基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

基于毛竹叶片理化参数的刚竹毒蛾危害检测研究

虫害检测算法研究是开展虫害快速、准确监测，制定精准森防检疫措施的重要基础。以毛竹叶片为研究尺度，基于刚竹毒蛾危害下的寄主外部形态与内部生理现象总结，选择并实测叶损量LL、相对叶绿素含量RCC、相对含水量RWC、原始光谱的733.66~898.56 nm值(ρ_{733.66~898.56})、一阶微分光谱的562.95~585.25 nm值(ρ′_{562.95~585.25})与706.18~725.41 nm值(ρ′_{706.18~725.41})等理化参数，随机划分实验组(63组)和验证组(37组)并设计5次重复实验；分别运用Fisher判别分析、BP神经网络、随机森林等三种方法建立刚竹毒蛾危害等级的检测模型，从检测精度、Kappa系数及R2等指标对模型的检测效果予以分析和比较。结果显示，Fisher判别分析、BP神经网络、随机森林的检测精度分别为69.19%，65.41%，83.78%，Kappa系数分别为0.576 9，0.532 4和0.778 8，R2分别为0.722 2，0.582 6和0.870 9，总体而言，三种方法均具备刚竹毒蛾危害的检测能力，随机森林的检测效果最优，Fisher判别分析次之，再次为BP神经网络；从分等级来看，随机森林的检测精度亦优于Fisher判别分析与BP神经网络，但3种方法对中度危害等级的检测精度均有所不足。该成果可为刚竹毒蛾危害及其他病虫害检测算法的选择提供参考，并为进一步建立冠层、遥感影像像元等尺度的虫害检测模型奠定基础。     

一种间接从高光谱数据中提取黑土硒含量的新方法

我国东北黑土富含养分，随着土壤数字制图、精确农业和土壤资源调查等研究的深入，引入航空高光谱数据并提供科学的预测结果成为研究热点。硒元素相对于黑土土壤的主要成分属于微量元素，但其对作物的正常生长的作用与大量元素是同等重要的，亦是人体健康所必要的营养元素。针对硒含量反演，建立了一个基于主要成分的间接提取模型，该模型能够显著提升硒含量回归系数，降低实测值与预测值的误差。数据源自CASI-1500航空高光谱成像系统，光谱范围380~1 050 nm，空间分辨率1.5 m。在黑龙江建三江地区采集60个土壤样本，化验获得硒、有机质、全铁、pH和氧化钙含量数据，选择BP神经网络，建立光谱与含量的反演模型。分析不同含量的黑土成分在可见-近红波段范围内光谱变换规律，掌握了硒元素随着含量升高，光谱反射率会逐步升高的规律。但当硒含量较低时，在其他成分的干扰下，这一规律会逐渐减弱，直至不显著。有机质的光谱特征与硒元素相反，总体上随着含量的增高，反射率整体下降，这与有机质的光谱特性紧密相关。全铁光谱呈现出与有机质光谱类似的规律，说明二者具有较高的相关性。不同pH值和氧化钙含量的光谱特征与检测值没有呈现出明显的特征规律，反射规律不明显。对60个采样点不同养分含量进行逐波段求反射率对养分的相关系数。结果表明，pH值各个波段相关系数最高，均值达到0.63；其次是全铁的相关系数，为0.54；有机质和氧化钙的相关系数接近，分别为0.42和0.47；而硒元素含量与逐波段的平均相关系数最低，为0.38。选取相关系数较高的前5个波段，作为建模波段。硒特征波段为447，437，456，466和475 nm；有机质特征波段为447，456，466，437和475 nm；全铁特征波段为752，695，800，762和733 nm；pH特征波段为905，752，800，943和695 nm；氧化钙特征波段为752，695，800，523和762 nm。通过计算样本点硒含量与其他成分的相关系数，硒与有机质呈正相关，相关系数为0.79；与全铁、pH、氧化钙呈负相关，相关系数分别为-0.80，-0.94和-0.69。针对有机质、全铁、pH和氧化钙反演精度较高，而硒元素含量较低，直接反演精度不足的问题，设计了一种先提取4种成分含量，再根据其提取结果建立硒元素函数关系，间接反演硒元素含量的方法。首先将五种成分与特征光谱进行神经网络分析，计算每种成分的回归系数R2和RMSE。显示全铁和pH具有较高的反演精度，有机质和氧化钙归系数虽低于0.8，但也显著高于硒元素的反演精度。建立硒元素与其他4种成分含量的回归模型，得出Se=0.522 9+0.041 8Som-0.016 6Fe₂O₃-0.035 6pH-0.005CaO，进行硒元素间接提取，回归系数从0.516增长到0.724，均方根误差从0.182降低到0.136，显著改进了反演硒含量的精度，为硒元素大范围精确制图提供了一种新技术。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域，但传统拉曼光谱分析过程中的预处理主要依赖人为经验，光谱特征提取虽然能够降低信号维度，同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高，受到测量过程中环境干扰和分析过程中多种误差影响，导致最终分类效果并不理想。针对此问题，提出基于一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol），雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱，设计随机平移、添加噪声和随机加权三种光谱数据增强方法，构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试；基于拉曼光谱数据特点提出一维卷积神经网络分类模型，将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验，优化所提出的神经网络模型超参数和训练过程并测试分类效果，从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比，评价模型性能。实验结果表明，本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类，分类正确率最高可达98.26%，分析过程中无需光谱预处理和特征提取步骤，简化了光谱分析流程，并能保留更多有效信息。同时，当模拟测量噪声强度达到60 dBW时，传统方法分类正确率均明显出现不同程度明显降低，卷积神经网络模型依然能够取得96.81%的分类正确率，说明相比对传统拉曼光谱分类方法，所提出方法受光谱测量噪声影响更小，鲁棒性更强，适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

