混沌光学系统之前向神经网络混沌加速的系统辨识研究

研究了利用前向神经网络对混沌光学系统进行混沌加速系统辨识的可能性，计算机数值仿真发现，利用三层前向神经网络混沌光学系统辨识器。在基于混沌动力学角度的修正ＢＰ算法（混沌加速ＢＰ算法）支持下可克服由常规ＢＰ算法导致的辨识时间长的缺点，在较少的训练次数内即可对布拉格声双稳混沌系统进行良好的系统辨识，此研究结果表明，在混沌加速ＢＰ算法支持下，三层前向神经网络可用来快速处理混沌光学时间序列以进行相应的动力学     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

硅基支撑系统的光刻工艺

为提高硅基支持系统制备中光刻过程的线宽精度,用正交试验分析了前烘、曝光、显影主要步骤中一些主要参数对制备结果的影响,得到了它们的影响程度的规律以及较优的参数组合。在此基础上设计和训练了合适的前向误差反向传播神经网络,对主要工艺参数进行了进一步的分析、预测和优选,并用实验加以验证。最终得到在胶厚约1.55 m时,前烘温度100 ℃,时间90 s; 曝光时间5 s; 显影温度15 ℃,时间90 s时,光刻后图形的线宽偏差最小,达到了0.3 m以下。     

基于PCA-BP神经网络的光谱消光法颗粒粒径反演算法研究

光谱消光法广泛应用于颗粒粒径测量领域,在利用光谱消光法对颗粒粒径进行反演的过程中,由于颗粒的消光系数存在理论复杂、计算繁琐、收敛速度慢以及求解不稳定等问题,很大程度上影响了整个反演过程的快速性和准确性。且在众多波长的消光数据中,存在较多重复冗余的信息,也很大程度上增加了反演算法的时间。针对光谱消光法粒径反演算法计算繁琐、反演效率低的问题,提出了基于主成分分析（PCA）和BP神经网络的光谱消光颗粒粒径分析方法。基于Mie散射理论对不同粒径、不同波长下的光谱消光值进行了仿真计算,通过对光谱消光数据集的主成分分析及各个波长综合载荷系数的计算,实现了最优特征波长的选取,利用降维后的光谱消光数据训练了PCA-BP神经网络模型,并利用该网络模型计算了粒径颗粒分布。通过仿真计算,比较了PCA-BP神经网络模型与传统的BP神经网络模型的预测精度,并分析了波长数目对两种神经网络模型预测结果的影响。针对训练得到的PCA-BP神经网络模型开展光谱消光法粒径参数反演算法的验证实验,搭建了光谱消光法颗粒粒径参数测量实验系统,测量了粒径范围在0.5～9.7 μm内的6种不同粒径参数的聚苯乙烯标准颗粒。仿真和实验结果表明：基于主成分分析方法可确定各个波长向量之间的相关性,利用综合载荷系数选取最优特征波长对应的消光值对整体的光谱数据具有较好的代表性,可实现光谱数据的降维。相比传统的BP神经网络模型,基于PCA-BP神经网络模型的颗粒粒径分布的分析方法预测精度更高,对于较分散颗粒系的分布参数的预测有更加明显的优势。而且,被选取的波长数较少时,PCA-BP神经网络模型依然有较高的预测精度。利用训练好的PCA-BP神经网络模型对颗粒粒径参数进行实验验证,预测结果可瞬时输出,颗粒粒径分布误差在5%以内,验证了该算法的可行性。     

基于遗传神经网络的耙吸挖泥船泥泵转速预测

耙吸挖泥船泥泵管线模型是一个复杂的、非线性的动态模型,影响模型准确性的参数较多。为了根据当前施工条件和流量的优化值准确地预测转速,为施工人员提供参考,提高疏浚效率,采用了遗传算法改进的BP神经网络对泥泵转速进行预测。首先,遗传算法对BP神经网络的初始权值和阈值进行优化。然后,BP神经网络根据优化值对网络进行训练并对转速进行预测。为了验证该方法的有效性,将遗传BP神经网络的预测输出和实测泥泵转速进行对比。仿真结果表明：遗传BP神经网络具有很强的非线性拟合能力和全局搜索能力,能够准确地预测泥泵转速。该预测输出可为施工人员提供参考,以便改变泥泵转速,提高疏浚效率。     

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。     

一种基于Ca线线指数回归的恒星大气金属丰度估计方法

提出一种基于BP神经网络及Ca线线指数估计恒星大气金属丰度的方法。该方法以从斯隆数字巡天SDSS中恒星光谱以及SSPP给出的参数作为训练样本,其中每条恒星光谱计算16个Ca线线指数,结合其他方法得到的表面有效温度Teff作为输入, 以SSPP得到的金属丰度[Fe/H]作为输出,对训练样本进行重采样后通过训练得到一个人工神经网络,通过该网络可以用来预测恒星光谱的[Fe/H]。通过相关实验表明,提出的方法能够准确而且有效的测量出恒星光谱的[Fe/H]。     

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

一种基于遗传优化的BP神经网络的测光红移估计算法

除了星系的光谱红移之外,星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据,在红移值Z<0.8范围内,先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类,然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。估算结果与作为标准的已知星系光谱红移进行比对,早型星系的红移估计最小均方误差约为0.001 3,晚型星系最小均方误差约为0.001 7。实验结果表明,遗传优化的BP算法在精度上优于BP神经网络算法,且效率上优于K近邻、核回归等传统测光红移估计算法。     

基于炉口辐射和改进神经网络的转炉终点预测模型

针对国内外转炉炼钢终点控制的现状,建立了一种用于终点预测的神经网络模型.以炉口辐射信息获取系统为实验平台,运用光纤谱分复用和颜色空间模型转换技术.分析发现了光谱与图像信息特征量在吹炼过程中晕现出中前期类似、末期相反的规律.从得到的特征规律曲线中选用一些关键特征量,在改进的修正系数算法基础上,进行了模型的训练和预测分析.实验结果表明:响应时间在2 s以内,满足快速判定的时间要求;改进算法的模型预测精度高于常规算法,该系统可以止常工作在转炉炼钢的恶劣环境下,达到了预期效果.     

