基于压力采集和FEM模型的软组织参数测量方法

提出基于压力采集和FEM模型的软组织参数测量方法,搭建基于光学运动跟踪系统和压力采集模块的软组织参数测量平台,对软组织形变过程三维重建,通过带压力传感器的ARM采集板获取压力值,采用BP神经网络对传感器进行精度校正.基于软组织形变集合构建四面体有限元模型计算软组织的初始参数弹性模量与泊松比,并提出一种参数参照模型对初始参数进行修正,通过实验验证参数的准确性.实验结果表明,用所述方法求得的软组织参数计算的软组织形变与真实测量所得软组织形变的平均相对误差为1.03%~1.60%,符合实际工程应用对软组织形变的精度要求.     

合成醋酸乙烯的空时得率和催化剂选择性软测量

以某石化厂乙烯气相法合成醋酸乙烯反应过程的空时得率和催化剂选择性软测量建模为研究对象,基于现场采集数据及机理分析,确定了辅助变量.在对现场数据进行处理的基础上,建立了基于径向基函数神经网络的多输入多输出神经网络软测量模型,取得了较好的效果.仿真结果表明,模型精度达到了工艺要求,可用于指导生产,为实现先进控制和优化控制创造了条件.     

爆破扫雷器电液伺服系统建模

为了提高电液伺服系统的模型精度与准确度,对某爆破扫雷器电液伺服系统建模方法进行了研究.采用机理建模法,构造了电液伺服系统的传递函数,采用基于自适应神经模糊推理(Adaptive neuron-fuzzy inference system,ANFIS)和减法聚类的模糊神经网络(Fuzzy neural network based on subtractive clustering,Sub-FNN)方法,实现了电液伺服系统的智能建模.通过对模型均方根误差(Root mean square error,RMSE)和信号间方差比(Variance accounted for,VAF)性能指标的比较,表明基于减法聚类的模糊神经网络建模方法可以显著地提高模型精度.研究结果为实现电液伺服系统的控制奠定了基础.     

基于灰色RBF-NN的陀螺随机漂移误差建模

针对测量中存在的陀螺随机漂移误差,提出了一种基于灰色RBF神经网络的预测建模方法.首先采用时间序列的饱和嵌入维数确定RBF神经网络模型输入层的节点数;其次采用灰色聚类法对输入样本进行分类,以确定RBF神经网络模型隐含层的初始节点数;最后采用灰色关联分析法对RBF神经网络的冗余隐含层节点实施删除,以得到满足精度要求的最小结构的RBF神经网络模型.将其应用到某型挠性陀螺随机漂移误差的预测建模中,可得预测模型的精度为90.33%,实验结果表明了该模型的有效性.     

基于模糊RBF神经网络的管道泄漏检测方法

针对模糊BP神经网络在管道泄露检测与估计中存在网络构建训练速度慢、易陷入局部最优等问题,提出将模糊RBF神经网络方法应用于管道的泄漏检测与估计.首先依据管道泄漏时流量、压力的变化机理,将采集到的实际运行中管道内的流量差与压力差信号模糊化后作为RBF神经网络的输入,以泄漏尺寸大小的置信度作为网络的输出,并结合专家先验知识所得的模糊规则,构建管道泄漏检测的模糊RBF神经网络.进而以实际管道运行数据对其进行离线仿真测试,仿真结果表明模糊RBF神经网络克服了模糊BP神经网络的不足,提高了泄漏估计的精度,使网络构建更加高效、优化.     

Preisach迟滞模型分类排序法的神经网络实现

针对非线性系统的迟滞特性开展建模研究,提出了一种Preisach模型分类排序法的神经网络实现方法,据此对压电陶瓷执行器纳米定位系统的迟滞非线性进行建模. 兼顾到迟滞的擦除特性和建模的精确度,建立BP神经网络求取收缩函数,避免了插值法求收缩函数值带来的插值误差. 实验结果表明,神经网络分类排序实现方法有效提高了Preisach模型的精度,减小了模型的误差.     

