GA-BP神经网络结合PCA的多基色颜色预测模型

颜色分区法是简化多基色颜色复制的主要方法,本研究以3基色为组将7基色色空间分成6个子空间,结合主成分分析(PCA)对分区内颜色样本的光谱反射率降维,通过3层BP神经网络,建立样本网点面积率与多基色复制色光谱反射率的转换模型,并通过遗传算法(GA)对神经网络权值阈值进行优化,提高多基色复制的颜色预测精度.实验结果表明,在各分区训练样本数为64、检测样本数为216时,GA-BP神经网络模型颜色预测的平均色差(△Eab*)为1.669,光谱均方根误差(RMSE)为0.7％,预测精度和稳定性均高于BP神经网络模型和胞元Neugebauer模型.最后,将训练样本数为64的GA-BP模型与训练样本数量为125,216,343的BP神经网络模型(平均△Eab*分别为3.267,2.776,2.175,光谱RMSE为0.97％,0.79％,0.76％)进行了比较,结果表明训练样本数为64的GA-BP模型的预测精度与训练样本数量为343的BP神经网络模型相当.GA-BP模型仅需少量样本即可实现高精度的颜色预测,在应用中具有良好的可移植性.     

基于粒子群优化算法的测光红移回归预测

星系的红移在天文研究中极其重要,星系测光红移的预测对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目发布的SDSS DR13的150 000个星系的测光及光谱数据进行分析,首先根据颜色特征并基于聚类的方法对星系进行分类,由分类结果可知早型星系的占比较大。对比了三种不同的机器学习算法对早型星系进行测光红移回归预测实验,并找出最优的方法。实验中将星系样本中u, g, r, i, z五个波段的测光值以及两两做差得到的10个颜色特征作为输入数据,首先构建BP网络,使用BP算法对星系的测光红移进行回归预测;然后利用遗传算法（GA）优化BP网络各层参数,将优化后的GA-BP算法应用于早型星系的回归预测试验中。考虑到GA算法的复杂操作会影响预测效率,并且粒子群算法（PSO）不仅稳定性高且操作简单,因此将粒子群算法应用到星系样本中早型星系的测光红移回归预测实验中,进而采用粒子群算法优化BP网络（PSO-BP）。实验中将光谱红移作为期望值,采用均方差（MSE）作为误差分析指标来评判三种算法的精度,将PSO-BP回归预测结果与BP网络模型、GA-BP网络模型进行比较。由实验结果可知,BP网络的MSE值为0.001 92,GA-BP网络的MSE值0.001 728,PSO-BP网络的MSE值为0.001 708。实验结果表明,所用到的PSO-BP优化模型在精度上优于BP神经网络模型和GA-BP神经网络模型,分别提高了11.1%和1.2%;在效率上优于传统的K近邻（KNN）测光红移估计算法, 克服了KNN算法中遍历所有数据样本进行训练的缺点并且其泛化性能优于其它BP网络优化模型。     

错位光纤干涉激光谱结合BP神经网络的温度传感研究

在分析不同温度时单模错位光纤干涉光谱对应波长的条件下,搭建三层BP神经网络模型对温度传感进行研究,解决了常规光纤测温系统复杂和精度不高的问题。对建立的网络模型参数进行探讨,将采集的激光波长与对应的温度数据,经BP神经网络训练,对比得到最佳网络结构,达到在训练完成的网络输入层输入激光波长值时,便可在输出层得到对应的温度预测值。结果证明,实验输出的预测温度值与实际温度值之间表现出明显的相关性,即预测值能够逼近实测值。温度校正和预测相关系数分别达到0.999 61和0.979 27,校正标准误差与预测标准误差分别为0.017 5和0.144 0,得到预测集的平均相对误差为0.17%,剩余预测误差RPD可达到5.258 3,RPD大于3.0,说明定标效果良好,所建模型可用于实际的检测。另外,将该算法用于了带校正的双耦合结构单模错位光纤测温系统中,结果表明BP神经网络方法能够较好的处理错位光纤测温系统中激光光谱数据和温度之间的非线性关系,预测温度值与实测温度值之间的相关度为0.996 58,得到预测温度值与实际温度值之间平均相对误差为0.63%,从而提高了光纤测温传感器的精度和稳定性,同时也验证了该算法在光纤传感上的可行性,也为错位光纤的压力、曲率等其他物理量传感的精确测量提供了新思路。     

