利用RBF神经网络实现聚合反应的内模控制

文中研究基于径向基(RBF)神经网络算法的内模控制策略在苯乙烯本体聚合反应相对分子质量分布控制领域的应用。利用神经网络对非线性系统的逼近能力，把内模控制推广到聚合反应过程质量指标控制这一非线性系统中。针对建模过程中存在的稳态误差，在训练数据中增加了部分静态数据，有效的提高了模型的验证精度，大大改善了由神经网络构成的内模控制器的控制精度，消除了系统余差。仿真结果证明，基于神经网络算法的内模控制策略达到了较好的控制质量。     

超声CT法无损测温

本文研究了测温用的超声ＣＴ算法，分析了测量精度和时间，运用两种迭代法讨论了声波受到人体内骨骼、空气阻碍时，投影数据缺损情况下的超声ＣＴ重建算法。文中还进一步研究了超声衍射ＣＴ；在卷积－反传播法的基础上，提出一种新的投影数据缺损时超声衍射ＣＴ算法，并给出了计算机仿真的结果。     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

基于BP神经网络的数控机床综合误差补偿方法

针对多轴数控机床热影响导致的加工精度衰减问题,结合神经网络自学习与数据拟合能力,提出基于优化BP神经网络的多轴数控机床综合误差补偿方法。针对BP神经网络神经元误差曲面下降缓慢影响收敛效率的问题,引入陡度因子和放大因子,并基于此对数控机床运动轴加工精度进行预测和补偿。将大型A/B双摆角龙门数控铣床各关键发热源的温度检测数据和运动轴误差检测数据作为精度预测模型的输入量和输出量,采用改进后的BP神经网络进行训练,获得温度变化与位移误差量之间的非线性映射关系,并据此修改被加工工件的刀位数据文件,实现数控机床加工精度的提高。模拟算例和实验结果表明,该方法降低了传统BP神经网络的预测误差和运算时间,对机床平均误差补偿率达到50%以上。开发的数控机床误差补偿系统无须对现有机床进行大规模硬件改造,应用简便易于推广。     

飞机多学科设计优化中改进的径向基神经网络法

用径向基神经网络方法构造近似模型常常难以满足精度要求,提出了一种把二次响应面与径向基神经网络相结合的算法。该方法在样本点相同的情况下减小了近似模型的推广误差,提高了近似精度,增加了适应性。通过2个算例表明该算法提高了近似模型的精度,可在多学科设计优化中提高设计效率和质量。     

基于遗传神经网络算法的海面风速反演新方法

针对海面运动的复杂性、海面电磁散射理论模型的局限性以及利用SAR图像反演海面风速存在的非线性现象,基于遗传神经网络的方法,以业务化的CMOD4模式函数数据为基础,采用Fletcher-Reeves算法的变梯度反向传播算法,建立一种SAR风速反演的新模型。试验结果表明,利用遗传神经网络方法反演海面风速是可行的,当随机误差小于10%时,模型的抗噪能力较强,风速反演的精度较为理想。比较不同风速下的反演结果可以发现,在中、小风速的情况下,模型的抗噪能力较强,模型学习拟合和预测检验的精度相对较高;在大风速的情况下,模型的反演能力有待于进一步提高。     

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征.将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测.     

粗糙集CMAC神经网络故障诊断策略

提出一种基于粗糙集CMAC神经网络的智能互补融合的诊断策略．该策略利用粗糙集理论对数据样本进行数据浓缩．提取初步的诊断规则．对初步的诊断规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立故障状态空间到诊断空间的精确映射．大大提高了神经网络的收敛速度和逼近精度．将该神经网络应用于的变压器故障诊断实例．结果表明．该神经网络具有分类逼近能力强．计算量小等优点．诊断正确率比普通神经网络的诊断正确率高．     

基于特征矢量输入的神经网络测向方法

提出了一种新的基于特征矢量的采集输入数据方法，经该方法训练的径向基函数神经网络（RBFNN）可用于码多分址（CDMA）系统中多源信号波达角（DOA）的估计。该方法对信道噪声不敏感，能以较少的训练样本就可得到推广能力较好的神经网络。仿真结果表明，以新方法训练的RBFNN对多源信号DOA估计精度较高，实时性好，适用于CDMA通信系统的高分辨率测向。     

基于智能蚂蚁算法的脱硫静态模型优化

为了自动寻找脱硫过程的规律和知识,对脱硫过程进行决策支持,采用RBF神经网络作为建模工具,针对建模过程中出现的RBF中心和宽度难以确定的难点,在分析蚂蚁算法机理的基础上,提出了使用智能蚂蚁算法对RBF神经网络模型的中心和宽度进行自适应选择,从而达到模型训练精度和范化能力的一个最优的平衡,进而提高模型的预报精度;在分析脱硫工艺原理的基础上,通过有效的数据预处理,最后进行仿真分析,其模型的预报精度好于传统脱硫静态模型,具有一定的实用性和推广价值。     

