基于网络媒体信息的传染病传播模型及其仿真研究

当一种突发传染病开始流行时,政府、媒体会以各种形式告知民众,有防范意识的民众将采取一定的防范措施来降低感染率.考虑面对一种突发传染病,将易感群体划分为具有防范意识和不具有防范意识两种群体,利用生命周期理论,分析网络媒体信息报道对传染病传播的影响,以此为依据建立一种改进的传染病传播模型(MSI).利用网络大数据得到对传染病有防范意识群体的观测值信息,利用神经网络技术对模型MSI的参数进行反演.然后对模型MSI数值仿真得到传染病传播过程,提出了相应的控制措施.     

基于改进的GM(1,1)-BP组合模型的人口预测研究

准确地预测人口总量发展趋势,对我国社会稳定发展具有重要意义.通过分析GM(1,1)模型背景值的构造理论,利用Newton插值公式和线性分段函数优化GM(1,1)模型的背景值,得到新的GM(1,1)模型,并结合BP神经网络模型,再利用遗传算法优化GM(1,1)-BP组合模型的权重系数,并将组合模型应用到新疆人口预测中.最后,分别应用不同的模型,以及改进的GM(1,1)-BP组合模型进行计算和平均相对误差对比,结果表明,改进的GM(1,1)-BP组合模型有效地提高了预测精度.     

网络小额贷款业务个人信用风险评估——基于DNN-SMOTEENN-ExtraTrees组合模型

针对网络小额贷款业务,构建组合模型DNN-SMOTEENN-ExtraTrees评估网络小贷信用风险.首先利用SMOTEENN算法处理样本数据中“好”和“坏”样本分布极端不平衡情况,再利用极端随机数算法ExtraTrees对特征重要性进行评估并剔除无关变量,最后采用深度神经网络DNN评估网络小贷个人信用风险.通过召回率、精确度、F1值和AUC值等模型性能评价指标,与BP神经网络模型、Logistic回归及支持向量机比较,发现组合模型分类能力更显著,泛化能力更加优异,更适合数据规模大、维度高的网络小贷市场评估信用风险.     

基于多维动态隶属度的模糊时间序列的天然气月负荷预测

准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益。由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法。首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值。应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARIMA模型、BP神经网络(BPNN)、LSTM等模型进行对比。实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型。因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考。     

太赫兹超材料吸收器的逆向设计

提出一种顶层图案为圆环加双开口谐振环结构的吸收器,并通过神经网络实现太赫兹超材料吸收器结构参数的逆向设计。该神经网络由输入层、输出层和5层隐藏层构成,输入为所需吸收率和品质因子,根据电磁共振理论将3个结构参数设定为输出。仿真结果表明,该吸收器在1.192 THz频率处的吸收率可达99.99%,在1.22 THz频率处品质因子可达31.7,其吸收性能与目标性能的误差最小为0.9%。所提方法显著简化了吸收器的设计过程,为太赫兹超材料的快速发展提供可能。     

基于神经网络的可见光通信系统信道估计方法

针对现有的非对称限幅光正交频分复用（ACO-OFDM）可见光通信（VLC）系统中信道估计方法存在导频数量过大、精度低、估计效率不高的问题,提出一种基于深度神经网络（DNN）的VLC信道估计方法。利用梯度集中化（GC）方法进行模型优化,并采用端到端的方式跟踪信道信息并恢复失真信号。仿真结果表明：所提方法的误码率（BER）和均方误差（MSE）性能均优于传统方法;在使用较少的导频和省略循环前缀（CP）进行信道估计时,所提方法具有更强的鲁棒性。此外,在DNN训练过程中引入GC方法,可以加快网络的收敛速度,提高其优化能力。     

基于深度相位估计网络的涡旋光束相位校正

大气湍流会引起涡旋光束（VB）的相位畸变和模态扩散,造成湍流介质中通信性能下降。提出基于深度相位估计网络的拉盖尔-高斯（LG）光束相位补偿方法,以提高模态检测准确度,即通信的可靠性。分别利用使用和不使用高斯光作为探测光束两种方案进行学习,在光强图像与大气湍流引起的扰动相位之间建立映射关系,在接收端依据接收到的光强图像,预测湍流引起的扰动相位并进行相位校正。结果表明,所提深度网络能够较准确地实现相位预测,经补偿后,光束模态纯度达到95%以上,补偿后光强图像与发送端光强图像之间的均方误差明显减小。     

基于邻域像素注意力机制的光场深度估计方法

通过发掘深度信息与子孔径图像邻域像素间的高度相关性,提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制,该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系,能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块,该模块通过三维卷积将相邻序列图像上的特征编码到特征图上,并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络,该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明,所提方法在均方误差（MSE）和平均坏像素率（BP）指标上总体表现优于其他先进方法,同时得益于高效注意力机制的加入,与其他先进方法相比所提方法运行速度最快。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

基于SG-CARS-IBP的圣女果可溶性固形物可见/近红外光谱无损检测

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要,但基于高光谱成像及介电性质特征的SSC检测技术存在局限性,且目前鲜见圣女果SSC无损检测模型。为实现圣女果SSC的无损检测,提出基于圣女果可见/近红外光谱特征的SCC预测模型构建,及改进的BP神经网络算法研究,以期解决圣女果内部品质的快速无损检测。以圣女果为研究对象,试验样本188个,将其划分为训练集150个和测试集38个,采用可见/近红外光谱采集系统获取350～1 000 nm范围内的圣女果表面反射强度,经光谱校正得样本反射率,为增强信噪比,截取481.15～800.03 nm范围内的光谱波段作为有效波段进行分析。通过对比三种预处理模型,对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理,建立BP神经网络预测模型,测试集决定系数(R²)和均方根误差(RMSE)分别为0.578 5和0.563 9;在此基础上,对BP神经网络的网络结构进行改进,寻求BP神经网络最优预测结构,计算输出层与期望值间误差,调整网络结构参数,将隐含层学习率和神经元个数分别设置为0.01和5,建立改进...