采用BP神经网络研究C-F键核自旋偶合常数

通常理论研究核自旋偶合常数的方法是基于线性模型进行拟合和预测，该方法在拟合和预测中仍有较大误差. 本文在前面工作的基础上，提出了基于非线性模型对C-F键核自旋偶合常数进行研究的观点，采用BP神经网络方法对C-F键核自旋偶合常数的函数关系式进行拟合，并用拟合结果对4种化合物的偶合常数进行预测. 结果表明，采用非线性的BP神经网络方法其训练效果与预测效果均优于线性模型方法；其预测误差对文中的4种化合物不超过0.40%.     

基于条件生成式对抗网络的油藏单井产量预测模型

为克服机器学习方法在油藏单井产量预测中的过拟合问题,提高油田生产中的产量预测精度,提出一种基于条件生成式对抗网络(CGAN)的油藏单井产量预测模型。该模型使用长短期记忆、全连接等基础神经网络,构建生成和判别网络模型。生成网络模型以产量影响因素为条件输入,生成预测产量数据,利用对数损失函数评价预测数据与真实数据之间的偏差,通过条件生成式对抗网络的博弈训练,并结合贝叶斯超参数优化算法,优化模型结构,综合提高模型的泛化能力。基于Eclipse数值模拟软件建立同一井网条件下不同地质和生产条件下的油藏单井产量数据库,以地质与生产条件等产量影响因素作为模型的条件输入,进行油藏单井产量预测。结果表明：与全连接神经网络(FCNN)、随机森林(RF)以及长短期记忆神经网络(LSTM)模型的预测结果相比,CGAN模型在测试集上的平均绝对百分比误差分别提升了2.59%、 0.81%以及1.72%,并且过拟合比最小(1.027)。说明CGAN降低了机器学习产量预测模型的过拟合程度,提高了模型的泛化能力与预测精度,验证了所提算法的优越性,对指导油田高效开发和保障我国能源战略安全具有重要意义。     

神经网络方法构建苯硫酚三维非绝热势能面（英文）

本文利用神经网络方法构建了苯硫酚三维的基态(S0)绝热势能面以及激发态~1ππ~*和~1πσ~*耦合的非绝热势能面.特别地,~1ππ~*和~1πσ~*非绝热势能面的透热化是通过神经网络拟合实现的,拟合仅基于其绝热势能,但对非绝热势能矩阵的非对角元施加了对称性的正确限制.神经网络拟合的3个态的势能面的拟合均方根误差都非常小(4 meV),体现了神经网络方法的高精度.在神经网络构建的势能面上计算得到了S0态的低位能级和S_1态0~0的寿命,结果均与早前非绝热势能面上的结果吻合,验证了神经网络方法构建的绝热和非绝热势能面的高精度和可靠性.     

神经网络方法构建苯硫酚三维非绝热势能面

本文利用神经网络方法构建了苯硫酚三维的基态(S₀)绝热势能面以及激发态¹ππ^*和¹πσ^*耦合的非绝热势能面. 特别地，¹ππ^*和¹πσ^*非绝热势能面的透热化是通过神经网络拟合实现的，拟合仅基于其绝热势能，但对非绝热势能矩阵的非对角元施加了对称性的正确限制. 神经网络拟合的3个态的势能面的拟合均方根误差都非常小(<4 meV)，体现了神经网络方法的高精度. 在神经网络构建的势能面上计算得到了S₀态的低位能级和S₁ 态0⁰ 的寿命，结果均与早前非绝热势能面上的结果吻合，验证了神经网络方法构建的绝热和非绝热势能面的高精度和可靠性.     

