A spintronic memristive circuit on the optimized RBF-MLP neural network

A radial basis function network (RBF) has excellent generalization ability and approximation accuracy when its parameters are set appropriately. However, when relying only on traditional methods, it is difficult to obtain optimal network parameters and construct a stable model as well. In view of this, a novel radial basis neural network (RBF-MLP) is proposed in this article. By connecting two networks to work cooperatively, the RBF's parameters can be adjusted adaptively by the structure of the multi-layer perceptron (MLP) to realize the effect of the backpropagation updating error. Furthermore, a genetic algorithm is used to optimize the network's hidden layer to confirm the optimal neurons (basis function) number automatically. In addition, a memristive circuit model is proposed to realize the neural network's operation based on the characteristics of spin memristors. It is verified that the network can adaptively construct a network model with outstanding robustness and can stably achieve 98.33% accuracy in the processing of the Modified National Institute of Standards and Technology (MNIST) dataset classification task. The experimental results show that the method has considerable application value.     

基于最小二乘支持向量机的国公酒中橙皮苷含量测定

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。利用Kernard-Stone法对训练集样本进行划分,对光谱数据预处理方法进行了选择,比较了平滑、范围标度化、自标度化、一阶微分、二阶微分以及这几种预处理相互结合的六种方法,确定了以平滑、一阶微分,范围标度化作为国公酒近红外光谱的数据预处理方法,采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm-1及9 712～9 808 cm-1。应用最小二乘支持向量机建立模型,所建模型的交叉验证误差均方根为0.000 1,预测误差均方根为0.004,预测集的相对偏差小于5%。与组合的间隔偏最小二乘法、径向基-人工神经网络和支持向量机进行了比较。该方法快速、无损且可靠,可作为国公酒中橙皮苷含量快速测定的手段。     

近红外光谱的北方寒地土壤含水率预测模型研究

我国北方寒地温差大,土壤温差对近红外光谱测量土壤墒情有较大影响。针对这一问题,以北方寒地土壤为研究对象,探究大范围温度胁迫下（-20～40 ℃）土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法。选取黑龙江八一农垦大学农学院试验基地中的黑土,经烘干、过筛等操作处理后配置含水率范围在15%～50%内八种不同湿度的土壤样品,建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型。在全波段光谱数据的基础上,结合五种不同光谱信号预处理方法,采用BP神经网络算法、优化支持向量机算法（SVM）、高斯过程算法（GP）三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果。利用69组数据进行训练建模, BP神经网络相关参数设置为学习速率0.05,最大训练次数设置为5 000,隐层单元数确定为20;SVM采用径向基函数,并利用leave-one-out cross validation确定了最佳惩罚参数为0.87,使模型预测的准确性提高;高斯过程算法内部采用马顿核。模型的定量评估采用决定系数(R2)和均方根误差（RMSE）。结果表明,在建立的全部BP神经网络模型中,效果最佳的为S_G-BP神经网络模型,模型的R2为0.960 9,RMSE为2.379 7;在SVM模型中SNV-SVM模型的效果最好,模型的R2为0.991 1,RMSE为1.081 5;在GP模型中S_G-GP模型的效果最好,模型的R2为0.928,RMSE为3.258 1,综上基于SNV预处理的SVM模型训练效果最优。利用剩余的35组光谱数据作为预测集验证模型性能,经模型对比分析发现基于SVM算法的预测模型效果优于其他两种算法,其中基于S_G的SVM模型效果最优,其预测模型的R2和差RMSE分别为0.992 1和0.736 9。综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型。此模型可以作为大范围温度胁迫条件下（寒地）的土壤含水率有效预测方法,为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据。     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

Intelligent active vibration control in an isolation platform

This paper presents the study on the vibration attenuation in an isolated platform by combining multi-layer perception (MLP) neural network, radial basis function (RBF) neural network, cerebella model articulation controller (CMAC) neural network and fuzzy neural networks (FNN) with error back propagation algorithm to control voice coil actuator. Usually, the methods in past time to control vibration were mainly designed by using mathematical models, which must be nearly close to the actual plant models. As regards to these utilized control methods, the most important advantage of them are that they have capability of self tuning the parameters of controllers and could adapt the changes of the environments. The performance of attenuation and control effectiveness can be evaluated by placing the accelerator to measure the amplitude at the center of the isolated platform. The experimental results in this study show that the control methods as adopted could greatly attenuate the vibration of resonance and external disturbance in an isolation platform.     