基于约束优化的多光谱辐射真温反演算法

多光谱辐射测温是通过测量待测物某点的多个光谱辐射强度信息,通过普朗克公式反演获得真实温度。但是,通过普朗克公式获得的多光谱辐射测温方程组,是欠定方程组,即N个方程,N+1个未知数(N个未知的光谱发射率ε_λi和1个待求真温T)。目前,多采用事先假设一组发射率模型(发射率-波长或发射率-温度模型),假设模型与实际情况如果相符,则反演结果能够满足要求,如果假设模型与实际情况不符,则反演结果误差很大。但是,发射率模型受温度、表面状态、波长等诸多因素影响,难以事先确定发射率模型。因此受未知光谱发射率的制约一直是多光谱辐射测温理论面临的主要障碍,能否在无需任何光谱发射率假设模型的情况下,实现真温和光谱发射率的直接反演一直是多光谱辐射测温理论研究的热点和难点。通过对参考温度模型的分析表明,多光谱辐射测温反演过程的实质是寻找一组光谱发射率,使得每个通道方程解得的真温都相同,如不相同则继续寻找合适的光谱发射率,直到每个通道解得的真温都相等。为此,提出将多光谱辐射测温参考温度模型的求解过程转换为约束优化问题,即在光谱发射率0≤ε_λi≤1的约束条件下,通过梯度投影算法不断寻找光谱发射率,带入多光谱辐射测温参考温度模型方程组后,计算温度反演值的方差,直到每个光谱通道方程获得的温度值应该近似相等,此时各个光谱通道的温度反演值方差最小,这样就把多光谱辐射真温和发射率的反演问题转换为约束优化问题。约束优化算法是解决这一类问题的主要方法,但为了满足Ax≥b的约束条件,将0≤ε_λi≤1分解为ε_λi≥0和-ε_λi≥-1的两个约束条件,从而满足了约束优化问题Ax≥b的约束条件。这样就可以通过约束优化算法在无需任何光谱发射率假设模型的条件下,直接求解真温和光谱发射率。实验采用六种不同光谱发射率分布模式(随波长递增、递减、凸波动、凹波动、“M”型波动、“W”型波动)的材料为研究对象,以验证新算法对不同材料光谱发射率分布反演的适应性,利用Matlab的minRosen函数,选择光谱发射率的初始值均为0.5(取中间值,提高计算效率)。针对六种不同光谱发射率模型的仿真结果表明,新算法无需任何有关发射率的先验知识,对不同发射率模型反演结果均表现较好,在真温1 800 K的情况下,绝对误差均小于20 K,相对误差均小于1.2%,新算法具有无需考虑任何光谱发射率先验知识、反演精度较高及适合于各种发射率模型等优点,进一步完善了多光谱辐射测温理论,在高温测量领域具有良好的应用前景。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

布里渊散射谱拟合的混合优化算法

基于布里渊光时域分析仪的全分布式光纤传感系统中,光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别,光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下,提出了一种提取高精度布里渊散射谱特征的拟合方法,利用小波去噪结合莱文伯-马奈特(LM)算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点,保证求解的精度。数值仿真表明,该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合,并且在信噪比为10dB的情况下得到拟合度均超过0.96。实验结果表明,该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取,优于传统BP神经网络算法且具有较高的拟合精度。     

红外技术与器件

TH811∥TN2192007010651基于BP神经网络的红外测温系统温度标定方法=Cali-brating method of infrared measuring temperature systemon the BP neural network[刊,中]/刘缠牢(西安工业学院光电工程学院.陕西,西安(710032)),谭立勋…//激光与红外.—2006,36(8).—655-656,667介绍了红外测温系统温度标定方法和BP算法神经网络,将BP算法神经网络应用于温度标定物理实验中的灰度与温度的特性曲线拟合,并在MaTLAB下通过训练和仿真验证了应用BP算法神经网络拟合实验曲线的优越性,其拟合精度远高于最小二乘拟合,为测温数据的软件处理提供…     

BP神经网络用于肝炎患者舌诊近红外光谱的研究

为了对肝炎患者进行快速无创检测,用BP人工神经网络(ANN)方法在健康人与肝炎患者之间对人体舌面近红外光谱的反射率的关系进行关联方面的研究。分别采集了健康人和肝炎患者的舌左边、舌右边、舌下左边络脉、舌下右边络脉以及舌尖各部位各25例受试者的光谱数据,构造了一个3层神经网络结构,将所采集的各光谱数据进行归一化反射率预处理后作为神经网络的输入,建立了BP神经网络模型,分别选取对应的各个部位的40例作为训练样本集,用剩下的10例未知的样本进行预测,各部位测试的结果其相对偏差均在0.2以下,分类正确率为100%,达到满意的预测精度。结果表明提出的BP神经网络用于光谱舌诊进行无创检测识别不同病证提供了重要的参考价值。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

