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.     

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。     

三态K2分子飞秒含时光电子能谱的理论研究

利用三态模型和含时波包法, 研究了K₂分子在强飞秒抽运-探测激光场中延时、脉宽以及抽运波长对光电子能谱和波包动力学过程的影响. 研究结果表明, 激光场强较弱或者脉宽较短都可能不发生Autler-Townes分裂, 光电子能谱呈现出单峰结构; 延时和抽运波长的改变影响能峰结构、位置和相对峰高; 对于不同的抽运波长, 波包的振动周期是相同的, 波包振荡幅度随脉宽增大而减小; 光电子能谱反映了波包动力学信息. 研究结果可以为实验上实现分子的光控制以及量子调控过程提供一定的参考, 并为进一步研究K₂分子的动力学性质提供有用的信息.     

基于自适应网络模糊推理系统的γ能谱指纹模糊识别

提出了以自适应网络模糊推理系统参数为识别特征的γ能谱指纹模糊识别方法.通过建模和仿真,提取了γ能谱指纹的模糊系统特征参数,并建立了关于系统特征参数的模糊集及模糊识别原则,以较高的置信度实现了γ能谱指纹的类型识别和个体识别.对实测γ能谱指纹进行了识别,对方法的识别性能进行了研究和探讨.研究表明,该方法不但具有较强的类型识别能力和个体识别能力,并具有较低的识别下限和较强的抗噪声能力.     

一种折中的小波阈值方法对γ能谱平滑处理的研究

采用小波软、硬阈值函数折中后的小波阈值方法对天然放射性环境下γ谱数据进行平滑处理。通过Matlab数据分析软件,分析对比了五种不同的平滑去噪方法:五点平滑法、傅里叶变换法、小波软阈值法、小波硬阈值法,以及折中的小波阈值方法。结果表明:折中的小波阈值方法在反映γ能谱特征的峰本比和峰总比分别为7.1609,0.3945,平滑去噪效果要明显优于其他四种方法,能最大程度地保留原始信号特征,具有较高的应用价值。     

Ionospheric vertical total electron content prediction model in low-latitude regions based on long short-term memory neural network

Ionosphere delay is one of the main sources of noise affecting global navigation satellite systems, operation of radio detection and ranging systems and very-long-baseline-interferometry. One of the most important and common methods to reduce this phase delay is to establish accurate nowcasting and forecasting ionospheric total electron content models. For forecasting models, compared to mid-to-high latitudes, at low latitudes, an active ionosphere leads to extreme differences between long-term prediction models and the actual state of the ionosphere. To solve the problem of low accuracy for long-term prediction models at low latitudes, this article provides a low-latitude, long-term ionospheric prediction model based on a multi-input-multi-output, long-short-term memory neural network. To verify the feasibility of the model, we first made predictions of the vertical total electron content data 24 and 48 hours in advance for each day of July 2020 and then compared both the predictions corresponding to a given day, for all days. Furthermore, in the model modification part, we selected historical data from June 2020 for the validation set, determined a large offset from the results that were predicted to be active, and used the ratio of the mean absolute error of the detected results to that of the predicted results as a correction coefficient to modify our multi-input-multi-output long short-term memory model. The average root mean square error of the 24-hour-advance predictions of our modified model was 4.4 TECU, which was lower and better than 5.1 TECU of the multi-input-multi-output, long short-term memory model and 5.9 TECU of the IRI-2016 model.     

Traffic estimation based on long short-term memory neural network for mobile front-haul with XG-PON

A novel predictive dynamic bandwidth allocation(DBA) method based on the long short-term memory(LSTM)neural network is proposed for a 10-gigabit-capable passive optical network in mobile front-haul(MFH) links. By predicting the number of packets that arrive at the optical network unit buffer based on LSTM, the round-trip time delay in traditional DBAs can be eliminated to meet the strict latency requirement for MFH links. Our study shows that the LSTM neural network has better performance than feed-forward neural networks. Based on extensive simulations, the proposed scheme is found to be able to achieve the latency requirement for MFH and outperforms the traditional DBAs in terms of delay, jitter, and packet loss ratio.     

基于荧光光谱法的钞票识别技术

以光栅光谱仪为基础,光电倍增管作为探测器,运用VC++语言设计了计算机采样界面,形成了荧光光谱分析的钞票识别光电系统。在紫光灯激发下,对钞票进行了荧光光谱特性分析,设计了基于荧光光谱分析的钞票识别光学系统、光电信号的检测和信号处理系统。测试结果表明：真假币的荧光光谱曲线有着明显的区别,它们的峰值分别为545nm和525nm。设计的荧光光电系统灵敏度高,可靠性好。     

基于长短期记忆网络与特征融合的微表情识别算法

为了提高视频识别领域中微表情识别的准确率,提出了一种基于长短期记忆网络与特征融合的微表情识别算法。提取微表情图像的颜色特征和纹理特征,将所提取的空间特征传入卷积神经网络进行融合。设计了学习时域相关性的长短期记忆网络结构,将融合的特征集传入长短期记忆网络学习微表情的时域特征,将长短期记忆网络接入分类器网络识别出微表情的类标签。在两个公开的微表情识别数据集上完成了验证实验,结果显示算法实现了较好的微表情识别性能,在SMIC数据集和CASMEⅡ数据集上的准确率分别达到64.7%和65.8%.     

基于神经网络的图像识别方法研究

图像识别涉及大量的信息运算,要求处理速度快、识别精度高,神经网络的实时性和容错性要符合图像识别的要求。利用改进的BP神经网络算法对旋转畸变图像进行了定位和识别,改进算法将附加动量项与自适应学习速率相结合,有效地抑制了网络陷入局部极小点,提高了网络的训练速度。结果表明,基于神经网络的图像识别方法是有效的、可行的。     

基于荧光法的活体海藻识别方法研究

研究海域或水域的海藻类型对海域或水域的污染情况调查、赤潮的预测等具有重要意义。通过对由特征激发波长(420,440,460,470,530,560,590,610nm)激发的荧光光谱取平均值[1~3],按特征激发波长从小到大的顺序,计算了由相邻激发波长激发的荧光光谱平均值的比值,并对特征数据进行了相关分析,得到的绿藻之间的相关系数大于0.95,硅藻之间的相关系数大于0.85。结果表明,由特征激发光激发的荧光光谱均值和按顺序所取的比值可作为识别海藻的特征参数。     

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.     

圆形阵列法在能谱测量中的应用

在高能闪光照相技术中,高能X射线的能谱测量一直是一个难点。在以往研究方法的基础上,指出控制散射的影响程度是提高能谱测量精度的关键。提出采用圆形阵列法对X射线能谱进行测量,并针对一特定能谱的X射线设计了测量装置,蒙特卡罗模拟结果表明,可以将散射的影响控制在4%以内,这对提高能谱测量精度具有十分重要的意义。