RBF神经网络在"薄管板"结构强度分析中的应用

叙述了RBF神经网络的结构和“薄管板”结构强度分析过程以及应用RBF神经网络对“薄管板”结构应力的非线性系统进行了系统辩识 ,网络输出值与计算值符合较好。说明基于神经网络的系统辩识方法在结构强度分析过程中具有一定的实用性。     

耦合时空混沌的模糊混沌神经网络鲁棒自适应控制

将模糊逻辑系统和混沌神经网络结合起来,利用模糊逻辑系统的逼近能力和混沌神经网络的时空混沌行为,对模型未知的耦合时空混沌系统提出了一种模糊混沌神经网络自适应控制方案;同时考虑系统扰动、未建模动态特性和建模误差的影响,设计自适应补偿器,增强时空混沌系统控制的鲁棒性;并用Laypunov方法证明了该方案的稳定性;仿真验证了方案的有效性和鲁棒性。     

深海直达波区卷积神经网络测距方法

深海声场通常可以看作不同掠射角的多途声线在接收器处的叠加,其中经海底反射的声线携带与海底参数有关的声场特征。利用深度卷积神经网络分别学习垂直阵声压域(CNN-Field)和垂直阵波束域(CNN-CBF)特征的方法被用来估计直达波区声源距离。该方法首先对仿真直达波区声场数据做预处理,然后将声压域和波束域的声场数据分别作为训练集训练深度卷积神经网络模型,最后输入测试集数据到训练完成的模型中估计声源距离.实测环境参数的仿真实验表明CNN-Field方法在不同海底参数的测试集下测距结果差异较大,CNN-CBF方法差异较小,而且在16阵元10 m等间距垂直阵的阵元域信噪比大于0dB时估计准确率可以达到97%.海试数据处理结果表明CNN-CBF方法的直达波区内测距准确率高于CNN-Field,在距离10 km以内的平均准确率可以达到93.16%.      

基于TDLAS技术的CH4气体检测与温度补偿方法

CH₄气体的精准检测对防止矿井瓦斯爆炸,确保安全生产至关重要。目前基于可调谐半导体激光吸收光谱技术（TDLAS）存在因温度变化导致气体浓度测量误差较大。探究了基于TDLAS的CH₄气体检测系统与温度补偿方法,分析温度对CH₄气体吸收谱线的影响,通过算法补偿模型消除环境温度对CH₄气体检测的影响。依据TDLAS技术原理及相关理论,对系统发射单元、吸收池、信号接收单元、数据处理单元进行设计,搭建了基于TDLAS技术的CH₄气体浓度检测系统,实验检测了不同环境温度（10~50 ℃）时0.04%CH₄气体浓度,分析温度变化对CH₄气体在波长为1.653 μm处吸收谱线强度和半宽度的影响。为消除温度对CH₄气体检测的影响并提高补偿效果,采用粒子群优化算法（PSO）优化BP神经网络（BPNN）的最佳权值和阈值,建立CH₄气体的PSO-BP温度补偿模型,克服了BP神经网络收敛速度慢、易陷入局部最优的缺点。结果表明：（1）基于TDLAS的CH₄气体检测浓度随环境温度升高而下降,整个实验温度内相对误差范围为4.25%~12.13%,不同环境温度下CH₄气体检测浓度与温度之间的关系可用一元三次多项式表示;（2）CH₄气体的吸收强度和半宽度随着温度的升高而下降,与温度变化之间的关系为单调递减函数,温度对CH₄气体吸收谱线强度的相对变化率大于吸收谱线半宽度的相对变化率,CH₄气体吸收谱线的强度更容易受温度变化的影响;（3）BP神经网络和PSO-BP模型测试样本的绝对平均误差（MAE）分别为12.88%和1.81%,平均绝对百分比误差（MAPE）分别为2.3%和0.3%,均方根误差（RMSE）分别为15.96%和2.69%,相关系数R2分别为0.980 6和0.999 6。通过建立PSO-BP温度补偿模型,补偿效果大部分分布在±1.0%的误差范围内,MAE,MAPE,RMSE和R2等评价指标均大幅度提升,对提高TDLAS技术在矿井CH₄的精准检测具有一定的参考意义。     

基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区（CPA）肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络（Faster-RCNN）和水平集（Level-Set）方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T₁WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络（RPN）进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值（mAP）和戴斯系数（Dice系数）等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.     

基于神经网络的托卡马克能量约束时间预测

使用机器学习理论中的神经网络方法,根据通用逼近原理对能量约束时间的复杂函数进行逼近,采用托卡马克装置的典型实验数据,设计一种组合结构的神经网络。通过大量的调参试验,给出一套性能最好的参数组合,并与传统幂指数形式的多元线性回归方法进行准确性和数据集迁移能力的比较。结果表明：神经网络模型对于能量约束时间的预测准确率更高,回归性能更好,且具有一定的抗噪声能力,更适合作为能量约束时间的定标或预测工具。     

基于卷积神经网络的蛋胚活性精准检测方法研究

孵化的蛋胚是生产禽流感疫苗的载体,蛋胚的活性检测是疫苗生产中的关键环节,通过光电容积脉搏法检测蛋胚活性是提高蛋胚活性检测准确率的关键。为了提高蛋胚活性检测效率和检测准确率,采用滑动功率谱方法（PSD）将蛋胚脉搏波可视化,基于卷积神经网络对蛋胚活性进行精准分类。实验结果显示,采用卷积神经网络对单个蛋胚信号的计算时间仅为12.6 ms,与人工检测方法相比,检测效率提高近200倍。可视化后的蛋胚脉搏波的卷积神经网络分类准确率可达94.14%,其中活胚、死胚和弱胚的真阳率分别为99.74%、93.73%、84.39%。基于卷积神经网络的蛋胚活性分类模型,可在大规模生产中精准地辨识蛋胚活性,对疫苗生产过程具有重要的应用价值。     

高效选取线性独立的原子特征构建精确机器学习势函数

机器学习势由于具有与第一性原理计算相当的准确性,且低得多的计算成本,在原子模拟中极具前景. 然而原子机器学习势的可靠性、速度和可迁移性在很大程度上取决于原子构型的表示. 适当地选取用作机器学习程序输入的描述符是一个成功的机器学习表示的关键. 本文发展了一种简单有效的方法,可以基于训练数据固有的相关性,从大量待选的描述符中自动选取一组最佳的线性独立原子特征. 通过对几个具有较少冗余线性独立嵌入密度描述符的基准分子构建嵌入原子神经网络势的应用,证明了这种新方法的有效性和准确性. 该算法可以大大简化原子特征的初始选取,并极大地提高原子机器学习势的性能.     

空间机器人捕获航天器后基于无源性理论的鲁棒镇定控制

研究了漂浮基空间机器人捕获非合作航天器过程对系统产生的冲击效应及其后联合体系统镇定运动的控制问题。为此,利用拉格朗日方法及牛顿-欧拉法分别获得了捕获前空间机器人及目标航天器的动力学模型;结合动量守恒定律、系统运动几何关系及力的传递规律,分析了捕获过程相互碰撞所产生的冲击效应,建立了捕获完成后两者联合体的系统动力学模型。在此基础上,针对同时存在不确定参数及外部扰动的联合体系统,设计了基于无源性理论的镇定运动神经网络H_∞鲁棒控制算法。本文提出的基于无源性理论设计的鲁棒控制算法具有良好的动态特性及较强的鲁棒性,可快速完成系统的镇定控制,实现轨迹的精确跟踪。系统数值模拟仿真验证了本文控制方案的正确性。