基于生成型深信度网络的回归算法鲁棒性分析

目前,深度学习在分类问题中取得了很多很好的效果,并开始在部分回归任务得到应用。然而,绝大部分研究重点都集中在相对其他回归算法的预报精度上,而忽视了有实际应用需求的回归算法预报鲁棒性问题。首先基于受限的玻尔兹曼机建立了一个具有3个隐含层的生成型深信度网络多步预测模型;然后,建立了基于单隐含层神经网络、三个隐含层的神经网络以及单核支持向量的典型多步预测模型,并利用4组宁夏地区不同季节的风速数据进行回归算法的稳定性对比实验。实验结果显示,基于受限玻尔兹曼机建立的具有三个隐含层的深信度网络模型的多步预报误差的均值和方差都是最小的。因此,基于生成型深信度网络的回归模型不仅预报精度高,而且此预报算法的鲁棒性也比较好;相对其他三种典型回归算法来说,可以更好地满足风电场风速预报问题的实际工程应用需求。     

基于出动效率最大的离场优化排序

飞机离场优化排序对于缓解跑道拥挤现象、提升作战体系出动效率具有重要意义。针对军航双跑道离场优化排序问题,首先建立了基于飞机在预定空域形成“任务包”时间最小为目标函数的优化排序模型,然后设计了一种基于精英反向学习策略和黏菌觅食行为的改进海洋捕食者算法进行求解,最后通过一个仿真实验,与其他算法的优化结果进行对比,改进的海洋捕食者算法使得“任务包”形成时间明显缩短,有效提升了作战飞机的出动效率,可以应用于解决飞机离场优化排序问题。     

基于文本分类的农业种植信息集成推荐方法研究

目前网络上存在着海量的农业信息,但是对于广大农民来说信息得不到有效的利用,迫切需要对信息进行集成推荐.针对网络上的农业种植方面的文本信息进行了深入研究,该系统首先利用爬虫技术自动地爬取海量农业种植信息,经清洗整理后构建数据集语料库.其次利用机器学习中KNN方法找到每个样本的k近邻对文章进行聚类,通过TF-IDF方法提取出关键词并构造词频矩阵,然后从文本中构建特征向量,进而对相似文档进行分类,最后将加权值经排序后的结果推荐给用户.该系统实现了对农业文本进行准确的自动分类以及自动提取出文章摘要,并对相似文章进行推荐展示的效果.     

应用粒子群算法从已知数据中确定置信测度和似然测度

应用粒子群算法确定置信测度和似然测度,针对2种模糊测度的特点,对基本粒子群算法进行改进.通过与基本粒子群算法和遗传算法的分析和比较,验证了改进算法的有效性和高效性.     

采用双经验回放池的噪声流双延迟深度确定性策略梯度算法

为了进一步提高双延迟深度确定性策略梯度算法(TD3)的网络探索性能和收敛速度,提出一种采用基于多步优先和重抽样优选机制的双经验回放池的噪声流TD3算法。该算法在策略网络中的每一层添加噪声流以增加参数的随机性,并引入多步优先经验回放池,将多个连续样本组成一个基础单元进行存储,训练时通过多步截断双Q处理实现对值函数的有效逼近,同时增加一个经验回放池采用重抽样优选机制来存储学习价值更大的样本,双经验回放池的设置可弥补样本多样性不足的问题。在OpenAI Gym平台的Walker2d-v2场景中进行仿真实验,结果表明,与对比算法相比,本文算法获得的回报值有明显改善,网络收敛速度也大大加快。     

基于混合改进鸟群算法的贝叶斯网络结构学习

针对贝叶斯网络结构学习中寻优效率低下、易陷入局部最优的缺陷,提出了一种基于混合改进鸟群算法的贝叶斯网络结构学习算法.首先,通过互信息约束算法迭代初始网络;其次,改进鸟群算法,在经典鸟群算法中加入自适应惯性权重,随着迭代次数的增加动态调整搜索空间、改变收敛速度;最后,将改进的鸟群算法作为搜索策略,进行贝叶斯网络结构寻优.实验结果表明:改进的算法在寻优过程中不仅有较好的准确率和较快的收敛速度,而且具有良好的全局寻优能力.     

基于多模态深度神经网络的抓取检测方法

针对机器人抓取检测任务中对未知物体抓取检测精度低的问题,本文提出了一种多模态深度神经抓取检测模型。首先,在RGB和深度两个通道中引入残差模块以进一步提升网络的特征提取能力。接着,引入多模态特征融合模块进行特征融合。最终通过全连接层回归融合特征以得到最佳抓取检测结果。实验结果表明,在Cornell抓取数据集上,本文方法的图像拆分检测精度达到95.7%,对象拆分检测精度达到94.6%。此外,本文还通过消融实验证明了引入残差模块可以提高网络抓取检测性能。     

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络（convolutional neural network,CNN）方法在时空特征提取存在不足,提出一种改进的Inception与双向长短期记忆（ bi-directional long short-term memory,BiLSTM）联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。     

基于YOLOv5s-FCS的钢材表面缺陷检测

针对传统钢材表面缺陷检测方法易出现误检、漏检和部分缺陷种类检测精度低等问题,本文设计了一种钢材表面缺陷网络YOLOv5s-FCS。首先本文引用了FReLU激活函数构建了卷积模块CBF,有效增强了网络的空间解析能力,优化了网络检测精度;其次,本文将坐标注意力机制嵌入到网络的neck部分来增强网络特征融合的能力,从而使网络能够提取更加丰富的特征信息;最后,将YOLOv5s的损失函数替换为SIoU loss,提高了预测框的回归精度。通过在NEU-DET数据集上进行消融实验、可视化对比实验,结果表明,YOLOv5s-FCS网络的mAP值达到了0.747,相较于原YOLOv5s网络提高了8.3%,相较于YOLOv3网络提高了11.8%,相较于YOLOXs网络提高了4.2%,相较于YOLOv6s提高了1.4%,验证了该方法的可行性、有效性。     

比例延迟微分方程的极限学习机算法

目的 针对比例延迟微分方程,提出一种基于极限学习机(ELM)算法的单隐藏层前馈神经网络训练方法,并将该方法推广到求解双比例延迟微分系统。方法 首先,构建一个单隐藏层前馈神经网络并随机生成输入权值和隐藏层偏置;然后,通过计算系数矩阵使其满足比例延迟微分方程及其初值条件,将其转化为最小二乘问题,利用摩尔-彭罗斯广义逆解出输出权值;最后,将输出权值代入构建的神经网络便可获得具有较高精度的比例延迟微分方程数值解。结果 通过数值实验与已有方法的结果进行比较,验证了该方法对处理比例延迟微分方程与双比例延迟微分系统的有效性,且随着选取的训练点和隐藏层节点数量增多,所得到的数值解精度和收敛速度也随之增加。结论 ELM算法对处理比例延迟微分方程以及双比例延迟微分系统具有较好的效果。