GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

基于遗传小波神经网络的机器人腕力传感器动态建模研究

提出一种基于改进遗传算法进化小波神经网络用于机器人腕力传感器动态建模的新方法,介绍了该算法原理.该方法利用腕力传感器的动态标定数据,用改进的遗传算法来优化小波神经网络结构和参数,建立腕力传感器的动态模型.结果表明,采用遗传小波神经网络进行腕力传感器动态建模,能克服误差反向传播算法存在易陷入局部极小点的缺点,网络的复杂度、收敛性和泛化能力得到了好的综合,建模的速度和精度得到提高. 关键词： 腕力传感器 动态建模 小波神经网络 遗传算法     

基于遗传神经网络的多光谱辐射测温法

针对BP神经网络易陷入局部极小等缺陷,将遗传算法(GA)与神经网络相结合,提出了一种将GA-BP算法应用于多光谱辐射测温的数据处理方法,并对基于亮度温度模型的多光谱辐射测温数据进行了仿真实验。结果表明：已训练样本的真实温度识别精度,GA-BP算法为±5 K,BP神经网络为±10 K;未训练样本的真实温度识别精度,GA-BP算法为±10 K,BP神经网络为±20 K;无论是GA-BP算法还是BP神经网络,已训练样本的真实温度识别精度比未训练样本的真实温度识别精度都更精确些,靠近训练样本集边缘的样本真实温度的识别精度偏低。说明GA-BP算法比BP神经网络可以更好地解决了目标真实温度的测量问题。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

基于遗传算法的苹果糖度近红外光谱分析

遗传算法(GA)应用在偏最小二乘法(PLS)校正模型的波段优化选择中具有显著的效果。将遗传算法用于波段选择, 能更快达到最优解, 有效提高测量精度,减少建模所用变量。文章研究了在近红外苹果糖度无损检测中,遗传算法作为模块进行波段选择,建立了GA-PLS模型;为了说明遗传算法优选波段可行性,另外建立了全谱和经验谱区的PLS定量模型,并评价了模型的稳健性。首先对傅里叶变换近红外光谱进行多元散射校正、Savitky-Golay卷积平滑后,用遗传算法优选波段(R-SGA),参与建模数据点从原始1 550减少到434个。然后采用一阶导数光谱建立GA-PLS模型,相比全谱PLS(1 550个数据点)和经验谱区PLS(717个数据点)模型具有更高的预测精度,其建模结果为R_C=0.966,RMSEC=0.469,R_P=0.954,RMSEP=0.797。结果表明, 遗传算法可用于PLS法建立苹果糖度校正模型前的数据优化筛选, 有效提高测量精度, 并减少建模变量。     

可见光-近红外光谱的低品位斑岩型铜矿反演模型

目前,国内外铜矿品位分析多以化学分析法为主,但由于化学分析法存在成本高、时间长和污染物残留等缺点,其相对配矿流程存在严重的滞后效应,致使尾矿铜含量过高,必然造成资源浪费。开展斑岩型铜矿可见光-近红外光谱特征与建模研究是解决这一问题的有效途径。以121个乌山斑岩型铜矿的化学分析与光谱测试数据为数据源,分析了斑岩型铜矿可见光-近红外光谱特征,以主成分分析法(PCA)、局部线性嵌入算法(LLE)两种降维算法对原始光谱数据进行了处理,所降维数分别为3维和5维,同时利用遗传算法(GA)对原始光谱数据进行了波段选择,共选取了467个最佳波段。然后以BP神经网络为建模方法,并分别以92个和29个斑岩型铜矿可见光-近红外光谱数据作为建模样本和测试样本,建立了斑岩型铜矿可见光-近红外光谱的定量反演模型。利用原始数据所建模型的品位反演平均绝对误差为0.104%,利用主成分分析法、局部线性嵌入算法、遗传算法处理后的数据所建模型品位反演平均绝对误差分别为0.110%, 0.093%和0.045%,由此可见,利用主成分分析法处理后的数据所建模型品位反演精度较差,利用局部线性嵌入算法处理后的数据所建模型品位反演精度略有提高,而利用遗传算法处理后的数据所建模型品位反演精度有明显提高。研究结果表明,基于低品位斑岩型铜矿可见光-近红外光谱数据反演模型的品位分析具有一定的可行性,为我国低品位斑岩型铜矿的品位快速检测提供了一种有效的手段。     

基于神经网络的翼型气动力计算和反设计方法

开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.      

