MATLAB神经网络工具箱在感潮河段断面平均流速计算中的应用

长江下游感潮河段可通过在线测流系统中ADCP实时指标流速监测值推求断面平均流速。为进一步提高模型精度,本文以南京水文实验站2014年5月~2016年12月9次全潮测量为例,在MATLAB中建立相应的神经网络模型并进行求解。结果表明采用该方法不仅实现手段较为直观、便捷,而且拟合精度较原有的多元线性回归模型更高。     

基于Dropout的改进卷积神经网络模型平均方法

针对深度卷积神经网络（CNN）中的过拟合问题，提出一种基于Dropout改进CNN的模型预测平均方法。首先，训练阶段在池化层引入Dropout，使得池化层单元值具有稀疏性；然后，在测试阶段将训练时池化层Dropout选择单元值的概率与池化区域各单元值所占概率相乘作为双重概率；最后，将提出的双重概率加权的模型平均方法应用于测试阶段，使得训练阶段池化层Dropout的稀疏效果能够更好地反映到测试阶段池化层上，从而使测试错误率达到与训练的较低错误率相近的结果。在给定大小的网络中所提方法在MNIST和CIFAR-10数据集上的测试错误率分别为0.31%和11.23%。实验结果表明：仅考虑池化层对结果的影响，所提方法与Prob.weighted pooling和Stochastic Pooling方法相比具有更低的错误率，表明池化层Dropout使得模型更具泛化性，并且池化单元值对于模型泛化具有一定帮助，能够更有效避免过拟合。     

长江感潮河段溢油风险评价体系构建及应用

长江感潮河段水动力条件复杂,对该水域溢油事故缺少相应的风险评价指标体系。为科学评价长江感潮河段溢油风险,从溢油事故对上游水体、敏感点、敏感区影响 3 个要素出发,构建风险评价指标体系,包括危害区特征、危害期特征共 23 个指标。应用该指标体系,基于 EFDC 二维水动力-油粒子模型,以长江南京段水域某码头溢油事故为研究对象,开展溢油风险评价,模拟计算涨急、落急、涨憩、落憩 4 种典型事故发生工况下的风险评价指标值。结果表明;事故发生在落急或涨憩时刻时不会对上游水域产生影响,发生在落憩时刻时对事故点上游水域影响距离最远,发生在落急时刻时将最快影响到下游的敏感点和敏感区,持续时间与水动力特性密切相关。建立的评价指标体系可以较为全面地刻画溢油风险影响特征,为长江感潮河段溢油风险评价提供量化指标和评价工具。     

基于声学多普勒流速仪测流的断面流速分布研究

选择泾河、射阳河闸2个水文站的走航式声学多普勒流速仪测流数据,进行测流断面上的垂向、水平层流速分布及垂向平均流速的横向分布研究。研究结果表明:对于顺直河段,垂线点流速分布基本符合理论流速分布;对于受感潮影响的测流断面,相对流速脉动和均化影响较大,难以找到流速分布规律。通过基于断面流速分布特点的断面有效测速单元确定,可以为测速垂线和垂线上测速点的布设、固定式声学多普勒流速仪安装位置选择等提供技术支撑。     

一种基于机器学习的顺直明渠断面流速场模型构建方法

顺直明渠流量的精确测量,对于水资源的合理利用、调配市县流域水量以及了解污水走向等具有重要意义。其中,渠道断面流速场的准确构建是实现高精度流量计算的关键。目前国内外针对明渠流速分布的研究尚不完善,普遍存在实测样本缺少、精度较低等问题。针对上述问题,提出了一种基于机器学习的顺直明渠断面流速场模型构建方法。该方法首先通过测量渠道参数与少量流速数据,建立并优化断面流场CFD模型,以获得足够训练样本;然后将随机森林和支持向量机作为基学习器,建立基于集成学习的流速场预测模型。该方法可以实现仅通过对表面流速的测量,准确构建顺直明渠断面流速场的目标。实验结果表明,与几种常用的机器学习方法相比,该模型均方根误差最多减小了30.21%,最少减小了2.81%。且该方法的均方根误差均在5%以内,符合国家标准,可以实现流速场的高精度构建。     

基于神经网络的创造性计算模型的构建

根据神经网络和思维科学的理论,研究了逻辑、直觉以及创造性思维的模拟方法。逻辑思维采用了神经网络的BP算法来实现,直觉思维采用了Hopfield神经网络以及交叉变异等实现方法,论述了变异联想在直觉产生中的重要作用,并且建立了模拟直觉的计算模型。采用直觉与逻辑互补构成创造性思维的观点,构建了创造性思维的认知与计算模型,给出了创造性思维模型的计算实例。     

