基于灰关联分析的GA-BP神经网络在汽车油耗估算中的应用

从设计参数特征入手分析影响汽车油耗的因素,利用灰关联分析方法,解析了各设计参数对汽车油耗的影响程度,选择其中灰关联度较大的设计参数作为输入数据,综合工况油耗作为输出数据,构建6-5-1层结构的BP神经网络预测模型,并利用遗传算法获得优化后的BP神经网络的权值和阈值,然后训练BP神经网络得到最优值,最后以国内市场340款汽车作为研究样本,进行有效性验证.研究结果表明,模型利用灰关联分析获得影响汽车油耗的主要因素,简化了网络结构;与优化前的BP神经网络相比,具有更高的预测精度和可靠性.     

基于BP网络和RBF网络的模糊系统建模

Ｗｈｅｎａｐｐｌｙｉｎｇａｆｕｚｚｙｃｏｎｔｒｏｌｍｅｔｈｏｄｏｒａｎｉｎｔｅｌｌｉｇｅｎｃｅｃｏｎｔｒｏｌｍｅｔｈｏｄｔｏａｎｅｆｆｅｃｔｉｖｅｃｏｎｔｒｏｌｏｖｅｒａｃｏｍｐｌｅｘｓｙｓｔｅｍ,ｉｔｉｓｓｏｍｅｔｉｍｅｓｎｅｃｅｓｓａｒｙｔｏｉｄｅｎｔｉｆｙｓｙｓｔｅｍａｔｉｃｓｔｒｕｃｔｕｒｅａｎｄｐａｒａｍｅｔｅｒｓ．Ｍａｔｈｅｍａｔｉｃａｌｌｙ,ｉｔｉｓｊｕｓｔｔｈｅｐｒｏｂｌｅｍｓｏｆｕｎｉｖｅｒｓａｌｆｕｎｃｔｉｏｎａｌａｐｐｒｏｘｉｍａｔｉｏｎａｎｄｆｕｎｃｔｉｏｎａｐｐｒｏｘｉ…     

基于TDLAS技术的CH4气体检测与温度补偿方法

CH₄气体的精准检测对防止矿井瓦斯爆炸,确保安全生产至关重要。目前基于可调谐半导体激光吸收光谱技术（TDLAS）存在因温度变化导致气体浓度测量误差较大。探究了基于TDLAS的CH₄气体检测系统与温度补偿方法,分析温度对CH₄气体吸收谱线的影响,通过算法补偿模型消除环境温度对CH₄气体检测的影响。依据TDLAS技术原理及相关理论,对系统发射单元、吸收池、信号接收单元、数据处理单元进行设计,搭建了基于TDLAS技术的CH₄气体浓度检测系统,实验检测了不同环境温度（10~50 ℃）时0.04%CH₄气体浓度,分析温度变化对CH₄气体在波长为1.653 μm处吸收谱线强度和半宽度的影响。为消除温度对CH₄气体检测的影响并提高补偿效果,采用粒子群优化算法（PSO）优化BP神经网络（BPNN）的最佳权值和阈值,建立CH₄气体的PSO-BP温度补偿模型,克服了BP神经网络收敛速度慢、易陷入局部最优的缺点。结果表明：（1）基于TDLAS的CH₄气体检测浓度随环境温度升高而下降,整个实验温度内相对误差范围为4.25%~12.13%,不同环境温度下CH₄气体检测浓度与温度之间的关系可用一元三次多项式表示;（2）CH₄气体的吸收强度和半宽度随着温度的升高而下降,与温度变化之间的关系为单调递减函数,温度对CH₄气体吸收谱线强度的相对变化率大于吸收谱线半宽度的相对变化率,CH₄气体吸收谱线的强度更容易受温度变化的影响;（3）BP神经网络和PSO-BP模型测试样本的绝对平均误差（MAE）分别为12.88%和1.81%,平均绝对百分比误差（MAPE）分别为2.3%和0.3%,均方根误差（RMSE）分别为15.96%和2.69%,相关系数R2分别为0.980 6和0.999 6。通过建立PSO-BP温度补偿模型,补偿效果大部分分布在±1.0%的误差范围内,MAE,MAPE,RMSE和R2等评价指标均大幅度提升,对提高TDLAS技术在矿井CH₄的精准检测具有一定的参考意义。     

基于FC-DenseNets-BC神经网络的光学水印重建方法

提出了一种基于深度学习的光学水印重建方法,通过双随机相位加密的方法实现水印的加密,并将加密图像嵌入到宿主图像中,然后利用原水印图像与含水印宿主图像之间的物理关系,训练改进的神经网络FC-DenseNets-BC,得到可以重建原水印图像的网络模型.在传统光学水印技术中,含水印宿主图像质量和解密水印图像质量依赖于嵌入强度的...     

基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区（CPA）肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络（Faster-RCNN）和水平集（Level-Set）方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T₁WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络（RPN）进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值（mAP）和戴斯系数（Dice系数）等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.     

基于KPCA-K-means++和GA-LMS模型的改进RBF神经网络室内可见光定位

针对室内可见光定位接收光功率不均匀、定位精度低等问题,提出一种自适应花授粉定量式灯源优化方案结合改进径向基函数(RBF)的神经网络接收信号强度指示(RSSI)可见光定位方法.所提方法采用自适应花授粉算法优化发射器的光照强度;通过基于改进RBF神经网络的RSSI定位方法处理接收到的均匀光信号,实现精确有效定位.利用核主成分分析K-means++(KPCA-K means++)聚类模型对RSSI样本值进行预处理,得到最优聚类数目和聚类中心,作为隐含层神经元个数和中心值.通过遗传算法-最小均方(GA-LMS)模型对RBF神经网络参数进行寻优.仿真结果表明,在9 m×12 m×3.5 m的室内环境中,接收光功率为 28.6 dBm～-25.1 dBm,定位误差小于0.1m.因此,所提改进后的可见光定位方法具有定位精度更高、实用性更强等优点.     

基于神经网络的托卡马克能量约束时间预测

使用机器学习理论中的神经网络方法,根据通用逼近原理对能量约束时间的复杂函数进行逼近,采用托卡马克装置的典型实验数据,设计一种组合结构的神经网络.通过大量的调参试验,给出一套性能最好的参数组合,并与传统幂指数形式的多元线性回归方法进行准确性和数据集迁移能力的比较.结果表明:神经网络模型对于能量约束时间的预测准确率更高,回...     

高光谱和卷积神经网络的大白菜农残检测

针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、检测周期长等不足,提出了一种快速无损识别大白菜农药残留种类的方法.以1组无农药残留和4组含有均匀喷洒农药(毒死蜱、乐果、灭多威和氯氰菊酯)的大白菜样本为研究对象(药液浓度配比分别为0.10,1.00,0.20和2.00 mg·kg-1),经12小时自然吸收后,利用...     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。