Neural Network Models for Finline Discontinuities

The radial basis network is used as the finline discontinuities electromagnetic artifical neural network(EMANN) models. EM software analysis is employed to characterize finline discontinuities. EMANN models are then trained using physical parameters and frequency as inputs and equivalent electric circuit element parameters of finline discontinuities as outputs. Once trained , the EMANN models can simulate equivalent electric circuit element parameters of finline step, notch and strip very fast and efficiently.     

基于神经网络的线指数恒星大气物理参数测量方法

通过人工神经网络的方法基于Lick线指数,来进行大气物理参数的测量,对Kurucz的合成光谱进行预处理以适应最后LAMOST光谱数据的要求,以Lick线指数与对应的大气物理参数为输入,用人工神经网络进行训练,得到训练模型通过DR8光谱数据进行测试,通过调整人工神经网络的相关参数来使实验效果达到最佳。结果证明,通过线指数人工神经网络的方法来进行大气物理参数的测量是可行的。     

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     

基于循环神经网络的缝洞型油藏油井产量预测

利用神经网络的强大非线性映射和拟合能力，构建神经网络产量预测模型，并针对油田生产数据的高误差、易缺省等特性和曲线拟合预测不易收敛的情况，提出了训练数据集扩充方法和改良的均方误差损失函数.在拟合油井产量方面取得了显著的效果.     

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

小波变换与神经网络融合法在油页岩近红外光谱分析中的应用

便携式近红外光谱分析技术可实现油页岩含油率的原位检测,在油页岩资源现场勘查中发挥着重要作用。但是,由于其测得的原始光谱数据量大、冗余信息多,直接建模会影响速度与精度。因此提出一种小波变换与神经网络融合法,先将油页岩全谱数据进行db8小波3级分解,提取其近似系数形成输入矩阵,然后再进行神经网络建模。为了验证有效性,利用30个油页岩合成样品,从中随机选择20个用于训练,另外10个用于预测,并分别使用全谱数据与小波特征数据进行了10次神经网络建模。结果表明,全谱数据建模速度均值为570.33 s,预测残差平方和及相关系数均值分别为0.006 012及0.843 75;而小波神经网络法对应的以上均值为3.15 s, 0.002 048及0.953 19。由此说明小波神经网络法优于全谱数据建模法,为油页岩含油率的快速、高精度检测提供了一种新方法。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练。首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势。然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码。分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序。仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

A Unified Approach to the Analysis of a Category of H-Plane Discontinuities

Based on the mode matching method, the generalized scattering parameters including the fundamental and higher order modes (multi-modes) are obtained for the discontinuity interface of a category of waveguide H-plane discontinuities. Then by using a general port-connection order-decrease method raised by the author, the whole discontinuity including the two interfaces and the intermediate part of finite length or zero length (as is the case for very thin inductive windows or irises) can be combined into one network, and the generalized scattering parameters of this network can be obtained from which the scattering parameters of the fundamental mode can be extracted. If needed, the equivalent circuit parameters can be calculated directly from the scattering parameters. Examples are given to show the validity and versatility of this new method for dielectric filled waveguide, inductive iris and/or window, E-plane metal and/or finline insert, and even the offset E-plane finline insert, etc.. Multiple inserts, windows and irises can also be analysed.     

基于邻域粗糙集和并行神经网络的故障诊断

针对目前使用神经网络诊断故障时出现的输入向量选择困难、网络结构复杂、对并发故障诊断效果不好等问题,提出了基于邻域粗糙集和并行神经网络的故障诊断方法。先利用邻域粗糙集对初始征兆进行约简,留下有价值的征兆作为神经网络的输入向量,然后针对每种故障类型设计一个神经网络。用多个训练好的神经网络来并行诊断故障,综合每个神经网络的结果给出最终的诊断结论。用转子实验台的实验数据对这种故障诊断方法进行验证,结果显示该方法能优化神经网络结构,且神经网络具有训练速度快、诊断正确率高的特点。     

基于神经网络的三维宽场显微图像复原研究

提出一种利用BP神经网络进行三维宽场显微图像复原的非线性映射方法，将三维图像转化为二维图像进行处理，利用神经网络的学习能力，通过训练，建立含有散焦信息的二维模糊图像与二维清晰图像之间的映射关系，然后对切片堆叠进行逐幅复原，从而实现显微图像的三维复原.得到的复原图像在视觉上和定量分析上都获得了很好的效果.由于采用小规模神经网络，训练时间短，计算量小，使实时复原成为可能.     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

改进型M-P神经网络在能量色散X荧光分析测定铅锌矿元素含量的应用研究

以新疆西天山铅锌矿样品的Cu,Fe,Pb等元素X荧光测量数据做训练样本,McCulloch-Pitts神经网络(M-P神经网络)为基础,基体效应为依据,建立新的神经网络模型对Zn进行定量预测。结果预测值与测量值的相对误差在<5%。此方法可较准确,快速的应用于现场X荧光测定,为X荧光光谱信息修正提供一种新方法。     

人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图。作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练。结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别。实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶。     

支持向量机回归在电子器件易损性评估中的应用

针对现有的以概率统计理论为基础的方法和模糊神经网络法必须建立在大量统计数据基础之上,以及模糊信息扩散估计法可能对器件失效阈值估计过高的问题,提出将模糊信息处理技术用于对原始实验数据的处理,得到训练样本,在此基础上利用支持向量机回归预测一定功率的高功率微波辐照条件下电子器件的损伤概率。仿真结果表明:该方法与模糊神经网络法都较好地给出了预测结果,但该方法具有更高的精度（均方根误差为7.40610-5）,并且克服了在样本数据减半的小样本情况下模糊神经网络法可能出现野值的缺陷。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

Design of circular ARC finline tapers

The aim of this paper is the development of a technological simple procedure for the fabrication of tapers in finline technique with a high transmission and low reflection characteristics. This method employs tapers between rectangular waveguides and finline sections or between two electrically different waveguides in form of circular arcs which are matched to the required lapse of the slot width as a function of the characteristic impedance. The appicability of this method assumes that the transmission properties of the considered finline are known. Several examples show the feasibility of the method.     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

Optical tensor core architecture for neural network training based on dual-layer waveguide topology and homodyne detection

We propose an optical tensor core(OTC) architecture for neural network training. The key computational components of the OTC are the arrayed optical dot-product units(DPUs). The homodyne-detection-based DPUs can conduct the essential computational work of neural network training, i.e., matrix-matrix multiplication. Dual-layer waveguide topology is adopted to feed data into these DPUs with ultra-low insertion loss and cross talk. Therefore, the OTC architecture allows a large-scale dot-product array and can be integrated into a photonic chip. The feasibility of the OTC and its effectiveness on neural network training are verified with numerical simulations.