基于ANN-GA协同寻优的动态拉伸试样尺寸优化方法

材料动态拉伸力学性能测试中,动态拉伸试样的几何尺寸对测试结果的准确性与有效性有着较大影响。为对动态拉伸试样的结构进行优化设计,以使其在动态拉伸过程中更好地满足一维应力与变形均匀等基本假设。首先,建立了量化的试样测量准确度指标,即应力平衡达到时间、变形均匀度、非轴向应力相对水平、过渡段相对变形。然后,对试样结构参数进行正交试验设计,通过数值模拟的方法得到了关于试样尺寸与测量准确度指标的正交试验数据库,并对正交试验数据库进行多目标正交试验矩阵分析,得到了试样结构参数对各测量准确度指标影响的主次顺序和规律。最后,以正交试验数据库为训练集,采用人工神经网络（artificial neural network, ANN）协同遗传算法（genetic algorithm, GA）的全局寻优方法对试样的结构尺寸进行优化设计,得到了试样的最优结构尺寸,并对最优尺寸的有效性进行了验证。结果表明,优化后的试样结构在材料动态拉伸力学性能测试精度上的表现明显得以提升。因此,采用ANN-GA协同优化的方法对动态拉伸试样的结构进行优化具有可行性和有效性。     

基于机器学习方法的丙型肝炎病毒非结构蛋白5B聚合酶抑制剂活性预测

在丙型肝炎病毒(HCV)的基因复制和蛋白质成熟的过程中, 非结构蛋白5B(NS5B)作为RNA依赖的RNA聚合酶起到了重要的作用. 抑制NS5B聚合酶可以阻止丙型肝炎病毒的RNA复制, 因此成为一种治疗丙型肝炎的有效方法. 通过计算机方法进行虚拟筛选和预测NS5B聚合酶抑制剂已经变得越来越重要. 本文主要采用机器学习方法(支持向量机(SVM)、k-最近相邻法(k-NN)和C4.5决策树(C4.5 DT))对已知的丙型肝炎病毒NS5B蛋白酶抑制剂与非抑制剂建立分类预测模型. 1248个结构多样性化合物(552个NS5B抑制剂与696个非NS5B抑制剂)被用于测试分类预测系统, 并用递归变量消除法选择与NS5B抑制剂相关的性质描述符以提高预测精度. 独立验证集的总预测精度为84.1%-85.0%, NS5B抑制剂的预测精度为81.4%-91.7%, 非NS5B抑制剂的预测精度为78.2%-87.2%. 其中支持向量机给出最好的NS5B抑制剂预测精度(91.7%); C4.5决策树给出最好的非NS5B抑制剂预测精度(87.2%); k-最近相邻法给出最好的总预测精度(85.0%). 研究表明机器学习方法可以有效预测未知数据集中潜在的NS5B抑制剂, 并有助于发现与其相关的分子描述符.     

基于高光谱成像的纸质文物“狐斑”检测方法研究

受保存条件影响,很多纸质文物表面会形成狐斑（foxing）,如果不能进行有效监测和科学判断,会进而影响纸质文物安全。纸质文物狐斑病害检测存在滞后性、主观性等问题,对于书画藏品被墨色、颜料及印章等覆盖的区域更是难以通过肉眼进行识别,因此,基于文物的预防性保护理念,亟待开发对于狐斑高效、精确识别的无损检测技术。可见光-近红外高光谱图像结合了光谱和图像,包含丰富的空间信息与光谱信息,可以实现无损批量地平面采集样本光谱信息。该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法,获取模拟纸质文物在360～970 nm的高光谱图像,因360～450 nm受噪声影响过大,所以选择剔除这部分光谱数据;选取感兴趣区域并获取相应的平均光谱反射率,比较健康区域与被狐斑感染区域,发现两者的光谱曲线存在差异;在450～600 nm附近,受狐斑影响区域比健康区域的光谱反射率偏高,并在600 nm附近出现波峰形态;而在600～900 nm范围内,被感染区域与健康区域的光谱都趋于平稳,两者之间差异逐渐减小。选取从特征波长对应的图像中提取的特征信息建立图像识别模型,运用波段运算观察狐斑图像特征,狐斑的大小和分布情况都能清晰地显示,但与印章和墨迹重叠部分,狐斑被印章和墨迹遮盖,难以识别;利用最小噪声分离,虽然不同部分有重叠,但能发现仅凭肉眼难以识别的隐藏的狐斑;180条高光谱数据（450～970 nm）建立狐斑判别模型,随机地分为120条数据为训练集,60条数据为测试集,应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型,总体上两种方法对狐斑判别率分别达到73.3%和85%;BP神经网络相较于K-近邻模型,总体判别率更高,识别效果也更好。结果表明,利用高光谱成像可高效准确识别纸质文物狐斑,为后续研究狐斑分布发展提供可靠的技术手段,也为博物馆馆藏文物的保存提供指导意见。     

