基于预训练模型和多视角循环神经网络的电力文本匹配模型

针对传统方法未能考虑词向量的动态性及句子间交互不充分等问题,提出基于BERT预训练模型及多视角循环神经网络的文本匹配模型。通过BERT-whitening方法对BERT输出的句向量进行线性变换优化,并利用多视角循环神经网络将两句子不同位置的BERT动态词向量进行双向交互计算;将句向量与词粒度交互向量进行融合后计算结果。实验结果表明,提出的模型相较于对比模型有明显性能提升,实用性良好。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

用简单动态递归网构造固体散料流量模型

提出了用简单动态递归网来建立固体散料流量模型，针对动态递归网结构复杂，训练算法收敛速度慢的缺点，采用一种结构十分简单的递归网，对RPE算法进行了改进和补充，使之适用于简单递归网，用来对网络的权值和阈值进行调整，建模结果表明此方法收敛速度快，精度高。     

线性循环数列的通项公式

对一般的线性循环数列进行了讨论，利用特征方程的根给出了一般线性循环数列的通项公式。     

基于递归神经网络的多变量系统预测控制

针对线性PID控制器系数难以整定的问题，构造了一种用神经网络实现的非线性PID控制器．多个具有相同结构的非线性PID控制器并联，对多变量系统实现解耦控制器．结合预测控制的思想，提出两种控制方案．第一种是在递归多步预测的基础上，在广义最小方差目标函数下实现控制，第二种利用多步预测目标函数在线修正解耦控制器的权值．仿真实验表明这两种方法的有效性．     

链形电阻电路的计算

链形电路的电阻，一般都先计算电压、电流。然后计算电阻．而用差分方程来直接计算链形电路的电阻。比较简单．     

回归函数非线性小波估计的优良性

在X服从区间[0,1]上的均匀分布的假设下,证明了回归函数的非线性小波估计中小波系数的无偏性和一致性.并证明了设置二次阈值情况下,小波系数的估计更有效.     

基于对角回归神经网络的转台伺服系统逆控制

针对转台伺服系统中存在的不确定性和非线性因素,提出一种基于对角回归神经网络(diagonal re-current neural network,DRNN)的逆控制方法。逆控制器由对角回归辨识网络(DRNNI)和对角回归控制网络(DRNNC)组成,利用神经网络的逼近能力,在线辨识系统的逆模型,直接将辨识器的拷贝作为系统的控制器。该方法结合了神经网络和逆系统控制的优点,能够克服系统中的不确定性和非线性因素。仿真结果表明,有效提高了转台伺服系统的动态跟踪精度,并具有较好的鲁棒性能。控制器的运算量小,能够满足实时控制要求。     

基于对角递归神经网络的非线性逆动态控制

采用2个对角递归神经网络(DRNN)构成非线性逆动态控制系统，一个用作辨识器，逼近系统的正模型，为逆动态控制提供系统的灵敏度；另一个用作控制器，逼近系统的逆动态模型，再与原系统串联组成伪线性系统．仿真结果表明该控制方法实现了对非线性系统的有效控制。     

机器学习模型在地下水埋深模拟中的适应性分析

基于京津冀气象、社会资料及地下水埋深数据,构建支持向量机(SVM)、循环神经网络(RNN)和长短期记忆神经网络(LSTM)模型对京津冀地区13个城市地下水埋深进行了模拟,并以确定系数、均方根误差、平均绝对百分比误差、纳什系数对3个模型的适应性进行了评价。结果表明：LSTM模型模拟效果最好,其次是RNN,SVM最差;不同城市基于LSTM模型进行地下水埋深模拟时参数调整最少,适应性最好,SVM模型参数调整最多。将3个模型应用于随机选择的6个测站进行验证,在华北地区浅层地下水埋深模拟方面,LSTM模型模拟精度和可信度最好,适应性最强,是该地区地下水埋深模拟的首选机器学习模型。