基于小波神经网络的振动速度传感器幅频特性补偿研究

为了实现超低频振动速度测量, 提出补偿其幅频特性的小波神经网络方法.该方法以振动速度传感器动态实验数据为基础, 通过小波神经网络训练来确定传感器幅频特性补偿网络.介绍振动速度传感器幅频特性补偿原理, 分析网络的拓扑结构, 给出网络参数训练和初始化方法.采用引入动量项的最速下降法训练网络权值、尺度因子和平移因子, 将小波网络参数的初始化与小波类型、小波时频参数和学习样本等联系起来.结果表明, 采用小波神经网络进行振动速度传感器幅频特性补偿具有良好的鲁棒性,并能实现在线补偿,网络训练的速度和精度优于同等规模的BP网络,在测试领域有重要的实用价值. 关键词： 振动速度传感器 小波神经网络 幅频特性 补偿     

Feedforward Neural Network Trained by BFGS Algorithm for Modeling Plasma Etching of Silicon Carbide

Electron cyclotron resonance (ECR) plasma etching of silicon carbide is numerically modeled by a feedforward neural network (FNN), which is trained by the Broyden, Fletcher, Goldfarb, and Shanno (BFGS) optimization algorithm and the conventional backpropagation (BP) algorithm. The training samples are obtained from our experimental results, which meet the requirement of Box–Wilson central-composite-designed experimental test design. By using the samples, the BFGS algorithm is compared with the conventional BP algorithm with different hidden neuron numbers, different number of iterations and various learning rates. It is shown that the BFGS algorithm requires less hidden neurons and less iteration to obtain the same training results, and it also provides much smaller cross-validation errors. Therefore, the FNN trained by the BFGS algorithm possesses much better approximation and generalization ability. The silicon carbide ECR process modeling results demonstrate that the FNN trained by the BFGS algorithm are fast, reliable, and accurate.      

错位光纤干涉激光谱结合BP神经网络的温度传感研究

在分析不同温度时单模错位光纤干涉光谱对应波长的条件下,搭建三层BP神经网络模型对温度传感进行研究,解决了常规光纤测温系统复杂和精度不高的问题。对建立的网络模型参数进行探讨,将采集的激光波长与对应的温度数据,经BP神经网络训练,对比得到最佳网络结构,达到在训练完成的网络输入层输入激光波长值时,便可在输出层得到对应的温度预测值。结果证明,实验输出的预测温度值与实际温度值之间表现出明显的相关性,即预测值能够逼近实测值。温度校正和预测相关系数分别达到0.999 61和0.979 27,校正标准误差与预测标准误差分别为0.017 5和0.144 0,得到预测集的平均相对误差为0.17%,剩余预测误差RPD可达到5.258 3,RPD大于3.0,说明定标效果良好,所建模型可用于实际的检测。另外,将该算法用于了带校正的双耦合结构单模错位光纤测温系统中,结果表明BP神经网络方法能够较好的处理错位光纤测温系统中激光光谱数据和温度之间的非线性关系,预测温度值与实测温度值之间的相关度为0.996 58,得到预测温度值与实际温度值之间平均相对误差为0.63%,从而提高了光纤测温传感器的精度和稳定性,同时也验证了该算法在光纤传感上的可行性,也为错位光纤的压力、曲率等其他物理量传感的精确测量提供了新思路。     

基于BP神经网络的复杂彩色图像文本定位*

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92％,召回率为87.4%.     

基于BP神经网络的复杂彩色图像文本定位

针对复杂彩色图像中文本的特征,提出了基于小波变换和BP神经网络甄别文本区域的算法.该算法首先利用文本块的边缘特征遴选出备选图像块,而后采用小波变换提取备选图像块的纹理特征,把这些纹理特征参量连同图像块的颜色特征和笔画特征参量输入训练好的BP神经网络,判断备选图像块是否包含文本.该方法运算简单,定位时间短.采用专用的文本定位比赛用图进行实验的结果表明,定位准确率可达到92%,召回率为87.4%.     

基于BP神经网络的闪光照相图像复原

针对闪光照相系统模糊较大、成像信噪比较低的问题,提出了一种基于BP神经网络的闪光照相图像复原方法。该方法利用BP神经网络的泛化能力,用样本图像对网络进行训练,建立退化图像与真实图像之间的非线性映射关系,然后将待复原图像分区,利用训练好的BP神经网络对待复原图像的边界区域进行复原处理。数值试验表明,在系统点扩展函数未知的情况下,该算法能较好再现图像边缘信息,复原出的图像在信噪比和视觉方面都有较大提高。     

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BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤,石油,木材,烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs,其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中,水中的PAHs主要来源于生活污水,工业排水和大气沉降。使用三维荧光光谱法,结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物,用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测,设置激发波长为200～370 nm,间隔10 nm记录一个数据;发射波长为240～390 nm,间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm,以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training,BP)原理,对测得的三维荧光数据进行数据压缩处理,该方法具有柔性的网络结构与很强的非线性映射能力,网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定,并且网络的结构不同时,性能也有所差异。随后,用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明,ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似,能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析,实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中,得到处理后待测样本数据的网络均方差（MSE）均小于0.003,网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间,越高越好）,可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后,得到输出值与目标值之间的拟合度高,拟合系数达0.998,具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％,预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。