腔体约束LIBS结合机器学习对土壤重金属元素的定量分析

土壤重金属元素含量检测及防治,对我国农业、生态环境修复具有重大意义。利用外加腔体约束结合激光诱导击穿光谱技术（LIBS）获得土壤光谱数据,采用机器学习对土壤中重金属元素Ni和Ba含量进行分析。实验设置延迟时间为0.5～5 μs,选择Ni Ⅱ 221.648 nm和Ba Ⅱ 495.709 nm作为目标研究特征谱线,计算两种LIBS条件下延迟时间对信噪比、光谱强度及增强因子的影响。结果表明,腔体约束LIBS（CC-LIBS）可以增大光谱强度及目标元素信噪比,同时随着采集延迟时间增长,等离子体数目变少,光谱强度及信噪比逐渐减小并趋于稳定;当延迟时间设置为1 μs时,CC-LIBS条件下Ni和Ba元素特征谱线信噪比达到最优,确定此时为LIBS最优实验条件。通过最优条件获取9种含Ni和Ba元素土壤样品的光谱数据,由于采集到的每组光谱信息有12 248个数据点,利用主成分分析（PCA）对CC-LIBS条件下的光谱数据降维,在保留95%以上的土壤原始信息后,选择9个主成分作为定量分析模型的输入变量,以提高模型的运算速度。采用机器学习中的Lasso,AdaBoost和Random Forest模型,对PCA降维后的光谱数据进行建模及预测,实现土壤重金属元素Ni和Ba的定量分析。结果表明,与Lasso和AdaBoost模型相比,Random Forest模型在训练集和测试集中表现出的预测性能最优。Random Forest模型下Ni元素在测试集中的R2为0.937,RMSEP为3.037;Ba元素在测试集中的相关系数R2为0.886,均方根误差RMSEP为90.515。基于腔体约束LIBS技术结合机器学习,为土壤重金属元素的高精度检测提供了技术指导。     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

基于人工神经网络的湍流大涡模拟方法

大涡模拟方法(LES)是研究复杂湍流问题的重要工具,在航空航天、湍流燃烧、气动声学、大气边界层等众多工程领域中具有广泛的应用前景.大涡模拟方法采用粗网格计算大尺度上的湍流结构,并用亚格子(SGS)模型近似表达滤波尺度以下的流动结构对大尺度流场的作用.传统的亚格子模型由于只利用了单点流场信息和简单的函数关系,在先验验证中相对误差较大, 在后验验证中耗散过强. 近几年来,机器学习方法在湍流建模问题中得到了越来越多的应用.本文介绍了基于人工神经网络(ANN)的湍流亚格子模型的最新进展.详细地讨论了人工神经网络混合模型、空间人工神经网络模型和反卷积人工神经网络模型的构造方法.借助于人工神经网络强大的数据插值能力,新的亚格子模型的先验精度和后验精度均有显著提升. 在先验验证中,新模型所预测的亚格子应力的相关系数超过了0.99,在预测精度上远高于传统的大涡模拟模型. 在后验验证中,新模型对各类湍流统计量和瞬态流动结构的预测都优于隐式大涡模拟方法、动态Smagorinsky模型、动态混合模型等传统模型.因此, 人工神经网络方法在发展复杂湍流的先进大涡模拟模型中具有很大的潜力.      

某发动机热试车的振动环境预示方法研究

发动机热试车试验在新型运载器的研制过程中起到重要作用,可用于预测运载器在飞行中的振动环境。由于载荷不等效,试验数据量有限,使得难以直接通过试验数据建立同一结构在不同系统下的映射关系模型。本文提出了一种基于试验数据的振动环境预示方法,以某发动机两次热试车试验数据为对象,分别提取了反映结构特性的动力学模型,基于载荷等效原则构造了结构振动响应学习样本,采用机器学习的方法建立了两次热试车试验条件下发动机结构的映射关系,实现了从一种试车状态下的结构振动响应预示另一种试车状态下的振动环境,预示结果与实测数据进行了比较,满足±3d B的工程精度要求。     

可见-近红外多光谱数据对水稻种子成活率的判定

种子活性受到存储条件的影响很大。收集了真实情况下受到不同存储条件影响的种子,通过发芽实验验证了其成活率存在差异。再从中选择适量的种子样本,采集其单颗种子的可见-近红外反射光谱,运用不同的光谱预处理技术,结合不同的机器学习建模手段,以区分不同成活率的种子。比较了不同的光谱预处理方法,比如标准反射光谱校正、多元散射校正等。从识别准确度的角度,认为标准反射光谱校正的方法,能够很大程度上提升不同存活率种子的光谱差异性,从而经过机器学习判断达到更高的识别准确度。同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法,发现利用标准反射光谱校正的方法结合距离判别分析,能够对种子样本实现完全准确的判定。更进一步,为了满足实际运用中快速识别的要求,将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据,这样可以大大降低的光谱数据长度,节约各种机器学习器在训练和判断中所用的时间。使用简化过后的多通道带通光谱数据判定种子存活率,其识别准确度仍然接近90%。充分说明了,利用多通道宽带光谱数据,并选择合适的机器学习建模方式,足以满足实际选种产业的一般性需求,有潜力作为未来粮种成活率快速鉴别的技术手段。还采用了多种带通宽度以简化光谱,分析比较不同带通宽度对识别精度的影响。总体来说由于带宽增大,数据量减少,识别速度更快,但是识别精度降低。从10~50 nm改变光谱带宽,标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。在实际运用中,需要权衡识别速率和预期识别精度,合理的选择带宽。验证了根据简化后的可见近红外反射光谱,能够较快速且准确的识别水稻种子存活率,为以后的基于带通滤波片的快速种子存活率识别奠定了基础。     

基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。