基于BOLL通道法的结构监测数据识别处理方法

在大跨度结构非均匀温度场的监测数据处理中常常需要处理温度数据,但是传统的温度识别处理方法在处理非均匀温度场数据时过于粗糙,无法较好的保留温度场的数据细节。因此本文通过BOLL通道法巧妙引入第三方数据与原始数据构建上下轨线,求取偏离值得到改进BOLL通道法完成对相关的非均匀温度场异常温度识别处理。同时对比了移动平均线法和三西格玛准则在数据识别处理的优劣。研究结果表明：改进型BOLL通道法在识别处理非均匀温度场方面具有独特的区域自适应性,在识别异常温度值的同时较好保留了非均匀温度场研究的突变温度细节,并且处理漂移温度数据和跳点温度数据的效果优于移动平均线法和三西格玛准则。     

基于Bi-BPNNs的船舶轨迹修复模型

为了解决船舶轨迹数据的异常和丢失问题,辅助轨迹复原和情景推演,提出一种双向学习模型,用于修复船舶轨迹.从AIS(Automatic Identification System)报文中提取航行船舶的上下文轨迹特征向量,改进基础BP(Back Propagation)神经网络的拓扑结构,构建具有双向预测功能的BP神经网络(Bi-BPNNs)模型,修复缺失的轨迹数据.使用长江干线航行船舶的真实轨迹数据对构建的模型进行验证和分析,通过与基础BP网络和常用线性插值方法的对比,证明Bi-BPNNs模型在船舶轨迹修复上具有更好的性能和效果.     

考虑网联汽车信息安全的交通流短时预测方法

针对智能网联汽车因网络攻击或干扰造成的信息安全及数据缺失问题,提出一种基于数据补全的交通流状态短时预测方法。首先,基于边缘计算任务卸载模型,对智能网联汽车V2X通信过程的异常数据动态辨识;其次,提出一种具有数据补全机制的图嵌入长短期神经网络模型,实现网联汽车缺失数据补全;再次,通过补全后的完整数据集构建神经网络模型,完成短时交通流状态预测;最后,选取北京市典型路段进行实验验证。结果表明,该模型应用后交通流状态短时预测效果显著提高,与其他方法相比预测误差最大降低87.4%,预测效果与实际交通流状态相比准确率达到95％,为智能网联环境下车辆信息安全与交通资源动态优化提供理论支持和技术方案。     

深度学习下面部缺失图像自动补全方法

考虑到传统方法在补全面部缺失图像时存在补全比例低的问题，提出了基于深度学习的面部缺失图像自动补全方法研究。利用面部缺失图像的尺度空间，计算了面部缺失图像在时间梯度上的均值。利用深度学习算法学习面部缺失图像的类别，得到面部缺失图像的像素值。通过确定面部缺失图像的像素类别，利用深度学习算法增强处理了面部缺失图像的细节分量，完成面部缺失图像的识别。通过修复面部缺失图像的遮挡部分，优化面部图像的真实性，将相似性损失计算结果作为深度学习算法的算子，提取出面部缺失图像的特征。结合面部缺失图像自动补全算法设计，实现了面部缺失图像的自动补全。试验结果表明，在不同的缺失比例下，基于深度学习的面部缺失图像自动补全方法可以提高面部缺失图像的补全比例，具有更好的补全效果。     

基于Reflected Sigmoid径向基函数插值的温度场重建算法

声学法测温在特殊的温度场环境中有良好的应用,主要是利用有限的超声波传播路径上的飞行时间重构出连续分布的温度场.现有的温度场重建算法中最小二乘法是最常用的方法,但其重建后的温度场会出现边缘信息缺失的现象.针对这一问题,提出在最小二乘法确定温度矩阵的基础上,结合Reflected-Sigmoid函数进行插值,实现了二维平面温度场的无缺失重建.通过两种典型的单峰温度场模型的重建结果及误差分析表明,在补全温度场边缘的条件下,单峰对称温度场的均方根百分误差在1.6%,单峰偏斜温度场的均方根百分误差在3.5%,取得了很好的重建效果.     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

单细胞RNA-seq数据缺失元素补全算法

基于非负矩阵分解模型, 提出一种新的数据补全算法. 该算法通过循环遍历确定最佳构造矩阵和rank值, 解决了单细胞转录组测序(RNA-seq)数据中存在缺失值的问题,  避免了由于单细胞测序深度不足对细胞分型分析的影响. 在慢性粒细胞白血病单细胞测序数据上的实验结果表明, 由补全算法恢复缺失值后的细胞分型更清晰, 验证了该算法的有效性.     

