基于多层感知器与特征组合的皮革缺陷分类

针对皮革表面存在不均匀纹理的特性、缺陷分类难度大的问题,构造了一种多层感知器结合特征组合的分类方法.首先通过Gabor滤波方法强调皮革表面纹理特征,并获取皮革图像的5个灰度分布统计特征与8个灰度共生矩阵统计特征,以此描述皮革表面纹理和缺陷的特征;然后采用多层感知器结合特征组合的分类方法对皮革缺陷图像进行分类.实验验证结...     

输入元素非线性关联的前向网络及性能分析

利用前向网络输入元素非线关联的方法实现了从输入模式空间到输出标识空间复杂的非线性变换。推导了学习方法,并在学习过程把模式的平稳不变识别、比例不变识别及旋转不变识等条件构造在神经网络的权结构之中,使其具有模式不变识别能力,同时借助等权类的概念,极大地简化了网络的拓扑结构,降低了学习时间。     

基于数据分析方法的动力电池系统滥用故障诊断

为了提高对于电池滥用故障的检测能力和诊断效率,针对电动汽车动力电池系统以电压、电流和电功率作为主要控制参数的特点,提出了一种基于数据分析方法的动力电池系统滥用故障检测方法。该方法采用局部异常因子(LOF)算法和感知器网络,研究由于电池滥用对电压、电流等数据的一致性和离散分布的影响。结果表明,由于故障造成的异常数据点,其LOF值远大于正常数据,在感知器分类结果中通常输出为“0”。利用局部异常因子算法可以有效找出数据集中的异常数据点,利用LOF算法处理后的数据对感知器进行训练,可以对数据集进行快速分类,进而判断电池是否发生了滥用故障。该方法可为动力电池系统故障检测提供参考。     

多层感知器分类行为的模糊线性分析

线性判别函数理论是线性分类器的分析基础,并不适合非线性分类器.本文把非线性激励函数视为隶属度函数,将非线性神经元及多层感知器分类行为的分析建筑在模糊集理论基础上,提出模糊线性判别函数与模糊判别边界、模糊分类等概念.并引出将隐层初始权向量均匀分布在权空间超球面上的初始化方法,明显提高了多层感知器的收敛性能.并提出了一种在多层感知器的类空间中构造最优超平面的简易新方法.     

基于多特征融合的MLP压裂泵单向阀故障诊断研究

在页岩气开采过程中,压裂泵单向阀因易发生破损而更换频繁,目前单向阀的检测方法存在依赖人工经验、需要专人监测、故障定位准确性不高、全检全换等问题。针对上述问题,以中石化柴驱压裂泵为例,提出了一种基于多特征融合和多层感知器相结合的方法,对其单向阀进行了故障诊断。首先,用多个加速度传感器和压力传感器,对不同单向阀故障情况下的压裂泵工作状态进行了故障采集,对获取的数据分别进行了时域和频域相关的统计特征计算;然后,使用主成分分析法对其主要特征成分进行了提取,构成了新的特征向量;最后,利用多层感知器处理非线性数据的优势,使用其进行了单向阀故障的分类识别,实现了对压裂泵单向阀故障的精确诊断。研究结果表明:基于多特征融合和多层感知器相结合的方法能够准确识别出单向阀多种故障类型,且受工况的影响程度低,平均诊断准确率达到99.6%;多传感器计算得到的特征经处理后,可使不同单向阀故障具有可分性。     

墙面涂料的显微共聚焦喇曼光谱无损鉴别

为了实现对墙面涂料物证的无损鉴别,提出了显微共聚焦喇曼光谱技术结合多元建模分析的无损鉴别墙面涂料方法。采用不同Savitzky-Golay(SG)平滑多项式次数及平滑点数对分类模型准确率的影响进行预处理,同时比较了不同分类模型的区分能力。结果表明,相较于径向基函数神经网络模型,多层感知器神经网络模型对各样本的区分能力更强,且经过SG平滑1次多项式结合平滑点数27点预处理后,多层感知器神经网络模型能够实现对梅菲特等3种不同品牌墙面涂料样本,以及梅菲特3种不同类型墙面涂料样本100%的准确区分。该方法提高了检验鉴定效率,降低了检验鉴定成本,具有一定的普适性。     

支持向量机

1 前言基于数据的机器学习是人工智能技术中的重要方面,从观测数据(样本)出发寻找数据中的模式和数据间的函数依赖规律,利用这些模式和函数依赖对未来数据或无法观测的数据进行分类、识别和预测。关于其实现方法大致可以分为三种,第一种是经典的(参数)统计估计方法,在这种方法中,参数的相关形式是已知的,训练样本用来估计参数的值。这种方法有很大的局限性,首先,它需要已知样本分布形式,其次传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设,但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可     

融合上下文信息的深度推荐模型

目前,在基于文档信息的推荐任务中,传统基于文档的混合推荐算法仍依赖于浅层的线性模型,当评分数据变得庞大且复杂时,其推荐性能往往不太理想。针对此问题,提出一种深度融合模型(DeepFM),该模型能够在完全捕获文本信息的同时也能很好地处理复杂且稀疏的评分数据。DeepFM由两个并行的神经网络组成,其中一路神经网络使用多层感知器提取评分矩阵的行向量信息从而获得用户的潜在特征向量,另一路则使用MLP和卷积神经网络(CNN)共同建模从而提取额外有关项目的文本信息得到项目潜在特征向量。最后,通过构建融合层将用户特征向量和项目特征向量进行融合得出预测评分。实验结果表明,DeepFM在MovieLens数据集和亚马逊数据集上的性能优于主流的推荐模型。     

基于MO-PLP-ELM及电容层析成像的两相流流型辨识

提出一种基于多目标优化并行感知器的极限学习机(MO-PLP-ELM)及电容层析成像(ECT)技术的两相流流型辨识算法。首先,为保证样本具有代表性,采用随机思想生成7类流型的训练及测试样本集;其次,对样本模型的电容数据归一化处理;最后,采用MO-PLP-ELM算法进行流型辨识,并与常用的BP神经网络、支持向量机、极限学习机及并行感知器改进极限学习机算法进行比较,结果表明,提出的MO-PLP-ELM算法其辨识率明显高于其它算法,平均辨识率达96.1%。     

基于深度学习的粉煤灰混凝土氯离子浓度预测

为研究深度学习方法在氯离子浓度预测中的应用，通过自然潮差环境下粉煤灰混凝土的长期暴露试验获取3 150组自由氯离子浓度数据，建立不同激活函数、不同隐藏层层数的多层感知器(multi-layer perceptron, MLP)模型，开展考虑水灰比、暴露时间、粉煤灰掺量、渗透深度4个输入参数影响的粉煤灰混凝土中的自由氯离子浓度预测研究.结果表明，采用ReLu函数及4层隐藏层构建MLP模型时，自由氯离子浓度的预测结果最优.同时，将构建的最优MLP模型开展基于未测参数的自由氯离子浓度预测，比基于菲克第二定律的预测结果更准确.因此，MLP模型具有精度高和适用范围广泛的特点，可作为氯盐环境下混凝土中自由氯离子浓度预测的新方法.