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FPGA的卷积神经网络训练加速器设计

近年来卷积神经网络在图像分类、图像分割等任务中应用广泛.针对基于FPGA(Field Programmable Gate Array)的卷积神经网络训练加速器中存在的权重梯度计算效率低和加法器占用资源多的问题,设计一款高性能的卷积神经网络训练加速器.首先提出一种卷积单引擎架构,在推理卷积硬件架构的基础上增加额外的自累加...     

一种新广义Preisach迟滞模型及其神经网络辨识

研究压电陶瓷执行器应用于纳米定位系统时,其多值映射的迟滞特性对系统定位控制精度影响.在经典Preisach模型的基础上,引入平均迟滞函数,提出了一种新广义Preisach迟滞模型,并利用神经网络对新广义Preisach模型关键参量辨识.仿真实验表明,利用该迟滞模型对压电陶瓷执行器建模,可以简化建模过程,提高建模精度.     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

一种新型的无搜索求解策略

提出一种基于模糊逻辑和神经网络的专家系统，它是一种集信息表达，生成与求解为一体的新型求解系。本系统的核心－学习推理网，网络的知识表达是分布的，可实现并行推理，不需要进行搜索和匹配。     

BP网络的一种优质高效学习算法

对ＢＰ算法的突出问题———收敛性进行分析,综合汇集了五条改进措施,提出一种新的算法．计算机仿真结果表明,该算法对于连续函数,收敛效果较佳;用于正弦函数,迭代１５次即满足误差精度要求Ｅｍａｘ＝１０－３．     

一种基于深度卷积神经网络的摄像机覆盖质量评价算法

随着视频监控系统的大规模普及,视频监控系统的效用评价成为一个重要的研究课题.当前视频监控系统评价只考虑了摄像机的覆盖率,缺少对摄像机覆盖质量的量化评价.该文提出了一种基于深度卷积神经网络的监控摄像机覆盖质量评价算法.将摄像机覆盖质量评价问题转化为对摄像机所采集视频帧的质量评价问题,探讨了基于视频帧的摄像机覆盖质量等级的分级策略,标注了一个摄像机视频帧质量等级数据集; 设计了一种新颖的多维标签赋值方法,利用深度卷积网络学习鲁棒的视频帧表示,进一步基于支持向量回归机(SVR)学习视频质量回归函数,从而实现对摄像机覆盖质量的鲁棒估计.实验结果表明:该算法能够准确地对监控摄像机的覆盖质量进行自动评测,有效监测了摄像机监控质量的实时变化.     

基于神经网络的Q学习在Khepera Ⅱ机器人避障中的应用

为了提高移动机器人的自主学习能力,在传统的机器人行为控制结构基础上设计了智能控制结构,同时引入了基于神经网络的Q学习模块算法,克服了传统算法只能应用到离散状态中的不足.移动机器人的避障实验结果表明,该方法能够使移动机器人通过自学习实现自主避障.     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．