基于白术FTIR的径向基函数神经网络鉴别研究

为了鉴定白术及其伪品,采用径向基函数神经网络(RBF)分别测试了白术及其伪品的傅里叶变换红外光谱。采用36个样本作训练集,27个样本作检验集,用各种模式的BPF进行了监督性训练。当训练目标误差平方和定为0.01时,各类RBF对训练集中白术样本识别的正确率均为100%,但对检验集样本识别的结果各不相同,其识别的正确率与隐含层节点数S₁有关。发现当S₁较大时,识别正确率反而下降,可能此时网络的非线性程度过高,使其不适合于该类样本集的训练。线性—线性型RBF识别的结果随S₁的变化不是很大,但识别的正确率不高,基本在85%左右。非线性—线性型RBF识别的结果最佳。当S₁为3时,其识别正确率超过了97%。因此该法可用于简便、快速、准确地识别白术及其伪品。     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据.卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备"局部感知,权值共享"的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率.将卷积神经网络...     

小波变换近红外光谱结合径向基神经网络快速分析异福片

应用小波变换(WT)处理近红外漫反射光谱结合径向基神经网络(RBFNN)建立快速分析异福片中利福平和异烟肼含量的模型(WT-RBFNN)。用小波变换的低频系数作为RBFNN的输入节点, 研究了网络参 数包括隐含层神经元数和径向基宽度(SC)对模型的影响。与经典的RBFNN和PLS相比较表明, WT-RBFNN模型压缩了原始光谱, 除去了噪音和背景的影响, 拟合效果很好。优选的WT-RBFNN模型对校正集样品 中利福平、异烟肼的交互验证均方根误差(RMSECV)分别为0.006 04和0.004 57;对预测集样品预测均方根误差(RMSEP)分别为0.006 39和0.005 87。同时预测集样品中利福平和异烟肼与RP-HPLC测定结果 的回归系数(r)分别为0.995 22和0.993 92, 相对误差在2.300%以下。这些结果显示了该方法建模的稳健性和模型的预测精度均很高, 同时此方法具有非破坏、无污染、可在线检测等优点, 对替代常规药物 分析方法有重要的意义。     

Correcting the systematic error of the density functional theory calculation: the alternate combination approach of genetic algorithm and neural network

The alternate combinational approach of genetic algorithm and neural network (AGANN) has been presented to correct the systematic error of the density functional theory (DFT) calculation.It treats the DFT as a black box and models the error through external statistical information.As a demonstration,the AGANN method has been applied in the correction of the lattice energies from the DFT calculation for 72 metal halides and hydrides.Through the AGANN correction,the mean absolute value of the relative errors of the calculated lattice energies to the experimental values decreases from 4.93% to 1.20% in the testing set.For comparison,the neural network approach reduces the mean value to 2.56%.And for the common combinational approach of genetic algorithm and neural network,the value drops to 2.15%.The multiple linear regression method almost has no correction effect here.     

润滑油冷却液污染的拉曼光谱检测方法研究

对船舶柴油机而言,润滑油常受到冷却液的污染,引起润滑油劣化变质,从而导致其功能失效.冷却液的主要成分是水、乙二醇及少量的防腐蚀、抗穴蚀、消泡沫等添加剂.将拉曼光谱用于检测润滑油被冷却液污染的浓度,是一种针对复杂混合物的拉曼光谱检测问题,单个拉曼峰强度的定量分析方法无法满足浓度的定量检测.为此,将拉曼光谱分析和LSTM神...     

尖楔前体飞行器FADS系统的径向基网络建模及验证

文章研究了针对一种用于尖楔外形的嵌入式大气数据传感（flush air data sensing，FADS）系统的解算模型及精度.首先基于飞行包络及CFD数据建立了FADS系统的测压孔选取标准；然后基于径向基函数（radial basis function，RBF）的人工神经网络建模技术构建了FADS系统的网络解算模型；最后给出了模型的测试误差，分析了气动延时效应、位置误差等误差源模型对算法精度的影响，并给出了网络模型的预测精度.结果表明，针对尖楔外形测压孔配置特征，基于RBF的人工神经网络算法解算精度较好，攻角、侧滑角、Mach数及静压的网络输出预测值与真实值吻合较好，输出的测试误差（绝对值）分别小于0.25°，0.5°，0.05及250 Pa.结果同时表明神经网络建模技术在尖楔前体飞行器FADS系统中的有效性.      

Failure strength prediction of glass/epoxy composite laminates from acoustic emission parameters using artificial neural network

The ageing effect of glass/epoxy composite laminates exposed to seawater environment for different periods of time was investigated using acoustic emission (AE) monitoring. The mass gain ratio and flexural strength of glass fiber reinforced plastic (GFRP) composite laminates were examined after the seawater treatment. The flexural strength of the seawater treated GFRP specimens showed a decreasing trend with increasing exposure time. The degradation effects of seawater are studied based on the changes in AE signal parameters for various periods of time. The significant AE parameters like counts, energy, signal strength, absolute energy and hits were considered as training data input. The input data were taken from 40% to 70% of failure loads for developing the radial basis function neural network (RBFNN) and generalised regression neural network (GRNN) models. RBFNN model was able to predict the ultimate failure strength and could be validated with the experimental results with the percentage error well within 0.5–7.2% tolerance, whereas GRNN model was able to predict the ultimate failure strength with the percentage error well within 0.5–4.4% tolerance. The prediction accuracy of GRNN model is found to be better than RBFNN model.     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000～4 000 cm^-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend＿SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend＿SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。...     