基于ELM神经网络的FAST节点位移预测研究

针对ELM神经网络隐含层节点数目需要人工设定,容易出现过拟合现象从而导致网络的泛化能力降低的问题,引出了基于误差最小化的ELM神经网络的改进方法 EM_ELM算法,并在理论上论证了EM_ELM算法对于提高ELM神经网络预测精度和泛化能力的可行性.随后将EM_ELM算法应用到FAST节点位移的预测模型中,并且进行了仿真验证.仿真结果表明虽然EM_ELM神经网络在训练时间上有了一定的损失,但是仍能满足实时性的要求,而且它的预测精度和泛化能力都得到提升,证明了改进算法的有效性与可行性,进一步说明了EM_ELM神经网络更适合应用于FAST节点位移预测.     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于XGBoost-神经网络的建筑负荷预测模型构建

针对建筑负荷预测模型特征选择工作量大、泛化能力提升难的问题，提出一种基于XGBoost-神经网络的建筑负荷特征筛选及预测方法，利用XGBoost算法训练滤波处理后的数据，基于平均绝对误差百分比MAPE确定最优特征子集，以改善模型精度和泛化能力；采用贝叶斯正则化算法训练前馈神经网络，以便能够在训练优化过程中降低网络结构复杂性，从而避免网络过拟合，进一步提升其泛化能力。针对某商业建筑的负荷预测实验结果表明，特征筛选后较筛选前模型MSE降低43.29%，有效提高了模型预测精度；分别以贝叶斯正则化和L-M算法对神经网络进行训练，前者5次试验RMSE和MAPE平均值较后者分别降低87.08%、85.33%，预测模型泛化能力得到有效提升。     

基于聚类集成的网络入侵检测算法

为了进一步提高网络入侵检测的效果,提出一种基于聚类集成的入侵检测算法。首先利用Bagging算法从训练集中生成多个训练子集。然后调用模糊C均值聚类算法训练并生产多个基本聚类器。然后利用信息论构造适应度函数。采用粒子群算法从上述聚类集体中获得一个具有最优性能的集成聚类器。仿真实验结果表明,该算法能有效的提高入侵检测的精度,具有较高的泛化性和和稳定性。     

基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

一种改进的SVM多类分类算法在入侵检测中的应用

入侵检测作为网络安全的关键技术,成为了当前网络安全研究的热点,入侵检测算法的准确率和推广性能是研究的重点。基于二叉树的思想和超球支持向量机的特点,本文提出了一种改进的SVM多类分类入侵检测算法。本文通过引入相似度函数作为权值,选取相似性最小的两类样本构造两类分类器,采用自下而上的方法构造多个两类超球SVM分类器,并将该多类分类算法应用于入侵检测中。利用KDD CUP 1999入侵检测数据进行了仿真实验,实验结果表明,该算法能有效提高检测准确率、推广性能也得到较好改善。     

基于量子差分进化算法的神经网络优化方法

一般的神经网络的结构是固定的,在实际应用中容易造成冗余连接和高计算成本。该文采用了协同量子差分进化算法(cooperative quantum differential evolution algo-rithm,CQGADE)以同时优化神经网络的结构和参数,即采用量子遗传算法(quantum genetic algorithm,QGA)来优化神经网络的结构和隐层节点数,采用差分算法来优化神经网络的权值。训练后的神经网络的连接开关能有效删除冗余连接,算法的量子概率幅编码和协同机制可以提高神经网络的学习效率、逼近精度和泛化能力。仿真实验结果表明:用训练后的神经网络预测太阳黑子和蒸汽透平流量具有更好的预测精度和鲁棒性。     

基于互信息和随机森林的混合变量选择算法

针对单一变量选择算法中模型分类精度和泛化能力较低的问题,提出一种混合变量选择算法.该算法分为两个阶段:过滤阶段,利用互信息快速排除一部分无关变量,降低样本空间的维数;封装阶段,在置换理论框架下,利用随机森林精选剩余变量.实验结果表明,该算法与对比算法相比具有更高的分类精度和泛化能力.     

跨越-侧抑制神经网络分析及其应用

针对神经网络的结构设计,根据仿生学原理提出一种跨越-侧抑制神经网络(S-LINN).该多层网络结构引入了层内中间抑制神经元的侧向连接以及神经元在多个层内进行的信息传递.通过分析网络的逼近能力证明网络的学习能力,设计基于误差反向传播思想的梯度下降学习算法.通过鲍鱼年龄预测回归问题的仿真实验表明,S-LINN在处理实际回归问题时,不但能够保证较高训练精度,同时可获得更强的泛化能力.