AlON-TiN复相材料合成工艺参数的支持向量回归分析

根据在不同热压烧结工艺参数（包括TiN的含量、烧结温度和保温时间）下合成的AlON-TiN复相材料的抗弯强度实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了AlON-TiN复相材料在不同热压烧结工艺参数下抗弯强度的SVR预测模型,并与基于人工神经网络（ANN）模型的预测结果进行了比较.利用SVR预测模型并结合粒子群算法对AlON-TiN合成工艺参数进行了寻优和多因素分析.结果显示:对于相同的训练样本和检验样本,AlON-TiN复相材料抗弯强度的SVR模型比ANN模型具有更小的预测误差,表明SVR模型比ANN模型具有更强的预测能力.工艺参数寻优结果表明,当TiN质量分数为13.5%、烧结温度为1863.5 ℃和保温时间为5.8 h时, 可获得抗弯强度为555.452 MPa的AlON-TiN复相材料. 研究结果表明,该方法对于研发理想抗弯强度的AlON-TiN复相材料具有重要的理论指导意义和实用价值. 关键词： AlON-TiN 抗弯强度 支持向量回归 回归分析     

基于拓扑结构的碱金属化合物摩尔磁化率的支持向量回归研究

基于经典电动力学导出的表征简单离子磁化率的磁性点价g_i所构建的分子磁性连接性指数?^mF及45种碱金属化合物的摩尔磁化率χ_m的实测数据集,利用粒子群寻优的支持向量回归（SVR）方法,建立了基于⁰F和¹F的碱金属化合物χ_m的预测模型,并与基于多元线性回归（MLR）模型的计算结果进行了比较.结果显示,基于9次交叉验证的SVR模型预测的平均绝对误差、平均相对误差绝对值以及均方根误差均比MLR模型小,表明SVR模型的回归预测能力优于MLR.研究表明,磁性连接性指数^mF是一种合适的分子描述符,SVR是一种预测碱金属化合物χ_m的有效方法. 关键词： 碱金属化合物 摩尔磁化率 支持向量回归 预测     

基于数据挖掘算法的地铁站内温度时序预测方法

提出了基于数据挖掘算法的地铁站内环境温度时序预测的方法.分别建立了支持向量数据(SVR)、BP神经网络(BPNN)、决策树CART三种预测模型,对比了一般的输入-输出建模方法与基于时间时间延迟方法的预测结果,以及不同时间延迟下三种数据挖掘模型的预测结果.结果表明:基于时间序列的预测模型效果比一般的输入-输出模型效果更好;当时间延迟为1时,三种模型的预测精度相对较高,且在此条件下,模型的预测效率也最高;基于SVR的时间序列预测模型精度比BPNN和CART更高.     

基于支持向量机回归的LIBS飞灰含碳量定量分析

采用激光诱导击穿光谱(LIBS)技术对配制的飞灰样品进行实验分析,应用支持向量机回归(SVR)模型对飞灰的含碳量进行预测。运用网格搜索法分别对径向基(RBF)核函数和多项式函数的结构参数进行寻优,然后分别建立基于内标元素特征光谱、全谱和主要元素特征光谱的SVR模型。研究表明,基于RBF和多项式核函数的SVR模型在理想的结构参数下可以取得相同的分析精度,但RBF能较快地完成模型优化并且不易出现欠拟合的现象。基于内标元素特征光谱的SVR模型的分析精度与内标法相当,基于全谱的SVR模型出现明显的过拟合现象。基于主要元素特征光谱的SVR模型的回归系数为0.986,校正均方根误差为1.79%,预测均方根误差为2.57%,说明该模型可以有效避免欠拟合和过拟合。     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

苹果盛果期冠层高光谱与其组分特征的定量模型研究

从分析苹果树盛果期冠层高光谱入手,结合同一时间的数码照片,在Erdas,ViewSpec Pro,DPS和LIBSVM等软件的支持下,采用相关分析、线性回归、逐步回归、基于BP人工神经网络分析、支持向量机回归方法,探析高光谱反射率及其转换数据与冠层组分指数间的关系。结果表明,冠层反射率受地表反光膜的影响显著;原始反射率与果叶比的相关性最好,611~680 nm为反映两者关系的特征波段;在特征波段内,依据原始反射率和果叶比所建立的4种模型都可满足预测需要,但基于BP人工神经网络模型和支持向量机回归模型整体上优于一元线性回归模型和多元线性回归模型,尤以支持向量机回归模型精度最高。研究结果可为后续的苹果遥感估产工作提供理论支持。     

基于神经网络的选区激光熔化残余应力预测

当前对选区激光熔化产生的残余应力预测方法主要为数值模拟,但由于设备、环境、粉末等因素差异性较大,且具有较大不确定性,很难建立符合实际情况的数值模拟模型。利用神经网络在预测多变量、复杂线性信息处理方面能力强的特点,建立适用于预测316L不锈钢粉末选区激光熔化残余应力的模型。使用选区激光熔化技术打印相当数量的不同工艺参数的试样,采用超声波检测其内部残余应力作为神经网络的训练样本,并使用这些样本对神经网络模型进行训练,获得具有预测功能的神经网络,将验证样本的工艺参数输入神经网络,计算出预测的残余应力值,与实际检测值进行对比。实验结果表明,预测值与实际测量值偏差较小,验证了所提方法的有效性。采用神经网络预测残余应力的方法,可以快速确定不同选区激光熔化工艺参数对应的残余应力,避免设置残余应力较高的工艺参数,有效缩短制备高质量工件试样的周期,降低成本。     

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.     

