基于长短时记忆模型的风机故障诊断

风机运行发生故障可能造成重大财产损失和人身安全问题.本文利用集合经验模态分解对风机的振动信号进行预处理,提取出振动信号的低频分量作为输入,利用一种基于长短时记忆的循环神经网络分类器,对风机的振动时序信号数据进行深度学习,进行故障分类.其应用过程包括模型设计,模型训练和诊断实现算法,并且利用仿真信号对模型进行验证,再进行...     

基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法

风能作为一种绿色能源在我国能源结构中发挥着越来越重要的作用。风电机组的滚动轴承作为传动系统的重要组成部分,是其主要故障部件之一。随着风电规模的不断增长,及时地发现风电机组滚动轴承的故障对风电场安全稳定运行具有重要意义。针对传统回归神经网络存在的梯度消失问题,提出了利用长短时记忆神经网络对风电机组滚动轴承进行故障诊断的模型。首先,利用小波包变换对风电机组滚动轴承振动信号进行处理,提取其特征向量,将其作为长短时神经网络的输入,从而诊断出风电机组滚动轴承的三种常见故障。通过算例分析,结果表明所提出的方法能够有效地对风电机组的滚动轴承进行故障诊断,并且在故障特征量差异不明显的情况下长短时记忆神经网络仍具有良好的故障诊断性能,说明了该方法的可行性和有效性。     

基于稀疏表示的核素能谱特征提取及核素识别

提出了一种基于稀疏表示的核素能谱特征提取方法,其实质是将核素能谱在区分性最好的稀疏原子上进行投影。利用稀疏分解方法对核素能谱进行稀疏分解,提取分解系数向量作为表征核素的特征向量,通过模式识别分类方法建立分类模型实现核素识别。与传统稀疏分解方法的区别在于：在能谱稀疏分解过程中按照稀疏字典中的原子排列顺序顺次进行分解;其次,分解目的在于特征提取,即最终提取到的特征对不同核素具有可区分性,并不要求核素能谱的重构精度。在²⁴¹Am, ¹³³Ba, ⁶⁰Co, ¹³⁷Cs, ¹³¹I和¹⁵²Eu共6种核素1200个能谱数据上进行了核素识别实验,7种不同分类算法的平均识别率达到91.71%,实验结果的统计分析表明,本文提出的特征提取方法识别准确率显著地高于两种传统核素能谱特征提取方法准确率。     

基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测

光伏发电受天气与地理环境影响,呈现出波动性和随机多干扰性,其输出功率容易随着外界因素变化而变化,因此预测发电输出功率对于优化光伏发电并网运行和减少不确定性的影响至关重要.本文提出一种基于遗传算法(GA)优化的卷积长短记忆神经网络混合模型(GA-CNN-LSTM),首先利用CNN模块对数据的空间特征提取,再经过LSTM模块提取时间特征和附近隐藏状态向量,同时通过GA优化LSTM训练网络的超参数权重与偏置值.在初期对历史数据进行归一化处理,以及对所有特征作灰色关联度分析,提取重要特征降低数据计算复杂度,然后对本文提出来的经GA优化后的CNN-LSTM混合神经网络(GA-CNN-LSTM)算法模型进行光伏功率预测实验.同时与CNN,LSTM两个单一神经网络模型以及未经GA优化的CNNLSTM混合神经网络模型的预测性能进行比较.结果显示在平均绝对误差率(MAPE)指标下,本文提出的GA-CNN-LSTM算法模型比单一神经网络模型最好的结果减少了1.537%的误差,同时比未经优化的CNNLSTM混合神经网络算法模型减少了0.873%的误差.本文的算法模型对光伏发电功率具有更好的预测性能.     

基于模糊识别的γ能谱定性分析

提出了一种基于模糊识别的γ能谱分析方法。通过建立关于未知谱的模糊集合、标准核素库及模糊识别算法,实现了γ能谱的快速自动定性分析,并对3组混合标准源γ能谱和3个低本底样品γ能谱进行了定性分析。结果表明在不精确求解峰位的情况下,即可准确分析出样品中所含的放射性核素。     

采用数学分析方法分析样品核素含量的方法研究

当样品含有多种能量的γ射线时，某一峰下的面积，不仅记录了该能量的光电效应事件，而且还包括了更高能量γ射线的Compton 散射事件。这样，就不能由峰下面积确定相应的γ射线强度，采用逆矩阵法对γ能谱进行分析可得到较好非结果。When the sample contains many kinds of energies γ rays,their peak’s area not only records the matters of optical electronic effect but also the Compton scattering matters with higher energyγ rays.So that,theγ rays intensity conducted by the peak’s area can’t gain.Using the anti-matrix method,the better results of anlyze on theγ Spectrometry may be getten.     

