基于人工神经网络在线学习方法优化磁屏蔽特性参数

磁屏蔽在磁场敏感的装置如原子钟、原子干涉仪等精密设备中发挥重要的作用,在变化外磁场下的某个磁屏蔽内部剩余磁场,可以通过Jiles-Atherton磁滞模型和磁屏蔽系数计算得出,根据计算结果可以进行主动补偿来抵消内部磁场的改变.然而实际应用中磁滞模型中五个与磁屏蔽相关的参数以及磁场衰减的两个参数的准确值的获得是比较困难的,通常根据实测磁滞回线人工匹配调节参数会花费大量时间且很难确保最终参数是全局最优值.基于人工神经网络的机器学习方法已经成为一种对复杂模型进行参数优化的有效手段,得益于现代计算机强大的运算能力,该过程通常远远快于人工参数调节,并有更大概率找到全局最优值,获得优于手工调节的参数值.本文利用人工神经网络在线机器学习的方法,对磁滞模型的五个参数与磁屏蔽的另外两个屏蔽相关参数进行优化测定,并对模拟卫星磁场环境下磁屏蔽内剩余磁场进行预测.通过实际测量屏蔽筒内剩余磁场与预测值比对,发现通过机器学习方法得到的磁屏蔽特性参数优于手动找到的参数,且所用时间大大缩短.该结果不仅有助于更好地进行磁场补偿,用于冷原子系统参数优化调整,更重要的是验证了神经网络在多参数物理系统中的应用,可以使其他多参数共同作用的物理实验进行最优参数的快速确定.     

四面体磁梯度张量系统的载体磁干扰补偿方法

针对搭载于水下无人航行器(UUV)的四面体磁梯度张量系统易受载体磁场干扰的问题,提出了一种载体磁干扰补偿方法.该方法在载体磁干扰产生机理的基础上,利用磁梯度张量差分测量算法融合四面体磁梯度张量系统中四个矢量磁力仪的载体磁干扰,建立了磁梯度张量系统载体磁干扰数学模型;然后在此数学模型的基础上提出了磁干扰补偿方法,并根据磁梯度张量9分量的数学关系提出了补偿参数辨识方法;最后通过仿真实验对方法进行了验证,结果表明该补偿方法可以有效补偿磁梯度张量系统95.9%的载体磁干扰.该方法利用补偿参数对磁梯度张量系统的输出值直接进行磁干扰补偿,从理论上解决了磁梯度张量系统中各个矢量磁力仪载体磁干扰的统一补偿问题.     

HT_c SQUID工作环境低频磁干扰消除研究

针对高温超导量子干涉器(HT_c SQUID)磁强计技术在非磁屏蔽环境中受到的极低频干扰,实验研究了主动补偿方法消除这种干扰的可行性和有效性。实验由高精度程控电流源提供电流,通过亥姆赫兹线圈产生用于抵消极低频干扰的补偿磁场,使用两套HT_c SQUID磁强计搭建了测试系统,其中一套用于低频磁干扰背景的探测,另一套用于磁干扰补偿消除效果的甄别。结果表明,这种动态补偿消除方法可以达到比较好的效果。     

基于三维磁成像的近场磁性体探测

提出一种近场条件下未知磁源的三维磁成像方法.考虑到大多数磁性体不仅受背景磁场磁化，本身也带有较强剩磁，将观测面上的磁场转换为磁场矢量异常模量，并建立目标函数进行最优化求解，以得到符合观测磁场特征的磁性体磁化模型.仿真和实验表明：此方法可有效消除剩磁对反演结果的影响，能够实现对近场多个磁源磁化率分布的成像，验证了所提方法用于探测隐含磁体位置和形状的可行性.     

比例边界有限元法在电机电磁场问题中的应用

将比例边界有限元法应用到电机磁场分析计算中,采用加权余量法推导无旋磁场的比例边界有限元方程及其离散格式,给出相邻子域公共边上内部节点磁位求解方法.以具有解析解的电机磁场问题为例进行计算和对比分析,验证离散格式的正确性和比例边界有限元法求解电机磁场的可行性,为该方法在电机磁场问题中的应用打下基础.     

基于等效磁路网络法的均匀正交磁场对环形磁芯等效电感的影响

电源中的磁性元件对外部磁场天然敏感,其工作特性直接影响电源的输出特性。实现背景磁场的建模是研究电源中磁性元件受强杂散磁场干扰问题的重要前提,但目前关注这一应用场景的相关研究较少,且常用的电磁场分析方法难以兼顾计算的精度和效率。基于等效磁路网络法提出了一种杂散磁场效应的分析方法,该方法将研究对象等效生成磁路单元,离散形成网络模型,并通过求解等效磁路系统方程得到模型的场量分布。以一款具体的环形铁氧体磁芯为例,利用等效磁路网络法计算了环形磁芯在直流激励和均匀正交磁场下的场量分布,分析了背景磁场对其等效电感的影响。通过对比等效磁路网络法与有限元法的计算结果,验证了该方法的准确性与高效性,且适用于电源受背景磁场干扰问题的分析。     