基于改进型BP神经网络的油井产量预测研究

为了保证油田生产持续稳定地发展,针对油田单井产量提出了基于改进型BP神经网络的预测模型。对传统的BP神经网络的结构和训练算法进行了研究,发现它存在易于陷入局部极小,收敛速度慢等问题。提出了使用LM算法的改进型BP神经网络。最后给出了基于改进型BP神经网络的单井产量预测模型仿真实验。结果证明该算法的实用性和可行性,在油井产量预测方面有一定的实用价值。     

基于磁热耦合特性的水轮发电机定子温度预测

为避免水轮发电机运行过程由于定子温度过高产生故障,保障其性能的正常发挥,建立了水轮发电机温度场分布模型,提出了一种温度预测方法。首先,以张河湾抽水蓄能电站的水轮发电机为基础,依据电磁场理论,对发电机在工况下电磁场和定子部分损耗进行分析,建立其三维有限元模型;其次,运用磁热耦合特性计算获得发电机定子温度场分布;再次,采用人工鱼群算法(AFSA)和BP神经网络算法相结合,构造定子绕组和定子顶部的温度预测模型;最后,将仿真结果和监控改造后的实测数据进行对比验证。结果表明,通过人工鱼群算法对BP神经网络优化,提高了定子温度预测模型的精度。本文给出了有限元仿真模型和AFSA-BP温度预测模型,为大功率水轮发电机定子温度故障分析以及电机的设计优化提供了参考。     

对称加权算法对数据矩阵补全的优化研究

数据分析中存在数据集矩阵缺失,可用数据矩阵补全缺失数据元素,高效的补全数据矩阵算法可从算法精度等方面优化提升.为此提出对称加权(SW)算法,首先,根据通用的矩阵补全模型,用正则化方法进行低秩矩阵分解补全;其次,对分解后的矩阵因子用共同的对称矩阵加权,得到新的矩阵补全模型和正则化加权函数;最后,结合块坐标下降和交替最小二乘法优化算法,迭代得到目标函数最优解,获得数据补全的最优补全矩阵.仿真结果表明,与APALM,IRSVF和IRNN算法相比,对称加权算法在数据矩阵补全的精度和算法收敛速度方面均有较好提升.     

基于BP神经网络的电网线损率预测模型分析

为了提高电网线损的预测精度，提出一种基于误差逆传播算法训练的多层前馈（back propagation,BP）神经网络的电网线损率预测模型。通过对BP神经网络模型的结构和学习算法进行分析，提出了线损数据质量校核方法。试验结果表明：此模型可提高预测效果，对于线损异常诊断具有较好的诊断效果。     

基于改进型BP神经网络的无刷直流电机调速系统的应用研究

针对无刷直流电动机的速度问题,提出了一种基于改进型BP神经网络的无刷直流电机调速系统,即利用改进型BP神经网络来优化PID控制器的比例,积分,微分系数。所采用的BP神经网络的学习算法为粒子群算法,可以有效克服标准BP算法一般所存在收敛速度慢、存在局部极小值等问题,从而可以实现对无刷直流电动机的高精度的速度控制。最后,建立了仿真系统,其结果表明该算法效果良好。     

基于深度学习和光场成像的火焰三维温度场重建算法

提出一种基于深度学习和光场成像的火焰三维温度场快速重建算法.该算法利用卷积神经网络对火焰光场图像进行深层特征提取,建立了光场图像与三维温度场之间的映射关系,从而实现火焰三维温度场的快速重建;利用视在光线法构建了火焰光场图像和三维温度场数据集,对卷积神经网络进行训练,利用测试集对训练结果进行了验证和评价,并将卷积神经网络算法与传统非负最小二乘(NNLS)算法的重建结果进行了对比.结果 表明,基于深度学习和光场成像的火焰三维温度场重建算法可准确重建火焰温度场,同时具有较高的计算效率(火焰的网格划分为10×8×15,NNLS算法的重建时间为4759 s,深度学习算法的重建时间为830 μs),平均相对误差为0.14％,且对于图像噪声具有良好的鲁棒性.     