基于BP神经网络模型时钟同步误差补偿算法

误差补偿是保证水下传感器网络时钟同步精度的一个重要保障,现有研究方法主要采用线性拟合和最小二乘法对时钟同步参数进行误差补偿,但该类方法并未考虑受海流影响时节点移动所导致的时钟同步精度问题.针对此问题,本文提出一种基于BP神经网络模型的时钟同步误差补偿算法.首先采用深海拉格朗日洋流模型描述水下节点运动规律,模拟水下节点运动速度,进而建立时钟同步参数模型,最后构建符合水下环境的BP神经网络时钟同步误差补偿模型,通过定义激励函数,引入正则项因子和补偿性因子避免模型过拟合,建立误差反向传播的BP神经网络模型时钟同步误差补偿算法.仿真实验表明,本文提出的算法与TSHL算法、MU-sync算法、MM-sync算法相比,在时钟同步精度(即时钟同步时间与标准时间的误差)上分别提升了37.42%, 17.29%和21.86%,并且均方误差得到显著降低.     

用等离子体粒子能谱拟合温度的新方法

用最小二乘法拟合等离子体粒子能谱实验数据时，通常使拟合函数与实验能谱数据之间的误差平方和极小化。如果将能谱实验数据的对数拟合成直线以求得粒子温度，则最好对温度误差的平方和极小化。给出了这种拟合方法的计算公式，并对两种不同方法得到的结果进行了比较。     

基于深度神经网络的空间目标常用材质BRDF模型

由于双向反射分布函数(BRDF)经验模型与半经验模型对材质散射特性描述时存在局限性,导致其拟合结果与实测数据的误差较大。针对此问题,基于深度神经网络(DNN)构建了一种适用于具有不同散射特性空间目标材质的BRDF模型。建立的深度神经网络模型基于TensorFlow实现,包含4个隐含层,并采用AdaDelta梯度下降法进行优化,结合Dropout方法进行正则。随机抽取材质测量数据的一部分作为训练样本,最终得到BRDF与入射天顶角、反射天顶角以及观测方位角的映射关系模型。大量的实验结果表明,建立的深度神经网络模型具有良好的材质特性描述能力,且对于相同材质,模型的拟合误差小于经验模型。     

FFT-BP神经网络模型对车载γ能谱辐射剂量率的预测分析

为了实现车载γ谱仪巡测系统对辐射剂量率的准确测定，提出基于快速傅里叶变换(FFT)本底扣除法的改进型BP神经网络模型(FFT-BP神经网络模型)。实验采用γ射线能谱分析法，对不同间距处的137Cs放射源进行车载γ能谱测试，将得到的谱数据通过快速傅里叶变换(FFT)扣除本底，获得新的谱线数据。应用FFT-BP神经网络模型对未知剂量的车载γ谱线作辐射剂量率的定量预测，将预测结果同3个函数模型的拟合结果比较，验证FFT-BP神经网络模型的预测效果。结果表明，FFT扣除法能较好的削弱散射本底对γ谱线的影响，能有效的降低谱线本底。通过新谱线获得的特征峰面积和净谱线面积与辐射剂量率的相关系数均为0.99(p<0.05)，相关性显著。模型拟合分析过程中，FFT-BP神经网络模型表现出较强的学习泛化能力，预测较理想，相对误差和累计误差分别低于0.6%和9%，效果明显优于数学模型和γ能谱全能峰法，可显著降低γ能谱分析辐射剂量率的误差，且能有效提升工作效率。因此，FFT-BP神经网络模型适用于γ能谱辐射剂量的预测分析，为车载γ谱仪巡测系统测量辐射剂量提供了一种新型有效的分析方法。     

弛豫时间测量的数据拟合

介绍了计算弛豫时间的数据拟合原理、拟合误差估计及拟合优度的统计度量,在此基础上,用NDP一FORTRAN386语言自编了拟合程序SIMFIT,该程序能提供不同的拟合方法和多种拟合函数供使用,并能显示拟合曲线和拟合误差,特别适用多指数弛豫的数据拟合。     

