卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

裂纹反演分析的NMM-Elman神经网络协同方法

裂纹识别是结构健康监测的重要内容。本研究基于反演分析原理,将数值流形方法(NMM)与Elman神经网络相结合开展裂纹识别。NMM用于获取对应裂纹构型下测点的位移数据以供Elman神经网络的学习,在此基础上利用训练好的Elman网络进行了直线裂纹反演。通过2个典型算例证实了NMM-Elman协同方法的可行性和精度,与此同时分析了测点布置方式及输入数据噪声等因素对裂纹反演精度的影响。表明本研究的方法能够准确反演出单一及复杂裂纹的裂尖坐标。本研究的工作为复杂裂纹的高效准确识别提供了一种新的思路和方法。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品...     

概率神经网络及FAAS在植物药分类研究中的应用

用火焰原子吸收法（FAAS）测定了植物药中Fe、Mg、Mn、Cu、Zn和Ca元素的含量,采用主成分分析法对所测数据进行预处理,结合概率神经网络模型对中药功效类别进行识别预测研究,取得了较满意的结果。     

基于FA-RBF神经网络的压力传感器的温度漂移补偿法

针对温度对硅压阻式压力传感器输出的影响问题,提出基于因子分析和RBF神经网络相结合的补偿方法.利用因子分析实现对原始信息的筛选和降维;结合RBF神经网络的非线性映射、自适应能力和强容错性对补偿过程进行建模,减少网络的输入,利于简化网络结构,进而加快收敛,节省运行时间,提高网络的学习速率与泛化能力.研究结果表明,该方法有效地抑制了温度对压力传感器的影响,提高传感器的稳定性和准确性.     

带分布时滞的双向联想记忆神经网络周期解的存在性

讨论了-类带分布时滞的双向联想记忆神经网络周期解的存在性.通过运用Mawhin迭合度连续性定理,和-些不等式的分析技巧,得到了-些保证周期解存在的充分条件.     

基于神经网络MIV值分析的肿瘤基因信息提取

运用统计学及数据挖掘相关知识,以结肠癌基因表达图谱为研究对象,综合运用GB指数、BP神经网络、小波变换等方法对问题给出求解的过程和结果.首先采用GB综合指数对无关基因进行筛选,选择两组备用基因的交集(114个)作为信息基因,降低基因维度.其次,用基因间的强相关性剔除冗余基因,利用BP神经网络对基因进行错判数计算,选取错判率最低、基因子集中基因数量最少的基因特征组,再利用平均影响值(MIV)方法进行基因筛选,最后进行错判数计算,最终确定含有12个基因的子集为最优基因组合.第三步,将每组基因表达值看做基因信号,运用小波转换法对基因数据进行去噪,去噪后特征基因减少为8个.     

基于ARIMA与神经网络集成的GDP时间序列预测研究

本文深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型的预测特性和优劣,并在此基础上建立了由ARIMA模型和NN模型集成的GDP时间序列预测模型与算法。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,据此将GDP时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARIMA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终集成为整个序列的预测结果。仿真实验表明:集成模型的预测准确率显著高于单一模型的预测准确率,从而证实了集成模型用于GDP预测的有效性。     

PLS分析与RBF神经网络耦合环境模型

鉴于城市大气环境质量受到诸多复杂因素影响,且各因素间存在多重相关性,本文将偏最小二乘(PLS)分析与人工神经网络径向基网络(RBF)耦合,建立偏最小二乘径向基神经网络模型(PLSRBF),应用于贵阳大气环境质量的检验和预测。实例表明:PLSRBF模型可对原多自变量模型进行降维简化,并可有效提取解释变量信息,防止信息丢失,且具有较强的拟合能力。