人工神经网络在新疆蘑菇湖水库水质评价中的应用

调查分析了蘑菇湖水库的污染源，选取蘑菇湖水库污染的6项水质监测数据作为评价指标，采用Matlab建立了蘑菇湖水库水质评价的三层BP网络模型，并以这6项指标为训练样本，对BP网络进行训练，将训练好的网络用于水质进行评价，得出的蘑菇湖水库水质评价结果是劣Ⅴ类，采用分级评分法对计算结果进行了比较分析，结果表明：BP神经网络方法收敛速度较快，预测精度很高，蘑菇湖水库已丧失养殖功能，并且已不能满足农业灌溉的标准。     

黄河水质综合评价的人工神经网络模型

为探讨水质综合评价的客观方法 ,以黄河兰州段新城桥段面水质资料为例 ,建立了地表水水质综合评价的BP网络模型 BP网络模型以单输出代替多输出可保证评价结果的惟一性 .将该模型用于实例分析表明 ,BP网络用于水质综合评价具有客观性和实用性 .     

Hadoop下并行BP神经网络骆马湖水质分类

研究借助云的计算向数据迁移机制及MapReduce并行处理海量数据的优势,解决BP神经网络在处理大规模样本数据时计算量大、网络训练时间长的瓶颈问题.构建了影响骆马湖水质的多污染因素评价网络模型,在Hadoop下应用并行BP网络算法,实现了对骆马湖水质分类挖掘,挖掘分析结果对骆马湖水质优化及生态修复具有决策支持性意义.     

变权欧式距离模型在水质综合评价中的应用

在加权欧式距离模型的基础上进行改进,针对不同的待评价单元和不同污染性质的污染物,根据污染因子的污染贡献率计算其权重;以n个污染因子为坐标轴,以水质标准中的Ⅰ级水质作为n维空间的"原点",结合权重计算出每个待评价单元以及水质标准中其他各级水质与"原点"的变权欧式距离,并将后者作为划分每个待评价单元水质级别的标准,从而建立了适合水质综合评价的变权欧式距离模型。用该模型对1996-2006年钱塘江支流东阳江许村断面水质监测数据进行了综合评价,并与灰色聚类法和模糊综合指数法的评价结果进行比较,结果与水质实际情况符合较好,验证了变权欧式距离模型应用于水质综合评价的科学性和合理性。     

人工神经网络法在地下水水质分级中的应用

通过对受污染的地下水进行水质分析，建立了该类水质的人工神经网络分级预测模型，采用已确定其污染级别的地下水数据作为训练样本对网络进行训练，然后利用收敛的网络进行污染程度分级，其结果与实际的基本一致，这充分说明了利用神经网络预测该类水质受污染程度是一种可行方法。     

基于模糊标识指数的水功能区水质评价方法

为了对水功能区水质进行合理评价和推进区域水环境治理工作,提出了基于模糊标识指数的水功能区水质评价方法.首先,针对模糊综合评价法中隶属函数判定区间不准确的问题,提出了一种改进的6级隶属函数,以保证水质类别判定区间与《地表水环境质量标准》相吻合.然后,建立了模糊标识指数,用来标识水质达标状况、水质类别和主要污染因子等重要水质信息.最后,以滦河14个水功能区监测点为研究对象,对2011年滦河水功能区水质状况进行了实例研究.结果表明,所提出的水质评价方法不仅提高了模糊综合评价的精度,而且评价结果传达的信息比传统模型结果的信息更丰富,为水功能区水环境研究、管理措施的科学制定奠定了基础.     

给水管网二次加氯条件下的水质可靠度分析

针对给水管网二次加氯条件下的水质可靠度问题,在线性叠加理论适用的范围内,引入节点用水量权重因子,对以余氯质量浓度期望值为评价指标的可靠度评价方法进行简化和改进,提出以余氯覆盖率为评价指标的可靠度评价方法.应用理论研究成果对算例管网进行水质可靠度评价,结果表明,二次加氯能在显著降低管网加氯量和提高余氯质量浓度均匀性的基础上维持较高的水质可靠度.     

人工神经网络模型在太湖富营养化评价中的应用

根据湖泊富营养化程度影响因素多,评价因素与富营养化等级之间关系复杂且是非线性的特点,研制了一个能自动对湖泊富营养化程度做出正确评价的BP人工神经网络模型,并在太湖富营养化评价中得到了应用,结果表明：只要把观测数据提供给网络,借助计算机就可获得能客观地反映水质富营养化状况的评价结果;对于富营养化标准样本,一旦训练完毕,只需通过简单的加法和乘法运算,就可对湖泊水质富营养化程度进行评价．     

机器翻译自动评价中领域知识复述抽取研究

针对通用领域语料中抽取的复述在特定领域机器译文自动评价任务的应用中容易出现复述匹配偏差的问题,提出采用抽取与测试领域相关的复述来提高机器译文自动评价的方法。首先将通用单语训练语料进行聚类,并利用改进的M-L方法过滤,得到特定领域训练语料,然后在训练语料中利用Markov网络模型,抽取特定领域复述表,最后将此复述表应用在机器译文自动评价中,以提高同义词和近义词的匹配精度。在WMT’14 Metrics task和WMT’15 Metrics task数据集上的实验结果表明,利用领域知识抽取的复述能够增加自动评价方法METEOR和TER与人工评价的相关性。     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

