神经网络参数对地震类型识别的影响

由于震源识别模型判据选取不当或关键参数设置不合理,现有地震辨识模型的性能受到一定制约。为了改善地震类型识别效果,优化反向传播(back propagation, BP)神经网络参数设置,提出了一种经验模态分解(empirical mode decomposition, EMD)多尺度近似熵(multi-scale approximate entropy)判据,并讨论训练函数、激活函数、隐藏层神经元数目与学习速率等网络参数对地震辨识的影响。首先,针对多组天然地震事件及人工爆破事件波形进行关键信息提取与归一化,利用EMD算法提取6个本征模态函数(intrinsic mode function, IMF)和1个剩余分量(residual),然后分别计算近似熵得到EMD多尺度近似熵向量;再次,设计一系列BP神经网络调参实验,研究BP神经网络参数对地震类型识别的影响。结果表明,训练函数、激活函数、隐藏层数目等参数对地震辨识产生了明显的影响,辨识效果较好的参数组合为：训练函数采用共轭梯度法,输出层激励函数为purelin函数,隐层激励函数为logsig函数,隐层节点数和学习率分别设置为10和0.0...     

基于CEEMDAN多尺度模糊熵和SSA-BP神经网络的VP型垂直摆倾斜仪故障辨识

针对现有倾斜仪故障记录的甄别与分类主要依靠人工经验,诊断过程繁琐及诊断精度不高的问题,充分利用信号分解技术的特征升维与机器学习模型的快速自动分类等优势,提出一种结合完备集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）多尺度模糊熵和麻雀搜索算法（SSA）优化BP神经网络的VP型宽频带垂直摆倾斜仪故障自动诊断方法。该方法首先将故障数据归一化,利用CEEMD分解信号得到本征模态函数（IMF）的多尺度模糊熵,然后基于麻雀搜索算法（SSA）优化BP神经网络的权值与阈值,得到最佳权值和阈值,最后应用SSA-BPNN模型对倾斜仪故障特征数据进行辨识。实验表明:CEEMD多尺度模糊熵判据具有良好的倾斜仪故障特征区分效果;SSA-BP神经网络模型在准确率和召回率上,相比BP模型分别提高4.758 1、6.321 6个百分点,辨识过程更稳健,弥补了VP型倾斜仪在故障智能识别领域的空白。     

基于M23模块的数据无线传输终端设计

介绍了一款用TGSM／GPRS网络的通信模块-BENQ公司的M23模块。利用AVR系列的一款单片机ATmegal62控制M23模块，借助移动服务运营商提供的GPRS网络，实现了对上位机数据的无线传输。