基于EMD-PSO-LSTM组合模型的船舶运动姿态预测

由于船舶在海上航行时的高随机性和复杂性,单一模型预测能力有限,难以做出准确姿态预测。因此,提出一种基于经验模态分解(EMD)和粒子群优化(PSO)的长短期记忆神经网络(LSTM)的组合预测模型,对船舶运动姿态进行预测。首先通过EMD算法将由惯性导航系统在实时测量得到的船舶运动姿态数据进行分解,得到有限个本征模函数(IMF)。然后,利用PSO-LSTM模型学习各IMF分量的短期时序规律并进行预测,将各IMF分量的预测值相加得到最终的预测结果。基于实测数据进行仿真的结果表明,该组合预测模型分别比LSTM模型和PSO-LSTM模型在姿态角的预测中平均绝对百分比误差分别降低了约11%和7%,有效提高了船舶运动姿态预测精度。     

基于荧光光谱技术的菜籽油氧化状态智能评价

菜籽油在加工及贮藏过程中，易受氧气、温度、光照等因素的影响，产生氧化酸败现象。为准确判断油脂氧化程度，实现不同氧化模式下菜籽油品质的快速判别，采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。以冷榨菜籽油为原料，将样品分别置于常温、Schaal烘箱、高温模式中氧化处理，期间采集菜籽油的三维同步荧光光谱数据及理化指标，当理化指标超出国标限定范围时，停止采集数据。结果表明，菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异，氧化温度对菜籽油荧光光谱有明显影响。常温氧化350 d与第1 d相比，菜籽油的特征荧光峰位置无变化，仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化；Schaal烘箱氧化26 d后，在激发波长Ex为620和660 nm附近荧光峰强度显著减弱，且在激发波长Ex为350～450 nm之间有新的荧光峰生成；高温氧化48 h后，Ex为620和660 nm处荧光峰消失，在Ex为400～550 nm处产生显著荧光峰，相对Schaal烘箱氧化，荧光波长发生一定程度红移，这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据，当组分数为6，Δλ=60 nm时激发波长的载荷值最大，不同样品间差异最显著。选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价，作为BP神经网络模型的输入值，以极性组分作为模型输出值，分别对菜籽油三种氧化模式数据建模训练。实验结果表明，三种氧化模式对应的训练集、验证集、测试集模型相关系数r均能达到0.9以上，其中常温氧化模式中验证集及测试集模型的相关系数r为1，输出值与目标值较接近，模型的预测效果较好；综合三种氧化模式数据建模，对应训练集、验证集、测试集模型的相关系数分别为0.999，0.913和0.988，均方误差均较小，说明该模型能准确判断菜籽油的不同氧化状态。因此，三维同步荧光光谱技术结合平行因子分析法、BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别，为菜籽油的氧化程度的评价提供新方法，同时为其他食用油的品质评价提供参考。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于Deep-IndRNN的DGA域名检测方法

恶意服务常利用域名生成算法（DGA）逃避域名检测,针对DGA域名隐蔽性强、现有检测方法检测速度较慢、实用性不强等问题,采用深度学习技术,提出了一种基于Deep-IndRNN的DGA域名检测方法。方法运用词袋模型（BoW）将域名向量化,然后通过Deep-IndRNN提取域名字符间特征,并使用Sigmoid函数对域名分类检测。其主要特点在于:通过将Deep-IndRNN的多序列输入拼接为单向量输入,以单步处理代替循环处理,同时结合Deep-IndRNN能保存更长时间记忆的特点,可有效释放深度学习时占用的GPU、CPU等系统资源,且在保证高准确率和精确度的前提下提高训练、检测速度。实验结果表明,基于Deep-IndRNN的DGA域名检测方法在检测任务中具有较高的准确率和精确度,相比于DNN、CNN、LSTM、BiLSTM、CNN-LSTM-Concat等同类检测方法,能显著提高训练、检测速度,是有效可行的。     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

阿尔茨海默病诊断的自适应BP神经网络模型

阿尔茨海默病(AD)和轻度认知功能损伤(MCI)具有患者多、诊断难的特点,改进BP神经网络,提出自适应BP神经网络(ABP)进行100次AD和MCI诊断模拟,ABP神经网络的诊断正确率显著高于BP和RBF神经网络.采用留一法将101例正常人、200例MCI和90例AD患者的样本分为训练集和检测集,用ABP神经网络对其进行诊断模拟,总正确率达到73.91%.     

基于Chebyshev多项式的神经网络中长期负荷预测研究

高精度负荷预测在提高电力系统的安全性和经济性方面有着极其重要的意义,而现有的负荷预测方法因参数有限,难以完全反映其内在规律,因而导致预测结果不够准确.为此提出了一种基于Chebyshev多项式神经网络模型的预测方法.该方法使用递推最小二乘法训练神经网络权值系数,以获得高精度的参数估计,从而实现Chebyshev多项式神经网络模型对负荷量的最优拟合,再利用训练好的Chebyshev多项式神经网络模型实现中长期负荷预测.研究结果表明,该方法能较好模拟负荷变化规律,有效提高了负荷预测精度,在电力系统负荷预测中有较大的应用价值.     

具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛(英文)

本文研究了具有变时滞和马尔可夫切换的随机递归神经网络的弱收敛,通过运用Lyapunov函数、随机分析技巧和推广了的Halanay不等式,得到了上述模型为弱收敛的充分性条件,并且我们揭示了对上述递归神经网络模型所确定的segment过程的转移概率的极限分布是此模型的解过程的唯一的遍历不变概率测度.此外,我们还给出了例子和数值模拟来说明我们结论的正确性.     

广东省能源需求预测模型构建及实证分析

为了对广东省的能源需求进行准确的预测,首先分析了影响广东省能源需求的各种因素,构建了预测指标体系.在此基础上,针对能源系统非线性等复杂系统特征,结合粒子群算法和BP神经网络的优点,构建了改进的PSO-BP神经网络的预测模型,并通过主成分分析法对指标体系进行数据降维,以降低神经网络的规模和复杂程度.以广东省1985-2013年的能源需求数据进行模拟与仿真,并对2014-2018年的能源需求量进行预测,理论分析和实证研究表明,该方法能够很好的反映广东省能源需求的特征,预测结果较为准确合理.