分段平滑的贝叶斯迭代法重建脉冲X射线能谱

吸收法测量脉冲X射线能谱时,测量数据的微小扰动会引起重建能谱的较大波动,甚至出现不符合物理规律的负值。针对测量数据的噪声对脉冲X射线重建能谱影响较大的问题,构建了重建能谱准确性的评估方法,分析了贝叶斯迭代法对包含不同程度噪声干扰的测量数据重建能谱的准确性。通过在贝叶斯迭代法中加入平滑约束条件的方式,降低了噪声对重建能谱的影响。根据预估待测能谱的特征,提出了以能谱峰值为界分段平滑的方法,比较了整体平滑和分段平滑方法的能谱重建效果。多次求解表明,分段平滑贝叶斯迭代法的重建能谱对噪声的敏感度显著下降。设计了基于吸收法的能谱测量系统,分别利用平滑前后的贝叶斯迭代法依据实验测量数据重建能谱,结果表明,分段平滑的贝叶斯迭代法的重建能谱更接近理论能谱,重建效果更好。     

基于神经网络特征线提取的飞机位姿识别方法研究

为实现复杂情况下的飞机位姿识别,提出了基于神经网络特征线提取的位姿识别新方法。该方法利用3D模型进行图像渲染,通过添加背景形成数据集,为提高算法鲁棒性进行了数据集增强。特征线提取模型采用卷积神经网络提取目标深度特征,利用热力图获取飞机特征线。结合飞机特征线、飞机3D模型以及n线透视方法解算目标位姿。该方法建立的飞机特征线提取模型,在复杂背景下准确率约为91%。叠加了各类噪声后,准确率为84%。飞机位姿通过EPnL算法与非线性优化进行求解。在目标背景复杂的情况下,实验得到的平均预测角度误差约为0.57°,平均预测平移误差约为0.47%。图像叠加各类噪声后,得到的平均预测角度误差约为2.11°,平均预测平移误差约为0.93%。提出的飞机位姿识别方法在复杂背景、各类噪声影响下可以较精准地预测飞机位姿,应用场景更加广泛。     

基于神经网络的火灾烟雾识别方法

提出了一种基于神经网络的火灾烟雾识别方法,以波长为670nm、1060nm、1550nm的三束激光的三对消光系数比作为网络的输入,网络的输出为“火灾烟雾”和“非火灾因素”,从典型火灾烟雾和非火灾因素对多波长激光的衰减实验中选取数据,组成26种网络样本模式定义表,经391次仿真训练后,输出误差小于0．0001,并经验证实验表明,本方法对火灾烟雾和非火灾因素能进行有效的识别,是处理烟雾识别等非结构问题的一种行之有效的方法。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

Prediction model of K2CsSb photocathode reflectivity based on LSTM北大核心CSCD

针对目前K₂CsSb光阴极制备过程中无法预判光阴极生长状态的问题,提出一种基于长短期记忆（LSTM）循环神经网络的K₂CsSb光阴极反射率预测模型。一维原始反射率数据集经过清洗、筛选、序列化等预处理手段后重构为二维数据输入模型。为充分利用反射率数据在时序上高度相关的特性,采用双层LSTM网络提取特征,预测结果通过全连接层输出,以均方误差（MSE）作为模型预测效果的评判标准。实验结果表明,该模型的网络结构合理且在不同数据集下的表现良好,预测准确率可达99.21%。该模型可运用在K₂CsSb光阴极的制作过程中,通过反射率预测值反馈调节工艺参数以趋近目标走势,对提高光阴极性能具有促进作用。     

A package for gamma-ray spectrum analysis and routine neutron activation analysis

A package for gamma spectrum analysis (PGSA) was developed using object-oriented Borland C++ design for MS-windows. This package consists of five programs which can be used for gamma-ray spectrum analysis and routine neutron activation analysis. The advantages of PGSA are its simple algorithms and its need for only minimum amount of input information.     

拉曼光谱结合LSTM长短期记忆网络的樱桃产地鉴别研究

现在樱桃市场上存在着大量以次充好的不良现象,严重损害了名牌樱桃的品牌经济效益,所以亟需一种能对不同产地樱桃实现快速无损鉴别的技术.拉曼光谱溯源技术作为光谱溯源技术的一种,由于具有快速、高效、无污染、无损分析等优点,逐渐得到相关研究者的重视.长短期记忆(LSTM)网络是一种具有记忆性的反馈神经网络,它是循环神经网络的一种...     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

具有感觉记忆的忆阻器模型

人类记忆的形成包括感觉记忆、短期记忆、长期记忆三个阶段,类似的记忆形成过程在不同材料忆阻器的实验研究中有过多次报道.这类忆阻器的记忆形成过程存在有、无感觉记忆的两种情况,已报道的这类忆阻器的数学模型仅能够描述无感觉记忆的忆阻器.本文在已有模型的基础上,根据有感觉记忆的忆阻器的研究文献中所报道的实验现象,设计了具有感觉记忆的忆阻器模型.对所设计模型的仿真分析验证了该模型对于存在感觉记忆的这类忆阻器特性的描述能力:对忆阻器施加连续脉冲激励,在初始若干脉冲作用时忆阻器无明显的记忆形成,此时忆阻器处于感觉记忆阶段,后续的脉冲作用下忆阻器将逐渐形成短期、长期记忆,并且所施加脉冲的幅值越大、宽度越大、间隔越小,则感觉记忆阶段所经历的脉冲数量越少.模型状态变量的物理意义可用连通两电极的导电通道在外加电压作用下的形成与消失来给出解释.     

基于遗传注意力机制的DLSTM电力系统混沌预测

提出一种基于遗传算法优化注意力机制的深度长短期记忆网络(DLSTM)方法,用于电力系统的混沌预测。通过传递共享参数,将遗传算法优化的注意力机制加入DLSTM模型中,可以挖掘时间序列中潜在特征,同时避免陷入局部优化。该方法是一种受进化计算方法启发的寻优方法,可以很好地学习注意力层中的参数。电力系统混沌预测实验表明所提模型比其他参考模型具有更高的预测精度和长期预测能力。