B-P神经网络用于氘灯辐亮度值预测

本文提出了应用Ｂ－Ｐ神经网络预测氘灯辐亮度值的新方法。构造３层神经网络结构，选取与氘灯辐亮度值有关的特性指标值作神经网络的信息输入，按误差反向传播（Ｂ－Ｐ）算法对样本进行训练，用已训练好的Ｂ－Ｐ神经网络预测待识别氘灯的辐亮度值。实例分析表明Ｂ－Ｐ神经网络用于氘灯辐亮度值预测有较高的拟合和预测精度。     

Study on two-dimensional distribution of X-ray image based on improved Elman algorithm

The principle of the X-ray detector which can simultaneously perform the measurement of the exposure rate and 2D (two-dimensional) distribution is described. A commercially available CMOS image sensor has been adopted as the key part to receive X-ray without any scintillators. The correlation between the pixel value (PV) and the absorbed exposure rate of X-ray is studied using the improved Elman neural network. Comparing the optimal adjustment process of the BP (Back Propagation) neural network and the improved Elman neural network, the neural network parameters are selected based on the fitting curve and the error curve. The experiments using the practical production data show that the proposed method achieves high accurate predictions to 10⁻¹⁵, which is consistent with the anticipated value. It is proven that it is possible to detect the exposure rate using the X-ray detector with the improved Elman algorithm for its advantages of fast converges and smooth error curve.     

机器学习的IBBCEAS光谱反演波段优化

非相干宽带腔增强吸收光谱技术（IBBCEAS）利用高精密谐振腔增强吸收光程,实现对痕量气体的高灵敏探测。目前,IBBCEAS技术主要采用发光二极管（LED）作为非相干光源。当谐振腔镜片反射率曲线与带宽有限的LED辐射谱不能很好匹配时,光谱反演波段选择不当可能会对被测气体浓度拟合结果产生较大偏差。以定量探测大气NO₂浓度为例,分析了IBBCEAS光谱反演波段对NO₂拟合结果的影响,发现当反演波段宽度窄到一定程度后,NO₂浓度拟合相对误差会迅速增加。为此,提出了一种基于RBF神经网络结合遗传算法的机器学习IBBCEAS光谱反演波段优化方法,以使浓度拟合误差达到最小。在430～480 nm待选波段内,选择各种宽度和中心波长的子波段作为反演波段,分别进行NO₂浓度拟合,以此获得435个样本数据,并将样本数据按照4∶1比例分成学习样本和测试样本,分别用于RBF神经网络学习训练和测试,得到输入参数“反演波段的起始波长与截止波长”与输出参数“浓度拟合相对误差”之间的非线性映射关系。使用遗传算法搜索最优反演波段,将反演波段的起始波长和截止波长组合进行个体编码,随机产生若干个体形成种群。以RBF神经网络的输出（即浓度拟合相对误差）作为个体适应度,经过多代种群进化过程后,获得适应度最优个体,即获得最优反演波段。在种群规模为100个体,种群进化最大代数为100的情况下,当种群进化第61代时,最优个体出现,对应的最优适应度为3.584%,最优反演波段为445.78～479.44 nm。选择相同带宽的其他4个典型反演波段,与最优反演波段下的NO₂拟合结果进行了对比。结果显示,在最优反演波段下,无论是拟合误差、相对拟合误差还是拟合残差标准偏差,均低于其他4个反演波段,光谱拟合质量达到最优。结果表明,利用机器学习来确定IBBCEAS最优反演波段是可行的。     