基于遗传神经网络的伺服机构健康状态预测

为了及时把握伺服机构的健康状态,为装备的管理维护与任务执行提供必要的决策支持,从装备的自然退化趋势出发,提出了一种基于遗传算法优化BP神经网络的预测模型。利用BP神经网络优秀的非线性映射能力构造预测模型,将神经网络初始权值阈值编码,利用改进的自适应遗传算法确定最优解。将该模型应用到伺服机构的健康状态预测上,并与标准BP神经网络及径向基神经网络做比较。结果表明该模型有更好的预测精度及收敛速度,从而验证了模型的有效性。     

太赫兹光谱法和GA-BP在甲醇浓度检测的应用

在常温常压下,利用光电导天线式太赫兹时域光谱仪和自行设计的气室,在0.1~3.0 THz范围内对甲醇气体进行太赫兹时域光谱测试,测试结果表明,甲醇气体在1.0~3.0 THz没有明显的吸收峰,但是在0.1~1.0 THz波段存在明显的吸收峰。为了准确测定甲醇气体的浓度,根据甲醇气体在0.1~1.0 THz范围内的15处不同的位置处的特征吸收峰强度和甲醇气体浓度的关系,对十五组不同浓度的甲醇气体进行检测,获得了在特征吸收峰处的差异曲线。基于误差反向传播(BP)神经网络的函数逼近特点,并利用遗传算法(GA)收敛速度较快,不宜陷入局部极值的优点,采用GA优化BP神经网络的初始的权值和阈值,构建了以预测甲醇浓度为目的的数学模型。结果表明,该网络模型适用于体积浓度范围为0.028 3~0.424 6 m3·L-1的甲醇的浓度预测,两组样本的平均相对标准误差为1.7%,平均回收率为98%,神经网络误差精度10-1,实测值与期望值的相关系数为0.996 77,基本达到理想预测结果。本成果不仅获得了甲醇气体在太赫兹频段的实验数据,而且发现太赫兹时域光谱法和GA-BP神经网络相结合的方法能有效地检测甲醇气体的体积浓度,为检测甲醇气体浓度提供新的方法。     

The measuring of spectral emissivity of object using chaotic optimal algorithm

There exist a considerable variety of factors affecting the spectral emissivity of an object. The authors have designed an improved combined neural network emissivity model, which can identify the continuous spectral emissivity and true temperature of any object only based on the measured brightness temperature data. In order to improve the accuracy of approximate calculations, the local minimum problem in the algorithm must be solved.Therefore, the authors design an optimal algorithm, i.e. a hybrid chaotic optimal algorithm, in which the chaos is used to roughly seek for the parameters involved in the model, and then a second seek for them is performed using the steepest descent. The modelling of emissivity settles the problems in assumptive models in multi-spectral theory.     

Optimized feed-forward neural-network algorithm trained for cyclotron-cavity modeling

The cyclotron cavity presented in this paper is modeled by a feed-forward neural network trained by the authors' optimized back-propagation(BP) algorithm. The training samples were obtained from simulation results that are for a number of defined situations and parameters and were achieved parametrically using MWS CST software; furthermore, the conventional BP algorithm with different hidden-neuron numbers, structures, and other optimal parameters such as learning rate that are applied for our purpose was also used here. The present study shows that an optimized FFN can be used to estimate the cyclotron-model parameters with an acceptable error function. A neural network trained by an optimized algorithm therefore shows a proper approximation and an acceptable ability regarding the modeling of the proposed structure. The cyclotron-cavity parameter-modeling results demonstrate that an FNN that is trained by the optimized algorithm could be a suitable method for the estimation of the design parameters in this case.     

基于发射率温差模型的多光谱辐射测温理论研究

对于辐射测温数据的处理过程实质就是要解决光谱发射率与真温之间的关系。如果假设的光谱发射率模型与实际光谱发射率模型不符,则会造成较大的测温误差。因此,如何减少光谱发射率和真温对测量模型的依赖程度进而使算法具有一定的通用性,是该领域亟待解决的主要问题之一。提出的算法无需预先假定的发射率与波长之间的模型关系即可找出求解出光谱发射率和真温。通过仿真和实验验证结果表明,使用该算法可以求解出一个相对合理的光谱发射率和满足一定精度要求的真温。算法简单、可靠、具有一定的通用性,适合光谱发射率和真温的测量。     

硅基支撑系统的光刻工艺

为提高硅基支持系统制备中光刻过程的线宽精度,用正交试验分析了前烘、曝光、显影主要步骤中一些主要参数对制备结果的影响,得到了它们的影响程度的规律以及较优的参数组合。在此基础上设计和训练了合适的前向误差反向传播神经网络,对主要工艺参数进行了进一步的分析、预测和优选,并用实验加以验证。最终得到在胶厚约1.55 m时,前烘温度100 ℃,时间90 s; 曝光时间5 s; 显影温度15 ℃,时间90 s时,光刻后图形的线宽偏差最小,达到了0.3 m以下。