机车二系弹簧载荷均匀性分配调整的混合建模方法

针对机车二系弹簧载荷均匀性分配调整的建模问题,提出综合运用机理建模和神经网络建模的混合建模方法。该方法在刚性车体假定下采用经典力学和数学方法建立机车车体-二系弹簧系统的机理模型,作为调簧主规律模型;用人工神经网络方法建立BP网络误差补偿模型来弥补机理模型的建模误差;二者并联组成混合模型,其输出为机理模型和BP网络模型输出的叠加。研究结果表明:混合建模方法用于二系调簧的多维连续空间系统建模,可大幅提高模型精度;实际调簧过程中使用混合模型可进一步提高调簧精度和效率,使载荷分布最大误差较机理模型减少8%～15%,平均调簧时间缩短25%以上。     

模拟循环系统中的主动脉流间接测量

模拟循环系统主动脉内的流量波动很大,采用流量计直接测量受管道直径、管壁厚度、流量计量程等因素制约,不利于对不同研究对象进行模拟.文中提出一种利用压力信号间接测量主动脉流的方法.首先利用不同的Windkessel模型对模拟体循环系统进行建模,然后分别以主动脉压和动脉压作为输入变量和观测变量,利用扩展卡尔曼滤波器对模型参数和主动脉流进行联合估计.流量的估计精度采用均方根误差指标进行评估.结果表明,四元Windkessel模型可以很好地描述系统的动态性能并估计流量,为心血管装置的定量分析和测试提供了新的方法.     

一种基于小波神经网络混合模型的说话人识别方法

提出一种混合模型,即将隐马尔可夫模型(HMM)和小波神经网络(WNN)相结合应用于说话人识别的模型.该方法利用HMM的时序建模能力以及小波神经网络较强的模式分类能力,进行与文本无关的说话人的识别.实验表明,采用这种混合模型可以提高系统的识别率,特别在噪声环境中具有一定的噪声鲁棒性,提高了识别性能.     

基于动态摩阻的大落差输油管道 不稳定流动模拟

大落差输油管道高程起伏大,压力波动大,易由停泵、关阀等工况引发不稳定流动,导致管道局部压力降低和油品气化,引发弥合水击等现象。为准确预测大落差管道不稳定中流动压力、流量的变化,基于连续性方程、动量方程和能量方程,建立了大落差管道不稳定流动分析模型;结合Brunone-Vitkovsky动态摩阻模型,描述不稳定流动过程中的液体惯性加速带来的附加摩阻损失;采用特征线法和有限差分法求解模型。以某大落差管道中间泵站停泵工况为例,分析基于稳态摩阻与动态摩阻仿真的管道不稳定流动特征。结果表明：在稳定流动工况下,基于稳态摩阻和动态摩阻计算的管道压力、流量参数是一致的,但是在不稳定流动条件下基于动态摩阻计算的压力、流量比稳态摩阻模型值偏低。因此,基于动态模拟方法分析大落差输油管道的不稳定流动,对于提高管道压力、流量等工艺参数的预测精度,制定更加有效的不稳定流动安全防护措施具有重要意义。     

基于小波神经网络熔丝堆积三维打印精度预测模型

摘要： 熔融沉积快速成形是一个多参数耦合的非线性过程,大量成形参数对成形件精度具有重要影响.为了弄清各个工艺参数对成形零件精度的影响,提高熔丝堆积三维打印产品精度,运用Matlab软件建立了利用成形工艺参数预测产品精度的小波神经网络模型,完成了算法设计.通过熔丝堆积三维打印实验采集样本,利用训练样本对所建立的网络进行训练,完成网络输入输出精度映射关系,并利用测试样本对所训练网络进行检验.仿真试验表明,产品精度预测模型具有很高的精度,验证了该预测模型在理论和实践上的可行性、有效性.把小波神经网络方法运用于熔丝堆积三维打印参数与成形产品精度之间的建模,解决了难以用数学方法建立精确模型的问题.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

