基于结构自适应模糊神经网络的前列腺癌诊断方法

前列腺癌是近年来严重危害男性健康的疾病.利用模糊神经网络方法可以实现前列腺癌诊断,并将诊断模型表示为模糊规则集合.针对模糊神经网络所提取规则解释性差的问题,提出结构自适应模糊神经网络方法,通过改进损失函数,在训练中控制相似隶属度函数的合并,实现模糊神经网络模型结构自适应调整,减少模糊规则数量,在保证诊断准确性情况下,提取出容易理解的可解释性规则.同时该方法在模型的训练过程中引入粒子群优化(PSO)算法进行结构和参数学习,有效减少计算量,提高训练效率.最后,使用临床医学科学数据中心提供的前列腺疾病检查数据进行数值实验,验证了所提出方法在前列腺癌诊断和可解释性规则提取中的有效性.     

基于季节调整和BP神经网络的月度负荷预测

月度电力负荷序列中离群值及节假日因素会影响月度负荷预测的准确性.为此,提出了基于季节调整方法和BP神经网络的月度电力负荷组合预测模型.首先,利用季节调整方法对原始负荷序列进行预处理,消除离群值和春节假日的影响;然后用BP神经网络对回归残差序列建模预测得到预测结果或对季节调整后序列和季节成分序列分别建模预测,并对分量预测结果重构后得到最终预测结果的方法.通过实例对预测效果进行检验,结果表明提出的预测方法的预测表现要优于BP神经网络,SARIMA,支持向量机等模型,可以获得更高的预测精度.     

考虑线下零售商服务成本差异的BOPS渠道整合北大核心CSCD

从线下零售商服务成本差异化的角度出发,研究现实中单位补偿和销量计入线下两类BOPS(buy-online-andpick-up-in-store)线上线下渠道整合问题.构建并求解制造商实施BOPS单位补偿和BOPS销量计入线下两类渠道整合模型,分析BOPS类消费者比例和服务成本差异程度对供应链利润及成员决策的影响,最后用数值分析验证并拓展结论.结果表明:欲实现供应链利润最优,企业须根据具体市场情形选择合适的整合策略,当市场中BOPS消费者很少时,对服务成本一致性高的行业如书籍、零食采取销量计入线下供应链更优,而对服务成本一致性较低的行业如眼镜、大型家具则单位补偿更优;同时,线下零售商可通过调整其对BOPS类、传统类消费者间的服务水平差异程度使供应链获利更多.     

园林照明对窄叶石楠光合指标的影响

为得出园林照明对园林植物光合指标的影响,对园林植物窄叶石楠(Photiniaserrulata)进行5种不同光谱的发光二极管(LED)照射,每种光谱设置3级光照强度,并测量植物净光合速率及植物光合有效辐射.结果表明:相同光照强度,天然光照下植物的光合有效辐射最高;人工光源照射下,窄叶石楠净光合速率随光照强度升高而升高;绿光LED(530nm)照射,植物的光合有效辐射随光照强度增高,但净光合速率始终为负.     

H型钢梁与矩形钢管柱端板单向螺栓连接节点

进行了6组平齐式、外伸式端板单向螺栓连接节点试验,并在现有研究成果的基础上,分别推导了单向螺栓抗拉刚度、受拉端板抗弯刚度、柱壁抗拉刚度、柱壁抗压刚度和受压外伸式端板抗压刚度的计算式.利用组件法推导了平齐式、外伸式连接节点在弯矩作用下初始转动刚度的理论计算公式.结果表明：给出的节点初始转动刚度的计算式与试验结果吻合较好,精度可满足工程设计的要求.最后,提出了H型钢梁与矩形钢管(RHS)柱端板单向螺栓连接节点的设计建议.     

