数字逻辑的稳健神经网络实现

多层二进前向神经网络或布尔神经网络作为典型的人工神经网络模型，研究和应用的十分广泛，这里在分析数字逻辑基本运算和神经元关系后，提出了一种改进的利用三层前向感知器神经网络实现任意数字逻辑函数的新算法，该算法由稳健的感知器构造神经网络，并引入汉明距离化简、卡诺图化简和最小项抑制来降低网络的复杂性，由此算法构造的神经网络不但具有稳健性能，而且消除了对数字输入变量所作的变换，使其更加简单、规范，容错能力更强，可广泛应用于对数字电路设计、编码密码的研究。     

具有死区输入的分数阶多涡卷混沌系统的有限时间同步

基于滑模控制研究了具有死区输入的分数阶多涡卷系统的有限时间同步问题,根据分数阶微积分的相关理论,给出了系统取得同步的充分性条件,结果表明:在一定条件下,分数阶多涡卷混沌系统可取得有限时间同步.     

用人工神经网络方法研究高聚物的热力学性质

用前馈多层神经网络方法研究了高聚物的热力学性质.在本文的人工神经网络模型中,输入层为高聚物的密度ρ,缠结分子量M-e,玻璃化转变温度T-g,高聚物的高弹性模量G-N,钩状构像含量β和无扰均方末端距的特征比C-∞;输出层为高聚物比热C-p;隐含层的节点数为5.最后预测结果与实验结果非常接近,相对误差为2.2～5.4,这为研究高聚物的其它物理性质提供了一种新的方法.     

环境温度影响下基于LSTM神经网络识别结构损伤

环境温度的改变会引起模态参数的变化,其变化程度会掩盖或部分掩盖损伤引起的变化量,导致结构健康监测系统发出假阳性或假阴性的误判,因此,消除温度效应是提高损伤识别精度的关键。本文基于LSTM神经网络提出了一种环境温度影响下识别结构损伤的方法。充分利用LSTM神经网络的非线性映射优势,建立多元温度-模态频率的相关模型,在此基础上采用数据标准化方法消除温度效应,并结合控制图判断模态频率异常变化以确定损伤状况。最后将所提方法在数值模型和实际桥梁中加以应用,结果表明,方法能够有效消除温度效应;结合控制图能识别损伤时刻,并具有一定的抗噪性;在实桥数据分析中仍能表现出较好的损伤敏感性。     

基于机器学习检测相位畸变后的涡旋光束轨道角动量

针对涡旋光受大气湍流而产生的相位畸变问题,设计了卷积神经网络检测涡旋光束轨道角动量态.将相位畸变的拉盖尔高斯涡旋光光强图像作为样本数据输入,网络利用输入的数据集进行自主学习,经过多次迭代能够精确检测出光束高阶轨道角动量信息.仿真结果表明:在大气湍流强度不确定的情况下,模型对轨道角动量态范围为1～40、1～100、1～1...     

基于继电反馈的气动阀门模型辨识方法

气动阀门的模型辨识是实现控制参数自整定的关键点之一.提出了一种基于继电反馈法的模型识别方法,从一个继电反馈实验的极限周期振荡中提取出其准确的正、反行程的一阶惯性加纯滞后模型.该方法结合气动阀门的实际物理特性,没有任何近似与假设,给出了具体的操作方法与计算公式.对某型号气动阀门进行实例验证并将辨识结果用Matlab进行仿真,通过两者的对照分析,验证了该方法的有效性和准确性.     

物理信息神经网络求解五阶emKdV方程的正反问题

该文利用物理信息神经网络(PINNs)对扩展的五阶mKdV (emKdV)方程的正反问题进行求解,并对孤子的动力学行为进行分析、模拟.针对正问题,选用双曲正切函数tanh作为激活函数求解方程的一、二、三孤子解,并将PINNs方法求得的数据驱动解与借助简化的Hirota方法给出的方程精确解进行比较,一孤子解的精度为O(10^-4),二、三孤子解的精度为O(10^-3).针对反问题,分别由一、二、三孤子解的数据进行驱动求解方程的两个待定系数,并在不同的噪声下探究算法的鲁棒性.当在训练数据中加入1%的初始噪声或观测噪声时,待求系数的预测精度可分别达到O(10^-3)和O(10^-2);当加入3%的初始噪声或观测噪声时,预测精度依然可以达到O(10^-2);由实验数据分析可知观测噪声对PINNs模型的影响要略大于初始噪声.     

水体透射光谱结合主成分分析(PCA )改进化学需氧量(COD)含量估算研究

化学需氧量（Chemical Oxygen Demand,COD）是水体有机污染的一项重要指标,化学需氧量越高,表示水污染程度越严重。 为了解决传统的COD测量方法耗时较长,不利于快速、实时地获取水体中COD的信息等问题。本文提出了基于透射光谱测量结合主成分分析(Principal Component Analysis, PCA)改进水体COD含量估算模型。具体的,采集100组COD水体光谱信息,分别使用3种不同的高光谱数据预处理方法对光谱数据进行预处理,分析不同预处理方法对模型精度的影响,并基于不同的预处理方法分别建立高斯过程回归模型(Gaussian Process Regression, GPR)和BP神经网络模型,分析不同预处理方法对模型精度的影响;并对各模型结合PCA数据降维方法进行模型的改进,通过比较模型的精度选择最优模型进行水体COD含量的检测。结果显示,相比于原始光谱数据建立的GPR模型和BP神经网络模型,数据预处理后的模型精度明显提升;且结合PCA对预处理后的数据进一步降维处理后,模型精度得到了进一步的提升。其中,基于标准正态变量变换特征结合PCA改进BP神经网络模型基于PCA改进的BP神经网络模型R^2高达0.9940,均方根误差RMSE为0.022540。证明了基于PCA改进的BP神经网络数据降维方法对预处理后的光谱数据进行降维处理,有利于去除光谱中的冗余信息,提取特征信息,可以实现高光谱检测方法可以实现COD含量估算模型的优化,从而为传统COD测量方法存在的问题提出了一种新的解决思路。     

基于深度学习的两分量BEC中量子相变点的识别

识别物质的相变是物理学研究中一个重要问题.本文采用了一种混淆标签方案的卷积神经网络算法来识别两分量玻色-爱因斯坦凝聚(BEC)中量子相变点,通过计算神经网络输出的准确率,得到W型性能曲线,此性能曲线中间的极大值对应着量子相变的临界点.研究结果表明,深度学习得到的量子相变点与解析计算值吻合度较高.此混淆标签方案的深度学习研究方法可以应用到存在两种相的相变体系.     

分段线性神经网络的逼近理论

随着分段线性函数的广泛应用,本文尝试研究浅层和深层的分段线性神经网络的逼近理论.作者将应用于三层感知机模型的万能逼近定理拓展到分段线性神经网络中,并给出与隐藏神经元个数相关的逼近误差估计.利用分段线性函数构造锯齿函数的显式方法,证明解析函数可以通过分段线性神经网络的深度堆叠以指数速率逼近,并辅以相应的数值实验.