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。     

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。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

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。     

基于反向传播神经网络的拉曼光谱去噪方法

拉曼光谱技术作为一种典型的光学检测方法,因其独特的非侵入性、快速、原位和极高的特异性,在生物分析、疾病诊断及分子识别等众多领域得到广泛应用.拉曼光谱的指纹特性使其成为生物医学分析领域的重要工具,但拉曼散射信号微弱,数据处理分析大量依赖分析人员、自动化处理能力低等因素都会极大影响该技术在实际中的应用.实验设备、环境产生的...     

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。     

基于量子遗传算法和荧光光谱某清香型白酒年份预测研究

年份白酒现已成为企业开发重点,但年份标准有较大的随意性,建立年份标准已成为规范行业和市场的迫切需要。基于某品牌原浆白酒的三维荧光光谱,对白酒年份预测模型进行了研究。研究内容和创新工作如下：首先,研究了荧光光谱与白酒年份的相关性。研究发现：0.5年与其他年份白酒的三维荧光光谱之间的相关系数达0.811 4;原始光谱中年份信息主要分布在激发波长为200~230和250~320 nm、发射波长为400~500 nm的光谱区;导数光谱的年份信息分布区域广且离散性高。其次,研究了荧光光谱之间的相关性。研究表明：原始光谱具有严重的多重共线性,在400~600 nm的区间内,相关系数接近1;求导能提高光谱分辨能力并降低多重共线性,二阶导数具有更好的抑制多重共线性的作用, 相关系数大部分小于0.6。最后,基于量子遗传算法-小波神经网络研究了激发波长为300 nm的白酒年份预测模型,并提出了光谱建模信息密度的概念。研究发现：原始光谱年份预测误差达5.4年,效果最差,其原因是原始光谱具有严重的多重共线性以及光谱与年份的相关性不显著; 导数光谱具有更高的信息密度和更好的建模效果,二阶导数光谱预测集的相关系数达0.999 8,年份预测误差达0.79年。研究成果将为白酒年份标定提供一种便捷的光学手段,同时也为多组分渐变体系的荧光光谱研究提供重要的参考。     

基于全连接神经网络的自然光谱复现方法研究

为了能够精准和快速地复现可见光波段自然光谱,实现全光谱照明,使用具有强大非线性拟合能力的神经网络完成光谱匹配。首先,利用全连接神经网络的自学习能力,在采用基于修正高斯分布拟合函数的多个单色LED合成光谱模型生成训练和测试数据集的基础上,构建充分体现合成光谱和各单色LED光强系数比例关系的神经网络模型,即该模型能够针对输入光谱得到对应的单色LED光强比例系数,进而实现光谱复现。其次,针对标准太阳光谱和实测得到的不同时刻、天气的自然光谱进行光谱复现,并与采用基于遗传算法的光谱复现方法得到的结果进行对比。结果表明,基于全连接神经网络的自然光谱复现方法能够以小于5%的误差实现标准太阳光谱和实测太阳光谱的匹配,证明可使用同一个训练模型在不改变单色LED数量和种类的条件下得到多种与目标光谱高度吻合的不同类型光谱。对比其他光谱匹配算法,所提方法的拟合速度提高了数倍,还具有稳定性高、调控灵活、操作简便等优势。     

径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测

采用近红外光谱(NIRS)法和人工神经网络定量预测大黄样品中４种有效成分的含量,包括：蒽醌及其单糖甙类、水溶性蒽甙类、芪芪甙类、鞣质及其有关化合物。在1 100～2 500 nm波长范围内扫描大黄粉末样品,采用径向基函数神经网络(RBFNN)建立了近红外光谱与HPLC分析值之间的校正模型。上述四类化合物的交叉验证均方差(RMSECV)分别为2.572,0.442,2.794,9.438;预测均方差(RMSEP)分别为4.598,8.657,0.458 6,5.106。该方法快速,无损,结果令人满意,可作为中药材复杂体系中化学组分定量测定的方法。     

基于反射光谱技术的植物叶片SPAD值预测建模方法研究

植物叶片SPAD值反映了植物叶绿素含量,对特定的植物也反映了氮含量。为了实现植物叶绿素含量的快速无损检测,利用光纤反射光谱技术对植物叶片SPAD值进行了预测建模研究。实验中选取70个样本作为建模集,50个样本作为校验集。通过叶片光谱比对,发现光谱红边段650～750 nm对SPAD预测建模有直接关系。实验确定了光强调节因子和叶片厚度影响因子。首先通过待定系数法构造出SPAD预测公式,然后用Visual Basic6.0设计的遗传算法进行参数寻优,最后确定最佳敏感波段为683.24～733.91 nm。分析表明,叶片厚度对SPAD反射光谱模型精度有显著影响。经过叶片厚度修正后的建模集拟合因子R2为0.865 8, 校验集拟合因子R2为0.916 1。结果表明, 利用反射光谱技术建立的SPAD预测模型是成功的, 从而可为仪器开发提供方法指导。     