采用IncNet神经网络进行动态建模的仿真研究

由于IncNet神经网络的算法为串行学习算法,可利用实测的新数据不断对模型进行更新,因此,可以实现过程的动态建模.IncNet神经网络采用"统计新颖性"准则,有效地减少了用户预先定义的参数,而删除算法则可以使网络结构更加紧凑.以燃烧炉对象为例,采用IncNet神经网络进行过程动态建模,所建立的模型精度高,泛化能力强.在建模过程中,初始参数的设置对IncNet神经网络模型的结构和建模精度有着不同的影响,应当合理选择.     

基于模糊分类变系数的铅锌烧结过程综合透气性状态预测

针对铅锌烧结过程的强非线性、时变等特点,运用智能集成建模的思想,提出一种模糊分类变系数透气性状态预测方法。首先深入机理分析和工况参数相关性分析研究,采用神经网络方法建立工艺参数和时间序列透气性预测模型;然后借助于模糊组合器实现两个子模型的有机组合,设计了模糊分类变系数综合透气性集成预测模型结构,其中加权系数由工况波动程度确定。运行结果表明:提出的集成模型具有较高的预测精度和较强的自学习能力,并且在工况波动严重的情况下,仍然具有好的预测效果,该模型具有一定的灵敏度和鲁棒性。     

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.     

基于随机森林优化的自组织神经网络算法

针对基于降维的神经网络分类器预测模型在分析过程中存在特征丢失, 并导致精度下降的问题， 提出一种基于随机森林算法优化的多层感知器(MLP)回归预测模型. 该优化模型通过在MLP回归模型网络的全连接层和逻辑回归层之间增加一个优化机制, 利用随机森林算法对隐藏层状态的优化实现改进, 从而解决了降维过程中神经网络丢失数据特征的问题. 在借贷客户信息数据集上的实验结果表明, 该模型在保证主要特征的同时大幅度提升了预测准确率, 证实该模型在特征工程中具有较高的实用性.     

Boosting the Expense and Performance of Ann／Hmm Approch for on-line Handwriting Recognition

This paper focuses on a state sharing method for an artificial neural network (ANN) and hidden Markov model (HMM) hybrid on-line handwriting recognition system. A modeling precisionbased distance measure is proposed to describe similarity between two ANNs, which are used as HMM state-models. Limiting maximum system performance loss, a minimum quantification error aimed hierarchical clustering algorithm is designed to choose the most representative models. The system performance is improved by about 1.5% while saving 40% of the system expense. About 92% of the performance may also be maintained while reducing 70% of system pararfieters. The suggested method is quite useful for designing pen-based interface for various handheld devices.     

A hybrid model of a subminiature helicopter in horizontal turn

A hybrid model of a subminiature helicopter in horizontal turn is presented. This model is based on a mechanism model and its compensated neural network （NN）. First, the nonlinear dynamics of a sub-miniature helicopter is established. Through the linearization of the nonlinear dynamics on a trim point, the linear time-invariant mechanism model in horizontal turn is obtained. Then a diagonal recursive neural network is used to compensate the model error between the mechanism model and the nonlinear model, thus the hybrid model of a subminiature helicopter in horizontal turn is achieved. Simulation results show that the hybrid model has higher accuracy than the mechanism model and the obtained compensated-NN has good generalization capability.     

混合粒子群优化算法选择特征的网络入侵检测

针对网络入侵特征优化问题, 提出一种混合粒子群优化算法选择特征的网络入侵检测模型, 以提高网络入侵检测率. 首先将网络入侵检测率作为特征选择的目标函数, 网络状态特征作为约束条件建立相应的数学模型, 然后采用混合粒子群算法找到最优特征子集, 最后采用支持向量机作为分类器建立入侵检测模型, 并在MATLAB2012平台上采用KDD1999数据进行验证. 实验结果表明, 该模型可高效地查询到最优特征子集, 入侵检测率和效率均优于经典入侵检测模型.