基于深度残差网络与迁移学习的地形识别方法

针对现有机器人基于深度网络的地形识别方法准确率低、网络训练时间长且需要大量训练数据的问题,提出一种基于深度残差网络与迁移学习的地形识别方法。首先,基于Resnet网络构建一种深度残差网络;其次,利用现有Imagenet大型数据集对构建的深度残差网络进行预训练,作为预训练网络,保留预训练网络除全连接层的训练权重,实现预训练网络大规模的参数迁移;最后,利用自建地形图像数据集对深度残差网络的全连接层进行训练,实现深度残差网络微调。实验结果表明,通过迁移学习的方法,利用深度残差网络对石子路、水泥路、砖地、沥青、草地、泥地6种自建地形图像进行分类,平均准确率达到了99.3%,同时网络训练时间也显著降低。     

基于改进的Wasserstein生成对抗网络和深度残差网络的电缆中间接头局部放电缺陷识别

随着“碳达峰、碳中和”目标的明确，我国已有较多风光电场使用铝电缆作为直埋输电电缆，来实现成本的降低和清洁能源的利用。由于铝电缆接头PRPD谱图样本数量有限，导致了训练模式识别的网络识别准确率低、泛化能力差等问题，本文通过设计三种电缆接头典型缺陷，搭建局部放电实验平台，运用改进的Wasserstein生成对抗网络训练样本数据，借以生成更多新的图像数据，进而将生成样本和原始样本同时投入深度残差网络训练，该方法识别准确率达97.82%。与数据扩充前后不同层数深度残差网络和普通卷积神经网络训练的准确率进行比较，证明了该方法能够有效提升基于小样本条件下的识别准确率，对实际工程具有一定指导意义。     

Application of Partially Connected Neural Network

This paper focuses mainly on application of Partially Connected Backpropagation Neural Network （PCBP） instead of typical Fully Connected Neural Network （FCBP）. The initial neural network is fully connected, after training with sample data using cross-entropy as error function, a clustering method is employed to cluster weights between inputs to hidden layer and from hidden to output layer, and connections that are relatively unnecessary are deleted, thus the initial network becomes a PCBP network. Then PCBP can be used in prediction or data mining by training PCBP with data that comes from database. At the end of this paper, several experiments are conducted to illustrate the effects of PCBP using Iris data set.     

一种新的基于RS和NN的混合数据挖掘算法

提出一种结合粗糙集理论和BP神经网络理论的新数据挖掘算法.算法利用粗糙集对属性的归约功能将数据仓库中的数据进行归约,将归约后的数据作为训练数据提供给神经网络.通过粗糙集归约,提高了训练数据表达的清晰度,也减少了神经网络的规模,同时利用神经网络又弥补了粗糙集对噪声数据敏感的不足.     

基于BP神经网络的发动机怠速模型

发动机怠速模型是发动机怠速控制的基础.发动机怠速工况具有非线性特性.利用BP人工神经网络建立了发动机怠速模型,并利用实际发动机系统测得的怠速转速数据作为神经网络学习样本数据.理论分析和仿真研究均表明了该方法的有效性.     

融合多种深度学习模型的岩石铸体薄片孔隙自动分割方法

铸体薄片图像孔隙形态复杂多样，常规分割方法存在主观因素影响、效率低等问题，而深度学习方法效果取决于数据量、标注、训练周期等因素。针对这些问题，采用真实的增强型超分辨生成对抗网络（Real-ESRGAN）方法提高铸体薄片图像分辨率，应用图像旋转、比例变换等数据增强算法增加样本的多样性，利用阈值法结合颜色空间转换自动标注铸体薄片中大部分孔隙；在Unet网络编码器部分加入残差网络加深编码器网络深度（R-T-Unet），增强孔隙特征分割能力；引入ImageNet数据集上的ResNet50和ResNet101模型，将其结构作为编码器主干特征分割网络，其模型权重作为预训练权重，提高训练速度。实验结果表明，改进的R-T-Unet 模型优于Unet模型，本方法更适合用于岩石铸体薄片孔隙分割。     

阴极射线管色度转换的神经网络模型

利用神经网络技术实现了从阴极射线管(CRT)的R、G和B空间到CIE的标准色度空间的转换.用拟牛顿法训练网络模型,建立了从CRT的R、G和B到CIE的X、Y和Z色度空间变换的3 10 10 3神经网络模型.采用7点LOG空间分布方案的343个训练样本建模的试验表明,收敛性与训练时间及模型精度均优于前人采用3~4个隐层的方案,343个训练样本、216个检验样本和64组测试样本的平均转换精度分别为0.6个CIELUV色差单位,说明该模型的泛化能力很好.     

神经网络在岩石多角度偏振光谱识别中的应用

依据岩石多角度偏振光谱反射特征数据,运用神经网络方法,对反射特征相近的岩石加以识别.在识别中以不同方位角、反射角及入射角的反射比等参数作为训练样本及测试样本,训练样本经过网络学习、训练得到神经网络模型,测试样本对神经网络模型进行检验,实验证明将神经网络应用于岩石多角度偏振遥感技术是岩石识别的一种切实可行的方法.     

一种优化 BP 神经网络训练样本的方法

BP神经网络训练样本的选取对网络的泛化能力有较大的影响,特别,怎样从高维大样本数据中选取合适训练样本是一个难点。本文运用因子分析法对大样本数据进行预处理,再利用分析所得的公因子进行聚类分析,这样既可以降低指标的维数,也可以减少样本的数量。实验证明,该方法简化了网络结构、加快了网络的收敛速度,对提高网络的泛化能力有一定的帮助。     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.