人工神经网络紫外分光光度法同时测定苯和甲苯

应用三层ANN_BP网络解析苯和甲苯的吸收光谱 ,不经分离 ,用紫外分光光度法同时测定苯和甲苯 .使用改进的BP算法 ,避免了神经网络学习过程中可能产生的麻痹现象 ,提出了目标向量的简单变换方法及便于网络参数选择的收敛评价函数 .实验验证了方法的有效性 ,同时表明 ,苯在 0 - 72 0mg/L和甲苯在 0 - 84 0mg/L范围内服从比尔定律     

神经网络自适应控制器设计

对前馈神经网络用于动态系统的辨识、自适应控制进行了分析和数学推导，给出了自适应神经网络控制器的设计方法．最后通过仿真实例进行了说明．     

Artificial Neural Network for Combining Forecasts

ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＣｏｍｂｉｎｉｎｇＦｏｒｅｃａｓｔｓ￥ＳｈａｎｍｉｎｇＳｈｉ，ＬｉＤ．Ｘｕ＆ＢａｏＬｉｕ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＵｎｉｖｅｒｓｉｔｙｏｆＣｏｌｏｒａｄｏａｔＢｏｕｌ...     

统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

应用测力—落刀装置对积屑瘤、鳞刺的研究

本文研制了一种测力—落刀装置,对积屑瘤和鳞剌的某些问题进行了试验研究。结果表明:在积屑瘤存在的区域内,由于刀具实际前角的增加,以及切屑与积屑瘤的接触长度小于自然接触长度,从而导致了切削力的降低。积屑瘤不是整体稳定不变的,也不是高频地整体脱落后再重新生长。而是基体比较稳定,头部产生高频的分裂、成长,其分裂的部分留在工件表面成为鳞剌,同时,引起了切削力的较大波动。切削力动态分量越大,相应的鳞剌高度越高。     

双轴等拉低周疲劳实验装置

本文给出能在一般单向加载液压疲劳试验机上做双轴等拉低周疲劳实验研究的双向拉伸装置,并对有关影响因素进行了讨论。 本试验是在百吨液压低周疲劳试验机上进行的。双向拉体装置已经受近百万次疲劳载荷,其中交变载荷幅围5.5,t亦经受近20万次。在使用过程,各构件完好合手使用要求,将十字试样进行低周疲劳断裂试验,成功地开出合格裂纹,用它进行超速条件下叶轮材料性能研究亦取得初步结果。可以认为它适用于平而应力集中问题低周疲劳性能的研究。若使用液压高、中周疲劳试验机,它还可用于双轴载荷下裂纹试样裂纹扩展的研究。 本文指出了双向拉伸装置有待改进的方面。     

基于自注意力机制的新生儿胆道闭锁识别

新生儿胆道闭锁是新生儿常见的致命疾病之一,并且该病在亚洲的发病率高于世界其他地区.新生儿胆道闭锁需要及时发现及时治疗,然而由于缺少专业的儿科医生和辅助诊疗手段,新生儿父母往往不能及时发现而错过了最佳治疗时间.因此,本文开发了一个具有实际应用价值的预诊算法,通过新生儿粪便图片预测新生儿是否患有新生儿胆道闭锁,并提醒新生儿父母及时就诊.为了让算法在应用场景下识别率更高,本文的算法基于一个真实场景下拍摄的新生儿粪图片数据集开发.首先我们设计了一个自注意力网络模型BANet(Biliary Atresia Network),将图片的浅层特征和深层特征相结合,可以得到更好的分类效果.由于拍摄自应用场景下的图片存在过暗和过曝等问题.通过分析数据集的亮度分布,我们设计了一个自动亮度调节算法解决.此外,图片中的阴影也会对识别结果造成干扰,因此我们在训练阶段增加了一种阴影数据增强方式来缓解这一问题.为验证本文提出算法的有效性,本文设计了一个和医生的对比试验.结果证明BANet在四分类的识别率、二分类的识别率、特异性和敏感性等客观评价指标上占有明显优势.本文提出的BANet能够有效利用图片中的颜色、异常点...     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

增强型注意力网络点击通过率预估方法

针对以往模型在对点击通过率(click-through rate,CTR)进行建模预测时,存在着特征重要性学习不足、特征交互低效等问题,提出了一种增强型注意力网络预估模型,用于动态学习特征重要性和特征交互信息,模型主要由注意力层、双线性交互层和全连接神经网络层构成。注意力层的多尺度多头自注意力机制通过设置不同尺寸子空间增强特征重要性学习能力,在得到特征重要性后,进一步采用张量积双线性交互学习特征交互信息。通过对注意力的子空间尺寸大小、张量积交互形式、神经网络层数和节点个数等进行定量分析,确定模型的最佳参数。实验证明,该模型相比已有模型拥有更好的预测能力。