基于部分同步计算的神经网络排序模型分析

本文将神经网络用于求解排序问题，建立了一个基于部分同步计算的人工神经网络排序模型。网络的无教师学习过程就是排序过程。文中还给出了元索个数很多时的排序策略。     

基于遗传神经网络的颜色恒常感知计算模型

在机器视觉领域,颜色恒常性是实现计算机视觉颜色校正和保持机器对颜色识别稳定性的重要因素.该模型通过心理物理实验获得由人眼感知得到的颜色恒常感知数据,将其放入神经网络中进行样本训练,并用遗传算法优化BP神经网络的连接权值和阈值.将所建立颜色恒常感知计算模型应用到图像颜色校正,通过主观和客观两个方面对校正结果进行对比评价,结果表示所建立的颜色恒常感知计算模型计算精度和效率高、复杂度低,比几种经典算法处理误差要小,针对图像的颜色再现有着更为符合人眼感知的特性.     

基于平均神经网络参数的DQN算法

在深度强化学习领域,如何有效地探索环境是一个难题.深度Q网络(Deep Q-Network,DQN)使用ε-贪婪策略来探索环境,ε的大小和衰减需要人工进行调节,而调节不当会导致性能变差.这种探索策略不够高效,不能有效解决深度探索问题.针对DQN的ε-贪婪策略探索效率不够高的问题,提出一种基于平均神经网络参数的DQN算法...     

基于边缘计算的分支神经网络模型推断延迟优化

针对云服务器上深度神经网络（DNN）模型推断任务延迟过高的问题,提出基于边缘计算的分支神经网络部署模型。分析了边缘计算场景中深度神经网络的分布式部署问题,证明该问题是NP-难的。设计了一种基于分支定界思想的部署算法（DBB）,选择合适的边缘计算节点部署模型以减少推断任务的延迟。设计并实现了选择节点退出（SNE）算法,为不同任务选择合适的边缘计算节点来退出推断任务。仿真实验结果表明,与在云端部署神经网络模型的方法相比,基于边缘计算的分支神经网络模型的推断延迟平均降低了36%。     

基于闭区间上的神经网络迭代计算模型与方法

迭代算法被广泛应用于代数方程求解中,但传统的迭代方法通常对初值的选取要求很高,在迭代过程中不能给出迭代误差,计算得到的单一近似解也具有一定的局限性.把区间迭代算法与神经网络相结合,提出了一种基于闭区间上神经网络迭代计算模型与方法,该方法与传统的迭代方法相比,具有收敛速度快、误差小等特点.最后,通过数值算例表明,该方法是有效的、可行的,能够快速地获得任意代数方程的根.     

基于神经网络PID的疏浚管道泥浆流速控制

疏浚作业中,泥浆管道内物料的组成、粒径、浓度等随水下地形土质等变化很大,易造成流速波动甚至堵管、爆管等故障,因此泥浆流速稳定控制对泥浆输送的效率和安全具有重要意义;疏浚管道输送系统具有非线性、大时滞和参数时变等特征,传统PID控制方法效果不佳,故此将BP神经网络和传统PID控制算法相结合,并将其应用于泥浆流速控制中。以河海大学管道输送实验平台为对象,采用受控自回归CAR模型描述泥泵变频器频率与管道泥浆流速之间的关系,通过实验和数值处理对模型进行离线辨识;在此基础上通过仿真对比传统PID、单神经元PID和BP-PID的流速控制性能,发现BP-PID控制器的超调量仅为3.8%,响应时间为11s,控制性能较好;最后通过在体积浓度~10%到~30%泥浆范围内,泥浆浓度小幅度和大幅度增减实验,对流速控制方法进行了验证,结果表明在浓度平缓或剧烈波动时,采用BP-PID控制算法的流速控制系统,均能够在保证输送安全的前提下,快速、稳定地达到目标流速,具有较好的自适应控制性能。     

基于神经网络的逻辑计算

神经网络得到了越来越广泛的应用,目前它主要应用于模式识别和联想记忆等领域。我们通过研究发现,神经网络同样可以很好地应用于逻辑计算。本文提出了可以完成任何逻辑计算的通用模型,根据这种模型构造的神经网络可以实现复杂的逻辑计算,并且能够根据退化了的数据进行精确的逻辑计算。     