用改进的遗传算法和高斯牛顿法联合反演三维地下水流模型参数

遗传算法在处理非线性优化问题时具有较好的全局搜索性能,但在局部搜索时搜索效率不高,解的精度亦不高,高斯牛顿法在处理非线性优化问题时的性质正好和遗传算法相反,利用遗传算法和高斯牛顿法的优点,用改进的遗传算法和高斯牛顿法联合反演地下水数值模型参数.首先用遗传算法求出地下水模型参数的初值,然后利用这组初值用高斯牛顿法进行数值模型参数的反演,并以一非均质各向同性三维承压非稳定流理想模型为例,结合有限元法讨论了用遗传算法和高斯牛顿法联合反演地下水数值模型参数的过程.计算结果表明,联合参数反演方法,具有收敛速度快、解的精度高的特点,在地下水渗流和水资源评价等领域可广泛应用.     

在轨空间目标光学特性宏观表征模型的反演重构

为了在天基远距离条件下反演三轴稳定空间目标表面的光学特性参数,提出了基于可见光时序光度信号分析的光学特性宏观表征模型的反演重构方法.首先,综合考虑空间目标的结构特性、表面材料特性、帆板的对日指向运动特性、光照观测几何以及光学系统特性,完善了面向在轨观测的空间目标可见光时序光度建模方法;其次,将光度模型等效为双面模型,并利用双向反射分布函数(BRDF)的多级融合模型表征复杂材料表面的光学反射特性,将BRDF对应的面积反射率乘积作为待反演参数;最后,以时序光度信号的测量值与模型值之间的差异最小为优化目标,建立线性优化方法,实现模型参数的反演.仿真实验表明,提出的模型在轨重构方法对于近轨观测条件下的本体、帆板信号的重构精度达到97%以上,验证了方法的正确性.     

基于光谱技术的芒果糖度酸度无损检测方法研究

提出了一种用近红外光谱技术结合遗传算法和人工神经网络模型的芒果糖度酸度快速无损检测的新方法。首先用偏最小二乘法计算芒果糖度酸度光谱数据的主成分得分值,以此获取芒果的近红外指纹图谱,再结合遗传算法优化人工神经网络技术(GA-BP)进行检测。PLS分析表明,主因子选取18时对糖度具有较好的聚类作用,而主因子数17个时对酸度的聚类效果好。选取最佳主因子作为芒果糖度酸度的神经网络的输入,建立三层GA-BP人工神经网络模型。用135个芒果样本的糖度酸度用来建立遗传算法优化神经网络的芒果糖度酸度检测模型,对未知的45个芒果样本进行糖度酸度的预测。结果表明,提出的遗传算法和人工神经网络模型相结合的光谱分析方法具有很好的预测能力,为芒果糖度酸度检测方法提供了一种新方法。     

尖楔前体飞行器FADS系统的径向基网络建模及验证

文章研究了针对一种用于尖楔外形的嵌入式大气数据传感（flush air data sensing，FADS）系统的解算模型及精度.首先基于飞行包络及CFD数据建立了FADS系统的测压孔选取标准；然后基于径向基函数（radial basis function，RBF）的人工神经网络建模技术构建了FADS系统的网络解算模型；最后给出了模型的测试误差，分析了气动延时效应、位置误差等误差源模型对算法精度的影响，并给出了网络模型的预测精度.结果表明，针对尖楔外形测压孔配置特征，基于RBF的人工神经网络算法解算精度较好，攻角、侧滑角、Mach数及静压的网络输出预测值与真实值吻合较好，输出的测试误差（绝对值）分别小于0.25°，0.5°，0.05及250 Pa.结果同时表明神经网络建模技术在尖楔前体飞行器FADS系统中的有效性.      