基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测

通过控制变量法对混流闭式冷却塔进行测试, 采用灰色关联分析法对影响出水温度的因素进行筛选, 将关联度较大的5个因子作为输入参数, 进而建立灰色_BP神经网络预测模型, 对混流闭式冷却塔的出水温度进行预测。操作参数包括进水温度、湿球温度、补水温度、循环水流量和风量, 输出值为出水温度。网络采用三层结构, 隐含层神经元数为4个, 迭代次数为30 000次, 使用不涉及训练阶段的实验数据来验证所建立的模型。结果表明, 灰色_BP神经网络模型比传统BP神经网络模型的预测结果更加准确, 其预测值与实际值的相关系数、平均相对误差、均方根误差, 分别为0.998 9、0.293 4%和0.152 9, 因而可认为灰色_BP神经网络是预测混流闭式冷却塔出水温度的有效工具。     

基于不同模型的土壤有机质含量高光谱反演比较分析

以新疆奇台县为研究区域,选取该县40个土壤样本,采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型,并对模型进行了检验。结果发现：不同模型的精度值各异,其拟合效果从高到低依次为人工神经网络(ANNs)集成模型＞单个人工神经网络(ANNs)模型＞多元逐步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强,而其集成模型作为提高反演模型精度的重要手段,相关系数高达0.938,均方根误差和总均方根误差最小,分别仅为2.13和1.404,对土壤有机质含量的预测能力与实测光谱非常接近,分析结果达到了较实用的预测精度,为最优拟合模型。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

Improved Effort and Cost Estimation Model Using Artificial Neural Networks and Taguchi Method with Different Activation Functions

Software estimation involves meeting a huge number of different requirements, such as resource allocation, cost estimation, effort estimation, time estimation, and the changing demands of software product customers. Numerous estimation models try to solve these problems. In our experiment, a clustering method of input values to mitigate the heterogeneous nature of selected projects was used. Additionally, homogeneity of the data was achieved with the fuzzification method, and we proposed two different activation functions inside a hidden layer, during the construction of artificial neural networks (ANNs). In this research, we present an experiment that uses two different architectures of ANNs, based on Taguchi’s orthogonal vector plans, to satisfy the set conditions, with additional methods and criteria for validation of the proposed model, in this approach. The aim of this paper is the comparative analysis of the obtained results of mean magnitude relative error (MMRE) values. At the same time, our goal is also to find a relatively simple architecture that minimizes the error value while covering a wide range of different software projects. For this purpose, six different datasets are divided into four chosen clusters. The obtained results show that the estimation of diverse projects by dividing them into clusters can contribute to an efficient, reliable, and accurate software product assessment. The contribution of this paper is in the discovered solution that enables the execution of a small number of iterations, which reduces the execution time and achieves the minimum error.     

基于神经网络内部模型的非线性偏最小二乘法用于火电厂烟气光谱定量分析

针对火电厂烟气光谱数据的非线性特性,采用了基于神经网络内部模型的非线性偏最小二乘定量分析方法。该方法进行偏最小二乘（PLS）回归后,将自变量和因变量的隐变量作为神经网络的输入和输出进行训练,即可得到非线性内部模型。将PLS、基于向后传递神经网络内部模型的非线性PLS（BP-NPLS）、基于径向基函数神经网络内部模型的非线性PLS（RBF-NPLS）和基于自适应模糊推理系统内部模型的非线性PLS（ANFIS-NPLS）对火电厂烟气多组分进行测定后比较,BP-NPLS、RBF-NPLS和ANFIS-NPLS较之PLS,将二氧化硫预测模型的预测均方根误差（RMSEP）分别降低了16.96%,16.60%和19.55%;将一氧化氮预测模型的RMSEP分别降低了8.60%,8.47%和10.09%;将二氧化氮预测模型的RMSEP分别降低了2.11%,3.91%和3.97%。实验表明,非线性PLS较PLS更适用于火电厂烟气定量分析。通过神经网络对非线性函数的高度逼近特性,基于本文所提及内部模型的非线性偏最小二乘方法有较好的预测能力和稳健性,在一定程度上解决了基于多项式和样条函数等其他内部模型的非线性偏最小二乘方法的自身局限性。其中,ANFIS-NPLS的效果最好,自适应模糊推理系统的学习能力能够有效降低残差,使模型具有较好的泛化性,是一种比较准确实用的火电厂烟气定量分析方法。