基于Levenberg-Marquardt算法的动态磁性检测站磁定位方法研究

针对舰船动态磁性检测站需要确定磁场测量点坐标以进行舰船磁性分析的情况,利用Levernberg-Marquardt算法及磁体模拟法提出了一种动态磁性检测站磁定位方法。该方法利用包含定位参数的舰船磁场模型设计了目标函数,通过Levernberg-Marquardt算法经由定位参数的初始估计收敛到使目标函数最优的定位参数解。船模实验证明,定位结果较准确,能用来描述动态测磁时舰船磁场测量面上测量点的位置,在此基础上能通过舰船磁场推算掌握舰船的磁场分布情况,进而快速制定舰船消磁决策。     

半导体激光器的噪声特性神经网络仿真

通过求解含朗之万噪声项的速率方程, 给出了噪声特性解析表达式, 建立了半导体激光器噪声特性神经网络模型. 利用该模型对噪声进行了计算机仿真, 取得了与数值计算相一致的结果. 训练好的神经网络模型具有精度高、速度快等优点.     

重力对~(87)Rb冷原子四极磁阱装载的影响

文章研究了重力作用下对磁光阱中~(87)Rb原子进行偏振梯度冷却后重新四极磁阱俘获的影响。研究了竖直放置四极线圈和水平放置四极线圈两种情形下,重力对原子偏振梯度冷却后四极磁阱重新俘获过程的作用,通过原子自由飞行吸收成像,观测到了原子的振荡。分析计算了~(87)Rb原子|2,2〉态补偿重力时所需的磁场梯度B′,探究了磁场参数对于振荡现象的影响,从而选择了水平放置磁场线圈的方法,提高了原子偏振梯度冷却后四极磁阱的装载效率。     

强磁场混合型短周期摇摆器研究

对混合型短周期摇摆器磁场进行了解析求解,给出了与摇摆器周期、间隙、磁块性能、磁场尺寸以及磁极尺寸等相关的二维解析表达式。根据该公式,作者讨论了混合型短周期摇摆器产生强磁场的潜在能力,提出了一系列改进方法,并分别进行了模型实验,实验结果与理论分析相符合。目前,在1cm周期、5mm间隙的短周期摇摆器模型试验中,中心轴峰值磁感应强度已达到0.45T。另外,该短周期摇摆器可进行单磁场磁场调节,最大峰峰值磁场相对误差小于1％。     

基于Elman神经网络的磁场探头校准建模

针对大多数磁场探头都是在频域上校准、不能较好地满足测量电磁瞬变现象的问题,提出了一种基于Elman神经网络的磁场探头时域校准建模方法。利用Helmholtz线圈、浪涌发生器、示波器等仪器搭建了时域校准平台,对磁场探头进行校准实验,并采集浪涌发生器输出的电流波形和磁场探头的感应电压。分别以磁场探头的感应电压和Helmholtz线圈产生的磁感应强度数据作为输入输出,建立Elman神经网络模型。建模效果表明,所建模型能够准确地预测出磁感应强度的变化趋势,该校准模型具有一定有效性。     

场耦合忆阻神经网络的电活动

神经元之间除了突触耦合，还存在磁通耦合.因此在传统的神经元模型中引入磁通量，并研究场耦合下神经网络的放电活动具有实际意义.建立一个含场耦合的Hodgkin-Huxley忆阻神经网络，引入神经元节点之间的距离权重，用磁通量描述时变电磁场，采用磁控忆阻器实现膜电位和磁通量之间的耦合.探讨距离权重和系统大小对神经网络放电活动的影响.研究发现，随着权重增大，神经网络放电活动增强，且系统规模越大，诱导神经元兴奋性的权重阈值越大，系统大小不影响神经网络活性随距离权重变化的规律.在不同的权重值下，神经网络活性随系统大小变化的规律明显不同.研究表明，距离权重和系统大小对含场耦合的忆阻神经网络放电活动有重要影响，其中距离权重起主导作用.     

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.      

基于广义回归神经网络的强干扰下垂直阵 目标距离估计方法*

以声压场采样协方差矩阵为特征,基于广义回归神经网络(Generalized Regression Neural Network,GRNN)研究强干扰下的水下声源测距问题,提出了优化扩展因子的方法以提高神经网络定位性能。本文利用仅有一个网络参数的GRNN,使用SWellEX-96实验S59航次的垂直阵数据,比较了以传统匹配场处理(Matched Field Processing,MFP)为代表的模型驱动方法和以CNN(Convolutional Neural Networks,CNN)、GRNN为代表的数据驱动方法在强干扰下的水下目标被动定位性能。结果表明,基于优化扩展因子的GRNN网络在强干扰下可以有效实现距离估计。     

