分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

基于泰勒展开的二阶层次分析法初探

经典AHP常用于武器装备效能或能力评估,然而经典AHP采用线性加权模型,即通过底层指标效能线性加权得到顶层指标效能,对非线性体系往往会引入较大评估误差,易产生决策性错误。为解决这一问题,本文以底层指标效能值等于1/2为展开点,给出基于泰勒展开的二阶加权模型,对线性体系,二阶加权模型可退化为经典线性加权模型;推导出二阶AHP的数学表达式,给出二阶AHP效能评估步骤,构建二阶AHP的基本框架。算例表明,二阶AHP评估结果相比经典AHP更接近于解析解,产生决策性错误的机率远小于经典AHP。     

裂纹反演分析的NMM-Elman神经网络协同方法

裂纹识别是结构健康监测的重要内容。本研究基于反演分析原理,将数值流形方法(NMM)与Elman神经网络相结合开展裂纹识别。NMM用于获取对应裂纹构型下测点的位移数据以供Elman神经网络的学习,在此基础上利用训练好的Elman网络进行了直线裂纹反演。通过2个典型算例证实了NMM-Elman协同方法的可行性和精度,与此同时分析了测点布置方式及输入数据噪声等因素对裂纹反演精度的影响。表明本研究的方法能够准确反演出单一及复杂裂纹的裂尖坐标。本研究的工作为复杂裂纹的高效准确识别提供了一种新的思路和方法。     

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

变时滞Hopfield神经网络的全局吸引性和全局指数稳定性

对一类具时滞的Hopfeild型神经网络模型,在非线性神经元激励函数只要求满足Lipschitz连续的条件下,利用推广的Halanay时延微分析不等式、Dini导数以及泛函微分析技术,给出了这类模型的平衡点全局指数稳定性和全局吸引性的充分条件,这些条件易于检验,且改进和推广了前人的结论.此外,此文给出了研究神经网络模型的全局吸引性的微分不等式比较方法.     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题,提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性,提出基于快速神经网络架构搜索（neural architecture search,NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法,在预设的搜索空间中搜索最优网络结构,进行图像水印的高效嵌入与鲁棒提取。首先,将子网络中线性连接的全卷积层设置为独立的神经单元结构,并参数化表示结构单元内节点的连接,预先设定结构单元内每个神经元操作的搜索空间;其次,在完成一个批次的数据集训练后,依据神经元操作中的被采样次数和平均损失函数值动态更新概率;最后,重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上,大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑,本文算法具有较高的时间性能和较好的实验效果,在隐藏图像时,对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验,对比发现,本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著;在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著,特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

二阶差分方程的奇性边值问题

主要采用上下解方法,研究了一类带有奇性的二阶差分方程的两点边值问题,给出了一系列正解的存在条件.     

基于深度学习的3D分子生成模型研究进展

分子生成作为药物设计领域的一个基本问题,旨在以低成本和高效率的方式设计出具有理想生物活性和药代动力学属性的新颖分子.近年来深度生成模型在药物设计中得到了广泛应用,大量的模型结构和优化策略得到探索,其中大多是生成一维或二维的分子结构.随着深度学习在处理几何图形数据上的快速发展,面向3D分子的生成模型被提出,因其在直接生成3D分子构象和基于结构的药物设计上的优势和潜力而越来越受到关注.本文对近年来国内外学者在3D分子生成上取得的成果进行了系统的总结和分析,从3D分子生成算法输入的角度将其分为基于隐变量的生成、基于2D分子图的生成和基于3D分子构象的生成;接着从3D分子生成算法输出的角度将其分类为定向生成和非定向生成;随后总结了相关生成模型在主要的公开数据集上的性能,以探究各种生成模型的优缺点;最后对未来可能的研究方向进行了展望.