基于深度前馈神经网络的多因子人体表面积计算模型

人体表面积(BSA)在临床医学上有着至关重要的作用,但现有BSA计算方法大多只使用身高和体重2个参数且采用匹配简单函数的方法来估计体表面积,临床上也认为现有的BSA计算方法误差较大。针对这些问题,提出一种BSA回归预测模型。该回归预测模型包含2个部分：首先,借助相关性和显著性分析选择相关性较高的体表面积影响因子;其次,利用人体数据训练深度前馈神经网络,构建回归模型。实验分别采取5-折交叉验证与测试集验证2种方法。首先,将深度前馈神经网络模型与传统人体表面积计算方法进行精度评估和结果对比分析;其次将深度前馈神经网络模型与3种模型进行精度评估和结果对比分析。在与传统方法对比中,深度前馈神经网络模型的决定系数高于2种传统方法的,且比传统方法提高了6%,误差与传统方法的相比降低了近一倍。在与3种模型的对比中,深度前馈神经网络的决定系数比其他模型的提高了至少2%,误差降低。一致性分析实验结果也显示,深度前馈神经网络95%一致性界限最小,一致性最好。总体来说,提出的回归预测模型可以得到更加精确的体表面积预测值。     

基于视频的实时血液流速计算方法*

针对探究移动医疗与智能手机相结合的新模式,提出了一种基于视频的能够实时计算血液流速的测量方法．该方法通过利用手机摄像头采集指端视频,经过高斯平滑处理及下采样实现图像压缩,进而对压缩后的图像进行相邻两帧之间光流速度的计算.另外,针对光照强度和运动速度变化较大的情况,提出了一种改进的光流算法．实验结果表明,该方法能方便、无创伤的检测出血液的实际移动速度,并可通过速度曲线反映出一个人的血管弹性的好坏．     

基于范例的神经网络模型

引言 无论采用何种学习算法,神经网络一旦投入使用其性能主要体现在泛化能力上,泛化能力是指训练过的神经网络对测试样本或工作样本作出正确反应的能力,或推广应用能力.没有泛化能力的网络是没有实用价值的,如何将其有效地提高已成为神经网络领域最受关注的问题之一为此,国内外学者开展了大量的研究工作,并提出了诸多方法或措施,     

基于网格的神经网络计算平台

人工神经网络特有的非线性适应性信息处理能力,在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用.本文首先简单介绍了神经网络计算平台的现状,随后描述了计算平台架构的设计实现思想及计算平台前后台架构,提出了一个神经网络模拟算法,并且就此算法在平台上进行事例编程.最后对神经网络计算平台的发展展开展望.     

基于神经网络心电图ST段形态识别

心电图ST段是心电图诊断中一项重要指标,ST段具体形态的识别对心血管疾病诊断意义重大.针对心电图ST段形态的多样性,传统时域方法对具体形态识别显得不足,心电信号是微弱信号,易受到低频和工频信号的干扰,有效地滤除基线漂移和工频干扰为ST段准确识别提供保证.通过零相位巴特沃斯有效滤除基线漂移和工频干扰,利用神经网络与时域分析相结合的方法实现ST段多种形态的快速识别,减少神经网络输出层的形态分类,能够准确识别出ST段形态,实验结果满意,为心电图ST段诊断提供了依据.     

基于特征断面的复杂巷道段三维建模

为解决巷道断面随工程需要及岩层变化不断改变,导致巷道三维建模程序复杂的问题,提出基于特征断面的巷道三维建模思想,通过建立巷道特征断面模型库,实现变化巷道段的三维建模,以期提高复杂巷道段的建模效率。首先阐述建模数据的采集方法,并对巷道断面进行了细化坐标分析;同时提出拐角处断面变化巷道段的平滑处理算法（通过圆弧来圆滑拐角处巷道中心线）,对普通巷道段采用三角剖分形成三角网完成巷道段的建模;而巷道断面发生变化的复杂巷道段存在简单曲面四边形,采用Bézier曲面及曲面的拼接完成巷道段的建模,并在实验中进行了验证     

基于T-S模糊神经网络模型的汉中段汉江流域水质评价与分析

为了有效对汉中段汉江流域水质进行监控和评价,采用一种智能T-S模糊神经网络模型进行水质综合评价。利用建立的T-S模糊神经网络模型对水质评价标准进行训练;利用训练好的神经网络模型,选取汉江流域汉中段18个监测点的7项评价指标的监测数据,对该段水质进行综合评价。结果显示,汉水流域汉中段水质相对较好,除濂水河濂水桥监测站外,其余站点均属于Ⅰ类或Ⅱ类水质。通过计算机实验发现,该模型具有避免人工干预、提高水质评价精确度的优势。