基于改进BP神经网络的航空液压油软测量

BP 神经网络越来越多地被应用于软测量建模中,与传统方法相比,BP神经网络进行信息处理可以减少数据的分析和建模工作,但也存在易于陷入局部最小值和初始权值随机选取的缺陷问题。为了解决传统BP神经网络存在的缺陷,论文中在数据预处理过程中引入主成分分析法（PCA）,在BP网络输入权值时引入遗传算法（GA）,最终达到弥补BP神经网络缺陷的目的;详细介绍了改进算法的流程与步骤,将改进的BP神经网络应用于航空液压油的软测量,先是对航空液压油软测量参数进行分析,包括辅助变量的选择和数据预处理,然后进行基于改进型BP神经网络的建模与仿真实验。实验结果表明,基于改进BP神经网络的航空液压油软测量效果优于传统神经网络,具有更强的泛化能力,因此可进行更广泛的应用。     

基于深度神经网络的时空编码磁共振成像超分辨率重建方法

单扫描时空编码磁共振成像是一种新型超快速磁共振成像技术,它对磁场不均匀和化学位移伪影有较强的抵抗性,但是其固有的空间分辨率较低,因此通常需要进行超分辨率重建,以在不增加采样点数的情况下提高时空编码磁共振图像的空间分辨率.然而,现有的重建方法存在迭代求解时间长、重建结果有混叠伪影残留等问题.为此,本文提出了一种基于深度神经网络的单扫描时空编码磁共振成像超分辨率重建方法.该方法采用模拟样本训练深度神经网络,再利用训练好的网络模型对实际采样信号进行重建.数值模拟、水模和活体鼠脑的实验结果表明,该方法能快速重建出无残留混叠伪影、纹理信息清楚的超分辨率时空编码磁共振图像.适当增加训练样本数量以及在训练样本中加入适当的随机噪声水平,有助于改善重建效果.     

基于PCAU-Net的快速多通道磁共振成像方法

多通道磁共振成像方法采用多个接收线圈同时欠采样k空间以加快成像速度,并基于后处理算法重建图像,但在较高加速因子时,其图像重建质量仍然较差．本文提出了一种基于PCAU-Net的快速多通道磁共振成像方法,将单通道实数U型卷积神经网络拓展到多通道复数卷积神经网络,设计了一种结构不对称的U型网络结构,通过在解码部分减小网络规模以降低模型的复杂度．PCAU-Net网络在跳跃连接前增加了1×1卷积,以实现跨通道信息交互．输入和输出之间利用残差连接为误差的反向传播提供捷径．实验结果表明,使用规则和随机采样模板,在不同加速因子时,相比常规的GRAPPA重建算法和SPIRiT重建方法,本文提出的PCAU-Net方法可高质量重建出磁共振复数图像,并且相比于PCU-Net方法,PCAU-Net减少了模型参数、缩短了训练时间．     

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.      

Simultaneous EEG and fMRI in the macaque monkey at 4.7 Tesla

Simultaneous electroencephalography (EEG)/functional magnetic resonance imaging (fMRI) acquisition can identify the brain networks involved in generating specific EEG patterns. Yet, the combination of these methodologies is hampered by strong artifacts that arise due to electromagnetic interference during magnetic resonance (MR) image acquisition. Here, we report corrections of the gradient-induced artifact in phantom measurements and in experiments with an awake behaving macaque monkey during fMRI acquisition at a magnetic field strength of 4.7 T. Ninety-one percent of the amplitude of a 10 microV, 10 Hz phantom signal could successfully be recovered without phase distortions. Using this method, we were able to extract the monkey EEG from scalp recordings obtained during MR image acquisition. Visual evoked potentials could also be reliably identified. In conclusion, simultaneous EEG/fMRI acquisition is feasible in the macaque monkey preparation at 4.7 T and holds promise for investigating the neural processes that give rise to particular EEG patterns.     

Modeling and dynamics of double Hindmarsh-Rose neuron with memristor-based magnetic coupling and time delay

The firing of a neuron model is mainly affected by the following factors:the magnetic field, external forcing current, time delay, etc. In this paper, a new time-delayed electromagnetic field coupled dual Hindmarsh-Rose neuron network model is constructed. A magnetically controlled threshold memristor is improved to represent the self-connected and the coupled magnetic fields triggered by the dynamic change of neuronal membrane potential for the adjacent neurons. Numerical simulation confirms that the coupled magnetic field can activate resting neurons to generate rich firing patterns, such as spiking firings, bursting firings, and chaotic firings, and enable neurons to generate larger firing amplitudes. The study also found that the strength of magnetic coupling in the neural network also affects the number of peaks in the discharge of bursting firing. Based on the existing medical treatment background of mental illness, the effects of time lag in the coupling process against neuron firing are studied. The results confirm that the neurons can respond well to external stimuli and coupled magnetic field with appropriate time delay, and keep periodic firing under a wide range of external forcing current.