主成分分析在某型柴油机光谱数据分析中的应用

通过改变气缸套和活塞间隙,设计了6种工作状态,获得了某型6缸柴油机在每种工作状态下不同负荷时的润滑油样本共计69个,采用超谱M型原子发射光谱仪分析21种元素浓度。应用主成分分析法,分别以分析元素和润滑油样本为研究对象,基于权系数和主成分得分,对光谱数据进行了元素分类和样本分类。发现应用主成分分析法分析油液光谱数据能比较理想地对元素进行分类,该分类的3种主成分反映了5种类型的元素组合即磨损元素Fe,Cr,Cu,Al和Pb,含量较高的添加剂元素Na,Zn,P,Ca和Mg,含量较低的添加剂元素Ba和B,润滑油主成分元素C和H和干扰元素Ni,Ti,Mo,V和Ag等。不仅如此,主成分分析法对样本的分类较好地区分了来自柴油机不同的气缸套—活塞设计间隙的油样。研究表明应用主成分分析法分析润滑油光谱分析数据可揭示不同元素的来源、监测工况和诊断磨损故障。     

人工神经网络-近红外光谱法用于粉末药品扑热息痛的非破坏定量分析

研究了应用人工神经网络进行粉末药品的非破坏定量分析,使用扑热息痛粉末药品的近红外漫反射光谱数据建立人工神经网络模型,预测未知样品,讨论了影响网络的各参数,采用逼近度作为网络新的评价标准,由于人工神经网络好的非线性的多变量校正特点,预测结果是准确的。     

基于油液光谱分析的综合传动状态监测试验研究

通过对某履带装甲车辆综合传动的液压润滑油液进行长期光谱跟踪监测分析,结合其内部摩擦副的材料分析,根据油液中磨损金属颗粒的浓度趋势分析,判断综合传动磨损状态,确定是否存在故障隐患,从而避免重大故障的突发,为装甲车辆实现视情维修提供理论和试验依据,提高了我军装备的可靠性和可维修性。试验研究证明,此方法具有很高的稳定性和准确性,能够有效地应用于动力传动系统的状态监测及故障诊断。该方法突破了我军装备的定期维修模式而向视情预防维修模式的转变,具有重要的使用价值。     

基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究

提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法。在3 800～10 000 cm-1(波长1 000～2 632 nm)范围内采集四种玉米单粒完整籽粒的近红外漫反射光谱,经Savitky-Golay平滑和多重散 射校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。主成分分析表明,前8个主成分的累积贡献率达到99.602%。以前8个主成分作为网络输入,品种类型作为输出,建立三层LMBP神经网络模型。每个品种 各取30粒共120个样本用于建模,10粒共40个样本用于预测。模型对建模集120个样本鉴别率为100%,对预测集40个样本的鉴别率为95%。实验结果说明该方法能快速无损地鉴别玉米品种,为玉米的品种鉴别提供了一种新方法。     

Millimeter-wave Micromachined Filter Design by Artificial Neural Network Modeling Technique

This paper presents a design approach for a 34 GHz λ/2 resonator micormachined bandpass filter by using the artificial neural network (ANN) modeling technique. Three important dimensions of the filter layout are used to capture critical input-output relationships in the ANN model. Once fully developed, the ANN model has been shown to be as accurate as an EM simulator and much more efficient computationally in the design optimization of the filter.     

人工神经网络与遥感FTIR对大气有机污染物的实时监测

利用遥感FTIR对大气中的有毒、易挥发有机化合物(VOCs)进行了实时定量测定,得到了待测物的积分浓度(PIC)。所测定的五种有毒易挥发有机化合物为甲醇、三氯甲烷、正己烷、丙酮和正丁醇。它们的FTIR光谱图存在着严重的混迭干扰现象,用人工神经网络法(ANN),成功地预测出了各污染物的浓度,并且给出了波数-吸光度-时间三维图,以及大气中污染气体浓度随时间的变化。结果表明,本方法对一定空间范围内的污染物定量分析,能够得到较为满意的结果,遥感FTIR可以作为连续实时监测的警报装置。     

Predicting kinetic parameters for coal devolatilization by means of Artificial Neural Networks

The chemical percolation devolatilization (CPD) model has been shown to represent the devolatilization process of different coals and heating conditions with good accuracy. However, its use in computational fluid dynamics is limited because of its relatively high computational cost. Here, an Artificial Neural Network (ANN) based model for predicting coal devolatilization kinetics is developed based on a database constructed with the CPD model for a wide range of coals and heating rates. The heating rates and the information of ultimate and proximate analysis are chosen as inputs of the ANN model to consider the effects of coal types and heating conditions on coal devolatilization; the outputs are the kinetic parameters for the two-step kinetic model. The learning, validation, and application results show that the proposed ANN model has a competitive prediction capability on both the total volatile release and release rates when compared with the CPD model, but has obvious computational efficiency advantages. Furthermore, the relative impact of the coal type and heating rate on each kinetic parameter for coal devolatilization is quantitatively evaluated through the Garson equation. It is found that the heating rate has the strongest effect on the pre-exponential factor, while the coal types show significant influence on the activation energy and final yield of the two reactions in the two-step model.     

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。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

人工神经网络在激光诱导击穿光谱数据分析中的应用进展

激光诱导击穿光谱(L IBS)具有实时、远程、多元素同时分析的优点,近年来在工业在线分析领域逐渐受到关注,发挥着重要作用.但基于发射光谱本身的特性,L IBS存在光谱噪声、基线漂移、自吸收和重叠峰等现象;又由于环境变化、激光能量波动、基体效应、样品表面形貌等因素,造成光谱稳定性和重现性差.这些问题导致光谱信息与定性、定...