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神经网络数据挖掘方法应用于检测润滑油冷却液污染的浓度。在实验室条件下,配制了冷却液污染浓度为2%,1.5%,1%,0.5%,0.25%和0%的柴油机润滑油油样,对每个油样取样50次,并进行拉曼光谱分析,共获得300个拉曼光谱数据,随机抽取其中80%的数据作为神经网络训练样本,剩余20%的数据作为测试样本,拉曼光谱样本数据的光谱范围为300～2 000 cm-1;对数据进行预处理,包括采样、拟合、离散点平均梯度估计等;构建训练样本集,将LSTM神经网络和多层全连接层（FC）结合,建立4种不同的神经网络模型结构;得到其在训练集和测试集上的平均误差曲线、测试集上的检测准确率曲线。分析结果表明,FCs,LSTM-FCs-1,LSTM-FCs-2和LSTM-FCs-3等4种神经网络模型,检测准确率分别为96.7%,93.3%,98.3%和83.3%。选取任意1%的波数点,加入幅值随机正负变化1%的噪声之后,4种神经网络模型的检测准确率分别为88.3%,90.0%,96.7%和78.3%。可见,相比于其他3种神经网络结构模型,LSTM-FCs-2模型更适用于进行润滑油冷却液污染的定量估计,加噪后最高准确率仍可以达到96.7%,鲁棒性优于其他三种模型。拉曼光谱结合LSTM网络中的LSTM-FCs-2模型,应用于冷却液污染浓度分别为0.2%和0.4%的实际油样检测,相对误差分别为5.0%和7.5%,结果表明该方法可用于在用润滑油冷却液污染浓度的检测。     

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。     

双面声场反向神经网络声压外推分离

针对有限测量孔径造成的窗效应和离散传声器阵列带来的卷绕误差对双面声场分离技术的影响,提出了一种利用反向传播神经网络的全息面声压外推方法。该方法首先利用孔径内部测点平面坐标和相应声压值组成的学习样本训练神经网络,拟合出两者的函数关系。接着代入孔径外部测点坐标得到对应声压值,实现有限孔径外推。最后将已有测量值和外推测量值组成的虚拟大孔径导入双面声场分离处理。与传统外推方法相比,该方法不需要先验知识,操作简单,计算抗干扰能力强,结果准确性高。数值仿真和实验进一步验证了该方法在改善声场分离结果方面的可行性和有效性。      

基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取

针对布里渊光时域反射光纤传感系统散射谱的高精度特征提取的要求,提出了一种基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取算法。不仅利用了广义回归神经网络在逼近能力、学习速度、模型的泛化等方面具有的优势,而且采用搜索能力较强的自适应变异果蝇优化算法进一步增强了神经网络的学习能力,从而提高了布里渊散射谱的拟合度和频移提取的准确度。在布里渊散射谱中心频率为11.213 GHz,线宽为40～50,30～60和20～70 MHz的散射谱白噪声实验模型中,将新算法分别与基于有限元分析的Levenberg-Marquardt拟合法、粒子群优化和拉凡格式混合拟合法、最小二乘法进行预测比较,新算法获得的最大拟合频移误差为0.4 MHz,平均拟合度为0.991 2,均方根误差为0.024 1。仿真结果表明所提出的算法拟合度较好,绝对误差小。因此,将此算法用于基于布里渊光时域反射的分布式光纤传感系统,可有效提高布里渊散射谱的拟合度和频移提取的准确度。     

改进型M-P神经网络在能量色散X荧光分析测定铅锌矿元素含量的应用研究

以新疆西天山铅锌矿样品的Cu,Fe,Pb等元素X荧光测量数据做训练样本,McCulloch-Pitts神经网络(M-P神经网络)为基础,基体效应为依据,建立新的神经网络模型对Zn进行定量预测。结果预测值与测量值的相对误差在<5%。此方法可较准确,快速的应用于现场X荧光测定,为X荧光光谱信息修正提供一种新方法。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

基于神经网络的虚拟靶标大视场双目相机标定技术

针对大视场双目相机标定中的精度低和非线性畸变问题,提出了一种结合BP神经网络的大尺寸虚拟靶标标定技术。鉴于单角点棋盘格具有易制作、高精度的特性,构建大尺寸虚拟靶标;利用神经网络的非线性映射能力直接建立角点的像素坐标和世界坐标映射关系;用建立的映射网络对测试样本进行三维重建,并与传统的线性标定方法进行对比实验。结果表明,该方法操作简单,且重建距离相对误差为0.92%,优于传统的线性标定方法,可用于大视场双目相机标定。