱的方法，提高了分析精度。     

基于SA-GA算法RBF神经网络的TDOA/AOA定位算法

目的 为了克服最小二乘法在TDOA/AOA无线定位算法中的缺点,提高定位的精度和稳定性.方法 提出了基于RBF神经网络的TDOA/AOA定位算法.利用染色体长度可调编码方式的模拟退火遗传算法,同时训练RBF网络的参数和拓扑结构.将训练后的RBF网络用于TDOA/AOA定位.结果 与传统TDOA/AOA算法和基于k-均值聚类法、遗传算法RBF神经网络、GA-BP神经网络的定位算法比较,该算法具有更高的定位精度和可靠性.结论 基于模拟退火遗传算法RBF神经网络的TDOA/AOA定位算法有很强的抗NLOS能力.     

基于聚类优化的RBF神经网络多标记学习算法

多标记学习采用RBF神经网络与K-means聚类算法相结合取得了较好的效果,但由于聚类数事先不能很好地确定,无法给出准确的聚类个数值,会导致聚类质量下降、聚类结果不稳定等,进而影响RBF神经网络多标记算法的稳定性及分类性能。本文从样本几何结构的角度出发,采用一种聚类有效性指标函数,为每个类寻找最优的聚类个数,从而优化问题的求解。理论研究和实验结果表明,改进后的算法在分类的稳定性及分类性能方面都有较好的表现。     

脉冲预泵浦瑞利BOTDA系统的瞬态解析方法

为了解决空间分辨率和频率测量精度之间的矛盾,将脉冲预泵浦的概念引入瑞利布里渊光时域分析系统,建立了运用瞬态受激布里渊散射耦合波方程组描述该系统的数学模型。采用时域有限差分法求解了瞬态受激布里渊散射耦合波方程,仿真拟合了常微分方程组的时域幅值解,并实验验证了脉冲预泵浦瑞利布里渊光时域分析系统散射光功率谱和理论的一致性。结果表明,传感脉冲光、瑞利散射光和声波场三波幅值拟合方程的均方根误差可达0.003 097、0.005 717和0.020 75,沿光纤长度该系统功率谱呈现出携带布里渊信息的瑞利散射特性,可实现光纤温度和应变的传感检测。     

基于Spark框架的电网运行异常数据辨识与修正方法

由于电网运行数据具有多源、异构、高维等典型大数据特征,使得传统检测方法已无法实现异常数据高效辨识;因此提出一种基于Spark框架的电网运行异常数据辨识与修正新方法。首先,提出了并行化最小生成树方法对待检测数据进行初始聚类;在此基础上结合并行K-means算法对数据进行二次聚类实现异常数据辨识;然后,在Spark框架下设计了基于径向基函数(RBF)神经网络的异常数据修正模型,实现对异常数据修正。最后,利用某省调度中心SCADA数据对方法的有效性进行了验证,结果表明所提方法能够有效处理电网运行异常数据,具有实际应用价值。     

基于神经网络辨识的移动机器人航向误差校准方法

分析了E-Core RD1100干涉型光纤陀螺的误差产生机理, 提出利用RBF神经网络和遗传算法实现光纤陀螺漂移误差模型的辨识. 通过实验获得进化神经网络的训练样本, 在RBF神经网络的训练中, 提出了基于Elitist竞争机制的遗传进化训练方法. RBF神经网络具有很强的局部逼近能力, 而遗传算法具有优良的全局搜索与优化性能, 从而能够有效地对陀螺误差的非线性与时变特征进行建模与辨识. 实验结果表明: 该方法大幅度减少了光纤陀螺的误差, 从而提高了移动机器人导航定位的精度.     

基于MapReduce的大规模文本聚类并行化

建立快速有效的针对大规模文本数据的聚类分析方法是当前数据挖掘研究和应用领域中的一个热点问题.为了同时保证聚类效果和提高聚类效率,提出基于"互为最小相似度文本对"搜索的文本聚类算法及分布式并行计算模型.首先利用向量空间模型提出一种文本相似度计算方法;其次,基于"互为最小相似度文本对"搜索选择二分簇中心,提出通过一次划分实现簇质心寻优的二分K-means聚类算法;最后,基于MapReduce框架设计面向云计算应用的大规模文本并行聚类模型.在Hadoop平台上运用真实文本数据的实验表明:提出的聚类算法与原始二分K-means相比,在获得相当聚类效果的同时,具有明显效率优势;并行聚类模型在不同数据规模和计算节点数目上具有良好的扩展性.     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于孤立点自适应的K-means算法

孤立点的存在使聚类中心的计算产生较大误差,影响K-means算法的聚类效果.针对该问题,引入谢林模型,使孤立点能够自动移动到其邻居所在位置,消除孤立点,同时,对K-means算法过程中的距离计算、初始聚类中心选取环节进行改进,提出基于孤立点自适应的K-means算法.该算法首先对原始数据进行归一化处理,以提高距离计算的准确性;然后,根据谢林模型的基本思想,将孤立点移动到其最近的多邻邻居;接着,由类簇的数目确定邻居样本的搜索范围,确定初始聚类中心;最后,根据移动后的数据集和初始聚类中心,进行K-means聚类.在UCI机器学习数据库中经典聚类数据集上的实验结果表明,该算法可显著提升聚类的精度,同时,簇的内聚性也比较好.     

地基土压缩系数的RBF神经网络预测

采用了输入层节点数为4、隐含层节点数为29、输出层节点数为1的RBF神经网络结构;RBF神经网络学习时,设置中心化方法为K-means聚类法,训练速率取0.15,加权种子数取2,Sigma参数取0.1,权重为0.2,最大迭代次数为16 000,误差均值控制为0.01.研究发现,训练RBF神经网络时,30组数据的土压缩系...     

光辅助瞬时测量多个微波频率的方法研究

提出一种基于布里渊散射的瞬时测量多个微波信号频率的新方法.待测的包含一个或多个频率的微波信号通过载波抑制双边带调制加载在光载波上,经滤波器输出上边带光信号,将上边带光信号同时送入多个色散位移光纤的一端,另有多个频率间隔为0.1GHz的单频激光分别送入多个色散位移光纤的另一端,若两端的光信号频率差为布里渊频移,则两路光在色散位移光纤发生布里渊散射,上边带光信号强度增强.判断色散位移光纤的输出上边带光信号是否增强即可测得相应频率.该方法频率测量分辨率为0.1GHz,最高测量精度为±0.05GHz.     

基于乘法更新规则的k-means与谱聚类的联合学习

k-means和谱聚类是两种应用最广泛的聚类技术. k-means是基于矩阵分解的聚类方法,并且是在数据空间上基于误差极小化的聚类方法 .谱聚类是基于图的聚类方法,并且是基于两点在数据空间和特征空间的相似性保持的聚类方法.为了利用两者的优势,提出一种基于乘法更新规则的k-means和谱聚类的联合学习方法,该方法将k-means和谱聚类结合成一个统一的聚类模型,该模型可在单次优化中同时优化k-means和谱聚类的目标;此外,还基于乘法更新规则设计了对聚类中心C与聚类指示器Y进行迭代更新的优化算法.重要的是,在理论上证明了所设计算法的正确性和收敛性.在典型的数据集上进行测试,实验结果表明提出的联合学习算法在聚类精度和标准互信息度指标上都有所提高.