基于深度CRF模型的图像语义分割方法

从图像中提取多种特征向量堆叠为一个高维特征向量用于图像语义分割,会导致部分特征向量的分类能力减弱或丢失。针对此问题,提出了一种结合深度卷积神经网络AlexNet和条件随机场的图像语义分割方法。利用预训练好的AlexNet模型提取图像特征,再通过条件随机场对多特征及上下文信息的有效利用来实现图像的语义分割。与利用传统经典特征的方法进行对比,实验结果表明:在利用AlexNet模型提取特征进行图像语义分割时,Conv5层为最有效的特征提取层,在Stanford background和Weizmann horse数据集下的识别准确率分别为81.0%和91.7%,均高于其他2种对比方法,说明AlexNet可以提取更有效的特征,得到更高的语义分割精度。     

基于堆叠自编码器神经网络的复合电磁检测铁磁性双层套管腐蚀缺陷分类识别方法

铁磁性双层套管长期服役于恶劣的工作环境,极易出现腐蚀缺陷,定期为服役中的双层套管进行在线检测十分必要,而对管壁腐蚀缺陷位置的分类识别是管道定量检测与维修的前提和基础,实时准确的套管腐蚀缺陷分类识别能力是决定管道在线检测效率的重要因素。针对这一情况,将脉冲远场涡流和脉冲涡流技术相结合,提出了基于堆叠自编码器神经网络的分类方法。通过仿真和实验选取合适特征量作为输入层,实现了内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类,实验整体预判精度可达97.5%,结果表明该方法可对双层套管腐蚀缺陷缺陷实施高效、高精度分类识别。     

基于时域模糊决策融合的雷达工作模式识别方法

在雷达工作模式识别中,侦察设备对雷达信号参数的测量误差严重影响了识别效果,针对这一问题文中提出时域模糊决策融合(TFDF)的雷达工作模式识别方法。首先分析了雷达脉冲组特征,在脉冲组层次提取雷达信号的脉冲组描述字(PGDW);然后基于联合隶属度函数改进传统的神经网络硬判决方式,实现雷达信号识别的模糊决策;最后运用DS证据理论将多个时刻的模糊决策融合,从而完成雷达工作模式的最终识别。基于时域模糊决策融合的识别方法可以有效改善参数测量误差对工作模式识别效果的影响。仿真结果以及对比实验表明,文中所提算法具有更好的抗噪性能,在雷达信号的参数测量误差为15%时仍具有90%以上的识别率。     

基于均匀设计和BP神经网络的花生油SFE-CO2萃取预测

利用均匀设计和BP神经网络相结合的方法,研究了SFE-CO₂萃取花生油工艺。以半烘烤并粉碎之后的花生为原料,针对萃取压力、温度、时间和CO₂流量4个因素,每个因素10个水平安排实验,利用均匀设计的实验数据作为网络训练样本,构造花生油SFE-CO₂萃取的BP神经网络预测模型,对萃取过程进行预测,分析各实验因素与出油率之间的关系,确定较优的工艺条件。最后确定4-9-1的BP神经网络模型,利用该模型所得出油率的预测值与实验值相接近,相对误差(绝对值)小于2%;构造的BP神经网络模型能较好地预测萃取过程中各参数影响下花生出油率的变化趋势。结果显示,当萃取压力30MPa,温度40.5℃,时间125min,CO₂流量187L/(h·kg)时花生出油率可达期望值47.5%。该方法为实现预测与控制SFE-CO₂萃取花生油过程奠定了可靠的理论基础。     

基于多尺度卷积神经网络的交通标志识别

针对自然场景中交通标志识别问题涉及的识别准确率和实时性改善需求,提出了一种改进的基于多尺度卷积神经网络(CNN)的交通标志识别算法.首先,通过图像增强方法比选实验,采用限制对比度自适应直方图均衡化方法作为图像预处理方法,以改善图像质量.然后,提出一种多尺度CNN模型,用于提取交通标志图像的全局特征和局部特征.进而,将组合后的多尺度特征送入全连接SoftMax分类器,实现交通标志识别.采用德国交通标志基准数据库(GTSRB)测试了所提算法的有效性,测试结果表明,算法在GTSRB基准数据集上获得98.82%的识别准确率以及每幅图像0.1ms的识别速度,本文算法具有一定的先进性.