电容层析成像的BP网络重建

电容层析成像系统在工业上用于管道内流体的实时监测，本文提出用神经网络的方法来代替传统的反投影算法进行图像重建，以解决传统算法存在的扭曲形变和空间精度受限的问题．文中用改进的ＢＰ算法训练，采用一个两层感知机网络，网络的输入是预处理过的测量电容矢量，输出直接对应到空间图像．实验结果表明使用这一方法，能重建出足够精确的图像     

电容层析成像

介绍了作者在电容ＣＴ重建算法、测量装置方面所进行的工作，并较为详细地介绍一种基于网络理论的新算法，这种算法是将介质分布映射为一个电容网络，网络中的电容值直接与介质分布有关。为了解决从测量电极所测得的电容计算网络内部电容这一逆问题，分析和利用了附加的网络结构约束。将测量过程等效为相应的四端网络，利用迭代方法进行求解，得到了较好的实验结果。     

利用网络理论进行电阻抗层析成像中的多分辨率技术

首先讨论利用网络理论进行电阻抗层析成像的基本原理，并给出了节点导纳知阵所应服从的两个基本约束．为了加速和改进算法，提出了多分辨率的算法．按照这一算法，首先将被测物体离散化为较大的单元，先在粗分辨率下进行求解，利用所得的结果作为估计的初值，再进行下一级较细分辨求解．计算机模拟结果表明，利用多分辨率技术可以加快收敛，减小误差．     

电容层析成像中电容敏感场的计算与图像重建

建立了 １２ 电极基本传感器的有限元模型．对电容敏感场进行了仿真计算,以此作为先验信息可以重建出令人满意的图像,为进一步的应用研究提供了强有力的支持     

基于卷积神经网络的高压电缆局部放电信号分类

尽早发现高压电缆局部放电信号类型并采取相应措施,对于有效避免绝缘系统遭受破坏至关重要.针对高压电缆中4类常见的典型缺陷产生的局部放电信号,本文提出一种基于卷积神经网络的高压电缆局部放电信号分类方法.首先构建缺陷模型,采集4类缺陷的局部放电信号作为样本,并用电压幅值-相位谱图作为输入数据集;然后利用多层卷积核进行特征提取...     

基于波前扩展的线性走时插值射线追踪算法

线性走时插值算法(LTI)在走时的计算中由于考虑的射线方向有限,计算得到的节点走时不一定最小,导致追踪的射线路径无法满足最小走时.针对这一问题,本文提出了一种改进的LTI射线追踪算法,该算法通过模拟真实波传播过程,采用波前扩展方法计算节点走时使节点走时更接近真实最小值,以确保射线追踪的精度.模拟算例结果表明,该算法在有效地提高射线追踪精度的同时,兼顾了计算的效率.     

基于蒙特卡洛梯度估计的黑盒神经网络后门检测

现有的后门检测方法研究主要聚焦于白盒场景,然而现实中很难获得对模型的完全访问权限。为此,本文研究了基于蒙特卡洛梯度估计的黑盒神经网络后门检测方法。通过将黑盒场景下后门触发器的逆向视作零阶优化问题,提出了黑盒触发器逆向算法来检测黑盒神经网络是否被植入后门,利用重要性采样结合规范化判断标准和早停策略,进一步提出了快速黑盒后门检测算法以降低黑盒后门检测的开销。在3个流行图像数据集上的实验结果均表明提出的方法能准确区分正常模型与植入后门的模型,且可以得到有效的后门触发器。     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于RISC-V的卷积神经网络定制处理器

针对卷积神经网络在物联网设备的加速问题,提出在RISC-V架构的基础上,为卷积神经网络定制专用的加速处理器RCP(RISC-V CNN Processor),通过定制处理器技术从硬件视角进行卷积运算的加速。设计了基于RISC-V处理器的五级流水线,对流水线上的数据冲突和控制冲突提供了相应的解决方案;为卷积计算定制了MLAD/MSTORE/MMUL/MPOOL四条指令,加快了RCP处理器的卷积操作;验证RCP处理器的定制指令集,并通过运行卷积神经网络测试RCP处理器的功能。实验数据表明,使用了定制的指令集技术后,CNN的执行效率提高了3.38倍,加速了物联网设备中的卷积运算。     

一种基于重置的变结构前馈神经网络

基于GaussNewton法的前馈神经网络虽然可以达到局部二阶收敛速度．但网络结构中如果结点个数过多，会造成过模拟；网络结点过少。又会导致不收敛。为了优化神经网络结构，尝试引入重置算法(Early Restart Algofithm)，并将其应用于Gauss Newton前馈神经网络．提出基于重置的Gauss Newton变结构前馈神经网络。对比实验表明，重置算法的引入有效地解决神经网络的结构优化问题，优化后的神经网络具有良好的收敛性与稳定性。     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值，并且将遗传算法与ＢＰ算法结合，能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛，实验结果令人满意．     

应用逆神经网络的自学习控制器

近年来人工神经网络成功地用于动态系统辨识与控制。本文利用人工神经网络逆的概念，说明如何用神经网络去学习动态系统行为以达到控制目的。用一ＢＰ网学习辨识系统的行为，然后作为系统的模型，同时也作为反馈控制器．利用模型通过直接的误差反传技术训练前债控制器．最后，反馈控制器与前控制器一起去控制实际系统。文中给出的２个例子说明了这种控制方法的有效性。     

线性动态系统的神经网络辨识与控制

近年来，不同结构的神经网络已成功地用于一大类动态系统的辩识与控制。本文应用函数型链接网提出一实际可行的辨识器与状态反馈控制器；研究的问题主要是线性动态系统在状态可测情形下在平衡点镇定问题。仿真结果显示了本文提出的方法的有效性。     

细胞神经网络环境下偏微分方程的求解

在探索细胞神经网络新的应用时，由于低端硬件模拟非常昂贵，不可避免要使用行为仿真器．基于波数字滤波原理，本文提出了细胞神经网络的一个数字模型．将此模型用于求解泊松方程，取得满意结果．在所提的方案中，方程的解信息来自细胞的状态而非输出     

全局优化学习算法下的高阶神经网络模型

研究了一个高阶神经网络模型，该模型采用全局优化学习算法，能使所有学习图样都成为系统的稳态吸引子，其存储容量远高于Ｈｅｂｂ－ｒｕｌｅ－ｌｉｋｅ型学习算法下的高阶神经网络模型，并能存储识别相关图样．对由３０个神经元组成的二阶神经网络系统进行了计算机模拟，模拟结果证实了上述结论．此外，还分析了初始突触强度对学习效果的影响，计算了不同存储图样数目下的平均吸引半径．     

一种改进的神经网络BP算法

提出同时对神经元温度常数Ｔ、位置常数θ、联接权值Ｗ进行调整的观点,并推导出相应的学习算法公式．对比试验表明：所给出的改进算法能有效地减少节点数、加速训练进程和识别精度     

电离层断层成像数值模拟

将计算机断层成像(CT)技术用于电离层探测,可以得到电离层垂直剖面大尺度的电子浓度分布。根据电离层cT有限投影角度和稀疏接收站的实际探测条件,提出了增加接收站观测数据及扩展投影角度的方法。在迭代过程中对重建结果引入了最平稳解约束,以此构造了一个能量函数,在迭代过程中结合模拟退火方法,求得全局最优解。