基于时序-BP网络的齿轮故障诊断方法及应用

提出了一种基于时序和反向传播网络(Back-Propagation Network,BP)相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,利用时序模型提取齿轮不同状态的特征,并以其自回归参数组成特征向量作为BP网络分类器的输入进行网络训练,从而实现了对齿轮正常、裂纹和局部点蚀的状态识别与诊断.结果表明,基于时序-BP网络结合的方法对于多故障分类和检测是一种非常有效的诊断手段.     

引信系统爆炸逻辑网络起爆控制技术研究

着重研究用于可瞄式战斗部引爆系统和低能安全系统的爆炸逻辑网络的起爆时序控制技术。讨论了少输入-多输出和多输入-单输出的时序、能量和结构匹配技术,并提出了一种简便可靠的方法以解决爆炸逻辑网络的多点隔爆问题。     

基于BP-LSTM双输入网络的大钩载荷与转盘扭矩预测

考虑影响钩载、扭矩的因素复杂多样及钻井过程的时序性特点,优选BP神经网络和长短期记忆神经网络,设计双输入网络架构,建立大钩载荷与转盘扭矩智能预测模型.该模型同时考虑影响钩载、扭矩的多种复杂参数以及钩载、扭矩等时序数据随时间变化的趋势和前后关联,通过时序性数据和非时序性数据共同预测大钩载荷与转盘扭矩.利用国内某油田钻井现...     

蛋白质相互作用时序网络模型及动态性质分析

蛋白质相互作用研究是理解细胞活性功能和进化机制的重要手段.现有蛋白质相互作用模型多为静态网络,无法有效描述蛋白质相互作用的动态特性.通过综合时序生物信息数据和静态蛋白质相互作用网络数据,生成蛋白质相互作用时序网络.在此基础上,研究了时序网络中节点活跃性、层与层相关性、Hub节点等性质.实验结果表明,时序网络比静态网络更适合蛋白质相互作用动态性质分析.     

基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.     

基于时序卷积网络的信道编码闭集识别

针对传统识别算法对信号的先验知识要求较高、人工特征提取复杂、低信噪比环境下识别率较低等问题,提出了一种基于时序卷积网络(TCN)的卷积码参数识别方法.引入了深度学习算法处理盲识别问题,依据卷积码的马尔可夫性,将码字作为时间序列处理,把己知类型的编码序列作为时序卷积网络模型的输入进行监督学习,根据训练好的模型对接收端接收...     

短时延网络控制系统的状态反馈控制器设计

研究了短时延网络在网络时延、丢包和数据包时序错乱的网络环境下,网络控制系统(NCSs)的建模、稳定性分析、状态反馈增益设计以及控制器参数优化等问题.在稳定性分析中,获得了系统的稳定性充分条件.采用锥互补线性化(CCL)算法求解了镇定控制器的状态反馈增益值.将状态反馈控制器的设计问题转化为具有稳定域约束的优化问题,然后利用分布估计算法(EDA)求出其最优解,最终得到了系统控制参数的优化值.仿真结果表明,所提出的NCSs控制器设计方法可以有效保证控制系统的性能,经过优化后,控制性能得到明显改善.     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

基于递归长短期记忆网络和镜头序列注意网络的视频摘要生成

为解决基于长短期记忆网络LSTM的视频摘要生成方法当输入序列过长时LSTM网络中的记忆单元不能集中在长时间序列的跨度上。通过深度学习的方法研究了一种基于递归长短期记忆网络(ReLSTM)和序列注意(SSA)的视频摘要生成模型用以提高深度学习网络学习时序特征的能力。该模型使用ReLSTM网络提取时间特征。同时,利用SSA动态调整每个视频序列输入到ReLSTM网络中的特征权重。结果表明：在数据集TVSum上F1-score平均提高2.5%,最高提高0.2%。在数据集SumMe上F1-score平均提高7.8%,最高提高3.4%。可见该方法能有效地学习镜头之间的时序特征。     

基于CNN-LSTM网络的在线多任务销售预测模型

有效的销售预测利于企业制定正确的营销策略,针对当前销售预测研究中存在无法进行实时在线多任务销售预测、稳定获取序列数据中的时序特征等问题,提出了一种基于CNN-LSTM网络的在线多任务销售预测模型。该模型上层CNN网络抽取得到重要的时序数据特征,进而输入到下层LSTM网络中进一步抽取复杂的不规则特征进行建模,最终得到预测结果。实验结果表明:CNN-LSTM模型不仅能在测试集上取得12.61%的最小平均绝对百分比误差,同时在长时间销售预测中,在线模型预测效果优于离线模型。     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.     