近红外光谱的古筝面板用木材等级识别研究

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断，此方法受限于有丰富经验的技师且容易受其主观判断影响。针对此现状，以用于制作古筝面板的泡桐木材为实验样本，提出了一种利用近红外光谱结合改进的BP神经网络方法，实现快速识别古筝面板用板材的不同等级。近红外光谱可以表征丰富的物质结构与组成信息，并且测量仪器成本较低，附件形式多样化，所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪，消除系统误差等以提高光谱分辨率，根据均方根误差与信号平方和作为多种预处理方法评价指标，选取一阶导数为本实验最终预处理方式，15为合适的滤波去噪窗口大小，然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本，从而建立更具代表性的建模集。然后通过聚类分析无监督学习方法进行板材等级分析，证明板材分级的可行性。由于H₂O在近红外光谱区域具有较大吸收，根据实验光谱分析结果，不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域，仅考虑剩余近红外光谱波段信息，将不同光谱信息波段组合，共七种组合波段区域作为神经网络模型的输入，进行面板板材等级识别模型实验。对传统的BP神经网络模型作改进。BP神经网络中学习率的设置采用自适应学习率优化策略，弥补传统神经网络训练速率慢等劣势。同时采用交叉熵函数作为代价函数，从而加快权重的更新速度。选取Relu函数作为输入层与隐藏层之间的传递函数，提高了模型训练速度，有效防止过拟合的发生。选取Softmax函数作为最后一层的传递函数，以此减少复杂计算，构成该研究最终BP神经网络模型。选取不同数量的主成分变量所能提取的光谱信息量不同，通过不断增加主成分个数和调整参与模型的光谱波段区间，调整BP神经网络模型的输入，当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时，未知样本识别率达到99.7%，所选光谱区间涵盖C-H等基团全部特征信息。研究结果表明，近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别，降低人工检测误差，缩短板材分级时间，更好地满足乐器市场需求。     

基于辛格式的深度哈密尔顿神经网络

HNN是一类基于物理先验学习哈密尔顿系统的神经网络.本文通过误差分析解释使用不同积分器作为超参数对HNN的影响.如果我们把网络目标定义为在任意训练集上损失为零的映射，那么传统的积分器无法保证HNN存在网络目标.我们引进反修正方程，并严格证明基于辛格式的HNN具有网络目标，且它与原哈密尔顿量之差依赖于数值格式的精度.数值实验表明，由辛HNN得到的哈密尔顿系统的相流不能精确保持原哈密尔顿量，但保持网络目标；网络目标在训练集、测试集上的损失远小于原哈密尔顿量的损失；在预测问题上辛HNN较非辛HNN具备更强大的泛化能力和更高的精度.因此，辛格式对于HNN是至关重要的.     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。