基于BP神经网络的改进型新奇检测技术诊断大跨度拱桥异常状态

为了诊断大跨度拱桥的异常状态,使用了基于BP神经网络的改进型新奇检测技术的方法,该方法通过BP神经网络对大量实测数据进行训练,得到桥梁状态正常时的新奇指标,并确定阈值,通过阈值判定是否发生异常. 经实际分析以及实测数据的验证,该方法可以较准确地识别大型桥梁异常情况,并可以定位异常区域,避免了模型误差的影响,大大提高了方法的实用价值,同时降低了漏警、虚报警,使识别结果更为准确,更符合实际要求.      

基于遗传算法BP神经网络优化IRFPA非均匀性适应校正算法

本文具体研究了红外图像非均匀性校正算法中的基于场景类BP神经网络校正算法。针对BP神经网络算法运算量大、容易进入局部最小值、实时性能差的问题,提出利用遗传算法优化BP神经网络校正过程的算法。     

一种基于LMBP神经网络的图像复原方法

BP(Back-propagating)神经网络在图像处理中主要应用于模糊图像的复原,因为该算法在收敛速度上有一定的局限性,同时比较容易受局部极小值的影响.应用LMBP(LevenbergMarquardt BP)神经网络算法对模糊图像进行复原.这种算法实质上是提取了神经网络的GaussNewton法以及梯度下降法的优势,加速了算法收敛.实验结果表明,基于LMBP神经网络的图像复原方法对模糊图像的修复效果明显,且运行速度快.     

基于样条卡尔曼算法的AIS数据修复

针对船舶自动识别系统（automatic identification system，AIS）的异常数据修复问题，提出一种样条卡尔曼（spline Kalman，SK）算法。该算法根据船舶动力学原理，构建反映运动特征变化约束关系的系统状态转移模型，并以样条插值得到的AIS修复数据作为卡尔曼滤波器的观测数据，进而实现AIS数据的精确修复。采用厦门港及附近水域的历史AIS数据检验SK算法的有效性，检验结果表明:对于低缺失率的AIS数据集，SK算法的修复效果与样条插值算法相近，均优于KNN、RF和SVM算法，但随着AIS数据集缺失率的上升，只有SK算法具有较好的修复稳定性。该研究成果可以更加有效地修复AIS的异常数据，从而为海事大数据分析及相关应用提供良好的数据基础。     

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78％,最小相对误差仅为0.01％.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.     

基于FOA优化BP神经网络的电子商务网站评价研究

为避免传统BP神经网络进行电子商务网站评价存在泛化能力弱、局部最优问题和对评价样本量需求量大的缺点,利用果蝇优化算法的全局寻优能力,提出运用FOA优化BP神经网络的权值和阈值进行电子商务网站评价。结合电子商务网站的特性和各种指标属性,将电子商务评价的20个二级指标作为BP神经网络的输入,在专家评分法的基础上,将专家评分值作为BP神经网络的输出,构建出基于FOA优化BP神经网络的电子商务网站竞争力指数评价的数学模型。选择淘宝网、京东商城、苏宁易购、唯品会等100个电子商务网站在2015年3月~2005年6月的电子商务网站流通数据为研究对象。实验结果表明,在评价效果和评价误差上,FOA-BP算法评价效果明显优于BP神经网络算法,具有评价精度高和误差低的优点,从而验证了FOA-BP进行电子商务网站竞争力指数评价的有效性和可靠性。     

基于PSO-BP神经网络的纱线质量预测

针对复杂纺纱过程中成纱断裂强度难以预测的问题,提出一种基于粒子群优化算法(PSO)优化BP神经网络的成纱断裂强度预测方法.该方法采用PSO优化神经网络的权值和阈值,用来提高神经网络的收敛速度和获得全局最优解的能力.以纺纱车间大量现场质量检测数据为对象,进行预测验证,结果表明,PSO-BP神经网络在预测相关性(预测值与实际值的一致性程度)上与传统BP算法相比提高5.0%,与GA-BP算法相比提高4.6%,在预测精度上均要好于BP神经网络与GABP神经网络.