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

基于时间透镜原理实现微波信号时间反演

时间反演电磁学是一门新兴学科. 高效的电磁时间反演信号获取方式是时间反演技术获得应用的关键. 本文研究了一种基于时域成像原理获得时间反演微波信号的方法. 首先根据时间透镜原理, 推导出了实现波形时间反演的条件, 并对波形反演的过程进行了数值仿真. 然后设计了两种满足反演条件的啁啾电磁带隙结构来构造色散信道, 并通过实验得到了一个时隙长度为1.5 ns的时间反演信号. 由于啁啾电磁带隙结构与理想色散信道的差异, 实验结果中存在波形失真. 文章最后对造成失真的原因进行了分析.     

卷积神经网络模型的遥感反演水质参数COD

化学需氧量(COD)是水体污染监测的常用水质指标之一,传统采集手段耗时耗力;利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况,对于水污染治理和水环境保护具有重要意义。目前利用多光谱遥感数据反演COD浓度精度较低,主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法,对于多光谱遥感数据而言,其光谱波段范围较宽,波段的组合数量有限,难以找到有效的变量作为建模变量。针对这一问题,以郑州市天德湖为例,基于Planet多光谱高分辨率遥感影像,对遥感影像进行预处理和分析水样的高光谱数据,利用卷积神经网络对天德湖COD浓度进行反演;同时选取单变量回归模型、多变量回归模型进行精度对比。主要研究结论有：(1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式,卷积神经网络反演具有更高的空间反演精度,其决定系数为0.89, RMSE为2.22 mg·L^-1,这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征,而且能够提取目标像元周围的领域空间信息,学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”,可以在一定程度上...     

关节臂式坐标测量机空间误差建模

关节臂式坐标测量机误差源多且复杂,其测量空间的误差存在不确定性,为了准确快速的得到关节臂式坐标测量机测量空间中的误差,利用标准锥窝对关节臂式坐标测量机进行了空间单点测量精度实验,获得了训练样本和测试样本。利用BP神经网络对空间误差进行了建模,为了提高其收敛速度和运算速度,引入粒子群优化算法(PSO)对BP神经网络模型进行了优化,并对模型进行了预测和验证。结果表明,BP神经网络和PSO-BP神经网络都可以对关节臂式坐标测量机进行空间点误差预测,PSO-BP神经网络模型的预测结果更加精确,相对误差更小。     

基于遗传算法-神经网络的绝热毛细管流量特性关联

针对毛细管流量特性神经网络关联式存在的运算速度慢、精度低问题,建立了毛细管流量特性的神经网络关联模型,采用遗传算法对流量特性关联模型的初始权值与阈值进行优化。结果表明,在相同的输入与输出条件下,采用遗传算法优化后流量特性关联模型的关联精度以及关联运算速度显著提高,其中R407C制冷剂分别提高了19.9%和41.8%。     

基于小波神经网络的光纤陀螺误差补偿方法

为了提高光纤陀螺的测量精度,提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项,对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出,将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值,采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明,经过小波神经网络方法补偿后,光纤陀螺的输出精度达到了0. 019 4°/s,光纤陀螺的测量性能得到了提高。     

基于多算法优化SVM的粗糙面参数反演

支持向量机（SVM）是粗糙面参数反演中常用的一种反演算法,SVM反演中的惩罚参数C和核函数参数G对反演结果精度的影响较大,若参数取值不当,会使模型产生"过学习"或者"欠学习"的现象,从而降低预测精度.给出几种SVM参数C和参数G的优化算法,如K折交叉验证（K-CV）、遗传算法（GA）和粒子群算法（PSO）,并在此基础上提出一种基于K-CV和GA改进的PSO算法（GA-CV-PSO）.利用矩量法（MoM）获得的粗糙面后向散射系数构造训练集和测试集,通过不同参数反演的仿真结果对比不同优化算法的反演精度和计算时间,表明GA-CV-PSO算法克服了单一优化算法的缺陷,具有更精确的反演精度和更强的泛化能力.     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。