ES-SOFM混合模型及其在水环境评价中的应用

提出一种基于进化策略（Evolutionary Strategy,ES)和自组织特征映射（Self-Organizing Feature Map,SOFM)神经网络的混合模型进行水环境评价的新方法。把SOFM网络嵌入到ES中，根据SOFM网络的运行状态构造ES的适应性函数，利用ES的强搜索能力克服SOFM网络对初始权向量和样本输入次序敏感的弱点。在水环境评价中的应用效果表明，此方法比模糊聚类法分类更合理。     

基于神经网络辨识的熔融碳酸盐燃料电池建模

针对熔融碳酸盐燃料电池（MCFC）电堆系统难以建模以及已建立的模型过于复杂，难以满足工程上对MCFC系统控制设计特别是实时控制需要的情况，绕开MCFC的内部复杂性，提出利用神经网络可能逼近任意复杂非线性函数的性能，将神经网络辨识方法应用到MCFC这种高度非线性系统的建模中。以燃料气和氧化剂气体的流速的输入量，MCFC电堆温度响应为输出量，根据输入输出数据用神经网络辨识建立MCFC电堆系统的温度模型，给出了辨识系统的结构及改进BP算法。仿真结果证明了这种方法的可行性，所建立的模型精度较高，使得设计MCFC的实时控制器成为可能。     

WDM光网络OXC节点控制管理单元

为了对光交叉连接 (OXC)节点中的光通道进行路由控制 ,以及对波分复用 (WDM)光网络的性能和节点运行状况进行实时监测 ,文章采用了模块化结构的设计方法 ,针对自行研制的两条输入链路 8个波长通道的 OXC节点 ,实现了节点控制管理单元的硬件平台和软件平台。在 WDM光实验网中 ,利用节点控制管理单元的自愈控制功能 ,实现了线路保护倒换和二纤单向环形网络复用段的自愈保护。实验表明 ,当网络发生故障时 ,通过线路保护倒换 ,节点可以在小于 4m s的时间内自动完成从工作链路到保护链路的切换 ,符合 ITU - T建议的要求。     

人工神经网络用于多环芳烃及胆蒽系化合物致癌活性的研究

用人工神经网络中误差反向传播网络(BPNN)和径向基函数网络(RBFNN)对甲基、烷基、环戊并及环己并及胆蒽系化合物的致癌性强弱进行了分类，采用的输入参数为单个原子能（IAE）、电子能(EE)、生成热(HOF)、原子最高正电荷(QMAX)、原子最低负电荷(QMIN)、最高占有轨道能量(HOMO)、最低朱占有轨道能量(LUMO)、偶极矩(DIP)、水合能(HE)、疏水性参数(logP)、分子表面积(SA)、极化率(Polar)、代谢活性区中心碳原子离域能(△E1)、亲电活性区中心碳原子离域能(△E2)和分子中脱毒区总数(n)。BP网络采用tan-sigmoid函数，RBF网络采用Quadratic和Inverse Quadratic函数。两种模型的分类准确率均达80％以上。     

基于PCA和神经网络的人脸识别

介绍一种基于PCA和神经网络结合的人脸识别方法。该方法首先利用主成分分析方法对整幅图像进行特征提取,获得最佳描述特征,从而减小神经网络的输入。然后将降维之后的图像数据输入到一个前向传播神经网络中训练。神经网络的权值采用粒子群算法进行优化,用标准人脸数据库中的样本进行测试,最后将该方法与其他方法作了比较。实验结果表明,该方法能够取得更好的效果。     

CNLSTM模型预测城市积水

物联网平台能够为积水预测提供海量的传感器时间序列数据基础.为了精准且快速地预测城市内涝点积水趋势,提出一种基于神经网络的组合时序预测模型(CNLSTM),对多变量积水时间序列数据进行建模预测.此模型利用卷积神经网络(convolutional neural network,CNN)提取多变量数据之间的空间特征,得到具有空间相关性的特征量,利用长短时记忆网络(long short-term memory,LSTM)提取特征量之间的时间相关性预测未来积水水位.仿真结果表明,所提预测模型可以很好地捕获积水点水位与各输入量之间的非线性关系,并且比CNN,LSTM以及反向传播(back propagation,BP)神经网络具有能更好拟合实际水位的效果,更高的精度和泛化能力.此模型在城市积水预测中的有效性和适用性得到了验证,能够为积水点的提前预警、准备及汛前、汛中汛后治理方案的制定提供可靠的参考依据.     

时序逻辑网络计算机辅助分析的一种方法

本文给出时序逻辑网络分析的一个计算机算法,利用该算法所编程序占用内存少,操作速度快,适用于多变量网络的逻辑分折.     

有灰阶图象轮廓检测的细胞神经网络设计和应用

提出了一种用ＣＮＮ网络检测有灰阶图象轮廓的方法，与标准的ＣＮＮ网络不同的是，这种网络的输入系统矩阵随图的灰质而变，文章论述了该网络的原理，结构和设计，并用计算机进行了模拟，得到了良好的结果。     

基于内联关系的方面级情感分析方法

方面级情感分析 (aspect-based sentiment analysis, ABSA) 旨在预测给定文本中特定目标的情感极性. 研究表明, 利用注意力机制对目标及其上下文进行建模, 可以获得更有效的情感分类特征表达. 然而, 目前常用的方法是通过对特定目标使用平均向量来计算该目标上下文的注意权值, 这类方法无法突出文本中个别单词对于整个句子的重要性. 因此, 提出了一种基于内联关系的方面级情感分析方法, 该方法可以对目标和上下文进行建模, 将关注点放在目标的关键词上, 以学习更有效的上下文表示. 首先使用门控循环单元 (gated recurrent unit, GRU) 对方面信息和句中单词进行融合分布式表达; 然后将分布式表达输入到结合注意力机制的长短时记忆网络 (long short-term memory network, LSTM), 通过查询机制来增加内联关系的权重, 最终得到方面级情感分类. 该模型在公开数据集上进行的实验结果表明, 该方法是有效的, 精确度均超过基线模型.