基于卷积神经网络的全球海洋叶绿素a浓度反演方法

作为浮游植物体内主要色素的叶绿素a能够指示水体富营养化的程度,因此准确地获取与预测叶绿素a浓度可为保护海洋环境提供依据。以中分辨率成像光谱仪获取的遥感影像作为数据源,将同一水域的叶绿素a浓度图像作为相对真值,采用卷积神经网络建立遥感反射率与叶绿素a浓度之间的关系模型,进而实现对海洋叶绿素a浓度的反演。首先,对2020年全球海洋反射率数据(波段组合为412, 469, 488, 547和667 nm)和叶绿素a浓度数据进行倍数放大、对数变换等预处理。其次,从中截取2020年1月太平洋与印度洋交界处的水域影像作为数据集,并将其划分为训练集和验证集,构建与训练海洋叶绿素a浓度的卷积神经网络反演模型,以决定系数(R²)、均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标,优化反演模型。最后,使用2020年1月—12月的叶绿素a浓度数据作为测试集,验证模型的反演精度。结果表明,构建的反演模型R²=0.930, RMSE=0.132, MAE=0.103,证明模型给出的叶绿素a浓度的反演结果与真值具有较高的一致性,能够应用于基于遥感影像进行全球海...     

基于改进1D-VD-CNN与近红外光谱数据的金银花产地溯源研究

金银花是清热解毒必备良药,市面上金银花来源复杂,最著名的山东平邑产金银花在市场上常遭造假。已有的鉴别方法大多耗时长、成本高且操作复杂,亟需一种快速高效的金银花产地溯源方法。针对应用在金银花鉴别中的近红外光谱(NIRS)数据的一维卷积神经网络(1D-CNN)鉴别模型存在参数量过大、模型效率过于低下、计算复杂度高,同时易产生过拟合问题,对传统1D-CNN结构作出改进。使用效率较高的VD(Very Deep)结构替代传统1D-CNN中隐含层结构,并针对NIRS数据适应性改进,使其可直接应用于一维NIRS数据。改进分为三步：(1)将特征层的设计转为2个约束优化设计：第一约束条件设每个卷积层C值(卷积核与感受野的大小比值)为1/6,可提高网络模型效率;第二约束条件取顶层感受野大小为数据向量大小,实现更深层数据特征提取,并减小过拟合。(2)通过降采样把特征层输出特征向量缩小至较小的尺寸;(3)使用两个1×5大小的卷积层和一个带有Dropout的池化层将数据大小降采样到只有一个矢量的向量替代分类作用的全连接层,进而减小参数量。采集河南、山东、河北、重庆主要产地出产的金银花为样品500份。测试光谱范围...     

基于声发射和GAN-CNN的铝合金管道法兰 连接松动泄漏检测*

面向管道法兰连接松动引起的泄漏检测需求,为解决数据样本不足和减少特征指标手动选取的繁琐环节。本文,考虑到生成性对抗网络（GAN）作为数据扩充工具,已被证明能够生成与真实数据相似的样本数据。同时,卷积神经网络（CNN）作为一种深度学习方法,为自动提取数据的特征提供了一种有效的方法。开展了基于GAN和CNN的铝合金管道法兰连接松动泄漏检测研究。首先,搭建管道泄漏标定和数据采集实验台,利用声发射技术获取不同等级的原始泄漏信号。其次,采用GAN生成样本数据扩充原始数据。同时,为了评估生成模型的性能,引入统计特评估生成质量。最后,将生成的样本数据与原始数据设置为不同训练集,基于卷积神经网络构建智能分类检测模型,应用于管道泄漏检测。同时,分类检测结果与小样本智能分类方法SVM进行了比较,实验结果表明,基于GAN和CNN构建的智能分类模型可显著提高管道法兰连接松动泄漏检测精度。     

用灰色理论和神经网络理论建立陀螺漂移模型初探

本文就灰色理论和神经网络技术在建立陀螺漂移模型上的应用进行了初步探讨；介绍了这两种理论工程应用上的方法和特点以及相关的一些问题。     

GPS误差模型参数估计的Hopfield神经网络方法

本文首先建立了ＧＰＳ误差模型。然后，利用Ｈｏｐｆｉｅｌｄ神经网络（ＨＮＮ）方法对误差模型参数进行了估计，并给出了其硬件实现方法。将估计结果与传统的最小二乘（ＬＳ）估计进行比较，证明了神经网络方法的有效性。     

神经网络算法及其在GPS导航中的应用

GPS导航解算中常采用最小二乘算法。由于导航解算中存在观测异常（粗差），采用的模型精度很难满足用户需求，而高动态用户需求的精度却不断提高，为此文中提出一种利用神经网络的非线性逼近能力，在顾及观测信息权阵的条件下，利用Hopfieid神经网络进行GPS导航解算的新算法。该算法具有很好的抗差性和自适应性，能较好地抑制观测粗差对导航解的影响。计算结果证明了该算法的有效性。     

埋入压电元件的自诊断智能结构的理论分析与实验研究

将压电元件埋设于复合材料层板结构中，可实现结构应变分布的在线监测。本文提出一种采用压电应变传感器阵列和人工神经网络模型的自诊断方法，对局部埋入压电应变传感元件的平板结构进行了分析，采用神经网络模型根据压电传感器组的输出识别结构承载位置和大小，对该方法进行了数值模拟和实验验证。     

弹性力学的实时神经计算原理与数值仿真

针对现代结构分析的特点，提出了基于神经网络结构的弹性力学分析原理；给出求解该问题的网络———改进的Ｈｏｐｆｉｅｌｄ和ＴＨ网络．提出用ＢＰ网络来实现单元刚度矩阵的实时计算．最后，对两个简单结构的弹性力学神经计算进行了数值仿真     

矩形板结构损伤的分区域神经网络识别方法

通过引入LM优化算法，针对矩形薄板中对称结构的损伤识别问题，提 出了一种基于神经网络的分区域分步识别方法. 对于预测输出量比较多且对预测精度要求比 较高的问题，常会出现网络训练时收敛速度慢、网络预测精度低，并且当网络训练达到目标 误差时，输出的预测量中常有某个输出量的误差还很大的情况. 针对这些问题，利用选 取的组合输入参数，提出了基于神经网络的分区域识别方法. 通过对悬臂板结构的数值模拟 结果表明：提出的分区域识别方法对结构损伤的分区和预测是可行和有效的， 其预测精度要明显的高于只用单个网络的预测结果，并且预测子网络对损伤的位置和程度是 同步输出的，从而避免了传统分步识别理论中子网络过多的问题.     

铝基复合材料高速干摩擦行为的遗传神经网络预测模型

对4种SiC颗粒增强铝基复合材料在5种速度和4种压力条件下进行了销-盘摩擦磨损试验,运用遗传神经网络技术建立了铝基复合材料在高速干滑动过程中的摩擦行为预报模型,并用该模型对铝基复合材料进行预报.结果表明,蓄热能力较大的铝基复合材料在服役条件下具有较高的摩擦系数,与实际情况相一致.用遗传神经网络建立的铝基复合材料摩擦行为预测模型为服役条件下提供了简便、可靠的优选材料方法.