用人工神经网络定量预测化工基础物性

人工神经网络是人工智能技术的一个分支。本文将人工神经网络技术用于化合物的正常沸点、临界温度和沸点汽化热的定量预测,取得了较好的结果。估算精度好于或相当于文献方法。通过对三种基础物性的试验,表明人工神经网络技术可以用于定量预测,从而为这种技术开辟了一个新的应用领域。     

改进的模糊神经网络学习规则研究

在S Stoeva提出的基于相同样本及网络输出的模糊反向传播算法基础上,通过对基于极大-极小模糊算子的模糊神经元模型的研究,对含有一个隐含层的单输出模糊神经网络,提出了依赖于各模糊神经元输出的调整模糊权值的网络学习算法,该算法具有直观和可操作性强的特点.并以汽轮发电机组的状态监测为例进行仿真,仿真结果表明网络学习效果较好.     

电磁兼容的人工神经网络预测技术分析

电磁兼容预测是实现电子设备或系统电磁兼容性(electromagnetic compatibility,EMC) 的必要步骤.提出了应用人工神经网络对电磁兼容问题进行快速预测的方法.通过选择有效的电磁干扰参数作为输入预测因子,用误差反向传播的神经网络 (back propagation,BP)构造输入预测因子与敏感设备骚扰响应之间的映射关系,并用电磁场数值计算方法获得的训练样本集和测试样本集对构造好的BP网络进行训练,建立了基于BP网络的电磁兼容快速预测模型.最后以导线间的串扰问题为预测算例,表明了该方法的有效性.     

多频无线通信网路由协议

针对多频无线通信网的特点,设计了一种多频无线通信网路由协议(MCWN-RP).协议采用组播扩散机制优化扩散路径,采用非重传确认机制减少报文种类,采用最短路径树构造算法降低扩散内容,采用自适应定时器调整机制减少网络冲突,从而大大降低了协议开销;同时采用差别拓扑更新方式,提高收敛性能.对MCWN-RP进行了协议开销和收敛时间的性能分析,得出协议性能与拓扑更新包大小和协议包发送间隔的关系.OPNET仿真结果表明,与OSPF、OLSR协议相比,MCWN-RP具有非常小的协议开销和较高的收敛性能,是一种高效的动态路由协议.     

基于虚拟力和果蝇优化算法混合控制水声传感器网络部署策略

提出了基于改进的虚拟力和果蝇优化(Virtual Force and Fruit Fly Optimization,VFFO)算法混合控制水声传感器网络部署优化的方法.该方法首先通过虚拟力算法对传感器节点的初始部署进行优化,以得到较好的初始部署状态;然后通过改进的果蝇算法对水声传感器网络进行重部署,同时分析了算法的移动部署能耗问题.仿真结果表明,该算法在相同能耗下能够得到更高的网络有效覆盖率.     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

聚氨酯/环氧树脂互穿网络硬泡循环压缩

制备了聚氨酯(PU)/环氧树脂(ER)互穿聚合物网络硬泡,研究了互穿聚合物网络(IPN)硬泡的化学结构及微观结构形态.傅里叶红外光谱(FTIR)分析表明,IPN硬泡的网络间存在接枝反应.扫描电子显微镜(SEM)分析发现,IPN硬泡泡孔结构形状都比较均一.循环压缩实验研究表明：随循环次数增加,应力下降,单次循环的能量损耗下降;随ER含量增加,IPN硬泡的压缩模量和强度提高,相同应变下应力增加,每次循环耗能增加;循环压缩的加卸载应力 应变曲线可用改进的Ogden模型表示;累积能量损耗可用Weibull方程表示.     

基于BP神经网络的彩色光弹性等色线自动定级法

把人工神经网络与光学彩色信息图像处理技术相结合，根据计算机的特点，选取红绿蓝（RGB）颜色模型，通过BP神经网络建立图像中像素点的RGB值与条纹级数F之间的非线性关系，对彩色光弹性条纹进行了插值，从而实现了等色线条纹的自动定级，用对径受压圆盘问题的理论精确解来检验，表明本方法与传统的分数级条纹补偿法相比，不仅可以实现条纹定级技术的自动化，而且精度较高，对提高三维结构光弹性模型切片的等色线测量精度有实用价值。     

基于卷积神经网络的连续语音识别

在语音识别中,卷积神经网络( convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络( deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸。本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比。在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强。     

基于SBN模型的Internet应用协议识别方法

针对网络流量协议标注比较困难的问题,提出一种基于贝叶斯网络的半监督学习模型,以提高Inter-net协议的识别精度.该模型首先使用少量的标注样本训练贝叶斯网络分类模型,并对未标注样本进行初始分类,然后从未标注样本中挑选分类损失最小的样本加入到训练集中并重复训练分类模型,经过多次循环训练出最终的分类器.该模型可以使用未标注样本和标注样本共同训练分类模型,非常适合于标注比较困难的Internet应用协议的识别.实验结果表明：在标注样本较少的情况下,该模型的识别精度和稳定性均优于朴素贝叶斯模型和贝叶斯网络模型,对于提高Internet协议的识别精度是有效的.