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。     

水体重金属激光诱导击穿光谱定量分析方法对比研究

建立了适用于激光诱导击穿光谱探测的多元线性回归、神经网络回归和支持向量机回归三种定量反演算法模型, 以水体重金属Ni为例进行了回归实验测试和对比分析. 多元线性回归、神经网络回归和支持向量机回归的平均相对标准偏差分别为7.60%, 4.86%, 2.35%; 最大相对标准偏差分别为23.35%, 15.20%, 8.29%; 平均相对误差分别为25.98%, 10.58%, 2.72%, 最大相对误差分别为116.47%, 47.38%, 9.89%. 研究为进一步实现水中痕量金属元素的快速定量分析提供了方法和数据参考. 关键词： 光谱学 激光诱导击穿光谱 支持向量机回归 重金属     

粉末涂料电脑配色的人工神经网络模型

提出一种基于多层BP人工神经网络的粉末涂料配方预测模型;用BP算法人工神经网络建立粉末涂料反射样品的标准色度参数与配方浓度参数之间的映射关系。把人工神经网络的配方预测模型应用到典型的粉末涂料样品的测配色实验过程中。实验结果表明,基于多隐层BP网的模型可以实现粉末涂料样品的配方浓度空间与标准三刺激值颜色空间的相互映射,对64个节点的平均训练精度达到了1个CIELAB色差单位。     

高压工况下底排推进剂燃速的反向传播神经网络模型

 为了研究底排推进剂在火炮膛内随弹丸运动时的燃烧特性,采用密闭爆发器仿真实验技术,针对底排推进剂在膛内高压工况下的燃烧特性进行实验研究,获得了两种不同装填密度下平均压力随时间变化的关系,并对压力进行了全程热散失修正。采用多次平滑、滤波数据处理技术和发射药燃速处理方法,得到了燃速与压力（8~150 MPa）之间的关系。基于实验数据特征样本,建立并训练得到了底排推进剂高压工况下的反向传播（Back Propagation）神经网络燃速模型,该模型与传统的指数模型相比,具有拟合精度高和稳定性强的特点。     

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。     

Titanium and aluminum nitride synthesis via layer by layer LA-CVD

The possibility of the layer-by-layer synthesis of 3D parts from nitrides of titanium or aluminum by selective laser sintering/melting is discussed. The relationship between laser processing parameters and structure and phase content of sintered/melted samples are studied by means of optical metallography, X-ray diffraction, scanning electron microscopy and energy dispersive X-ray analysis. Optimal parameters of SLM process for AlN and TiN synthesis are determined. Solid 3D parts containing a TiN phase are produced from Ti powder. Distortion of the crystalline lattice of AlN and TiN phases is observed with the laser energy input.     

基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难。神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散。针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑。通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

BP神经网络模拟冰盘管蓄冷过程特性的可行性研究

文中基于BP神经网络方法对冰盘管蓄冷系统的整个蓄冷过程中的蓄冷动态特性参数进行模拟研究,根据实验研究数据对所建的BP神经网络进行网络训练,进而通过预测试验对预测网络进行检验。结果表明:利用BP神经网络方法对整个蓄冷过程中的蓄冷动态特性参数进行模拟的精确度明显高于传统模拟方法,可使研究者更全面、更精确地了解和掌握了蓄冷过程中蓄冷动态特性参数的变化情况,为设计和优化直接蒸发式冰盘管蓄冰系统提供了理论依据。     

三维荧光光谱结合平行因子及神经网络对清香型白酒的年份鉴别

以某清香型白酒为研究对象,将三维荧光光谱技术与平行因子分析方法(parallel factor analysis,PARAFAC)、BP神经网络结合,建立清香型白酒年份鉴别模型。首先,利用FLS920全功能型荧光光谱仪测量获得不同年份白酒的三维荧光光谱数据,对激发发射三维矩阵进行三线性分解,得到四个主成分对应的浓度得分和激发-发射光谱轮廓图。将这4个浓度得分作为BP神经网络的输入,建立10,20和30年份白酒的鉴别模型。随机选取每个年份的10个样本,共30个样本组成测试集,剩余的90个白酒样本组成训练集建立训练模型。据此对未知样品进行预测,其预测正确率分别为90%,100%和100%。同时将该方法与多维偏最小二乘判别分析法(multi-way partial least squares discriminant analysis, NPLS-DA)进行了比较。研究结果表明：平行因子结合神经网络的判别模型具有更强的预测能力,该方法能够有效提取年份白酒的特征光谱信息,同时又降低了神经网络输入变量的维数,取得较好的鉴别效果。     

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.      

色貌模型的人工神经网络方法的研究

色貌模型(CAM)主要解决不同观察条件、不同背景和不同环境下的颜色真实再现问题。采用人工神经网络(ANN)的方法来实现目前最新的色貌模型CIECAM02的预测,包括正向预测(从色度参数到色貌属性参数)和逆向预测(从色貌属性参数到色度参数),应用自然色系统(NCS)中的部分色样作为神经网络的训练和测试样本。由于正向输出色貌属性参数空间不是均匀的,对于网络预测精度用特殊方法评估,而对于逆向模型则可直接利用LAB色差公式评价。测试的结果表明:用神经网络对CIECAM02模型的预测达到了较高的精度。