人工神经网络算法在发动机燃油流量计算中的应用

基于发动机地面试验数据及飞行试验数据,以发动机转速、飞行高度、发动机节气门开度、发动机喷油脉宽为输入,燃油流量为输出建立了发动机燃油消耗人工神经网络模型.结果 表明,经训练后的模型同实测结果吻合度较好,对实际飞行有较强的指导意义;当其他因素保持不变时,燃油流量随飞行高度的升高而降低,随发动机节气门开度的增大而增大.     

基于神经网络的超材料窗片反向设计研究

与固态器件相比,真空电子器件在高频段可以提供更大的功率、更宽的带宽。输能窗作为其中的重要部件,用以隔绝真空电子器件内外环境,保持管内的高真空度,传输高能电磁波。目前,传统输能窗的性能已经制约宽带高频真空器件性能。基于此,本文提出了一种利用神经网络算法设计超材料窗片的方案,实现了低反射和驻波比的宽带输能窗。本文利用神经网络的非线性拟合效应对窗片结构与其频谱之间建立映射关系,从而避免了求解麦克斯韦方程组的繁复过程,提高了频谱性能仿真的速度,简化了设计过程。通过设计双向神经网络并进行训练,实现反向设计窗片的目标,输入目标频谱特性参数即可生成满足指标要求的结构参数。     

基于机器学习的围岩无侧限抗压强度预测困境

使用随机森林,神经网络,支持向量机算法构建隧道围岩无侧限抗压强度实时感知模型.模型利用掘进阶段100s内总推进力,刀盘转速,刀盘扭矩,推进速度,撑靴压力TBM运行参数数据实时预测掌子面围岩强度,并系统研究模型的跨线路应用和模型跨区间应用问题.这些认识与成果对使用掘进参数预测围岩性质预测模型提出了新的要求.     

机器学习理论的超光谱遥感图像无损压缩

针对一般超光谱遥感图像的压缩方法无法同时实现图像信息缩减和图像完整性的问题,提出一种机器学习理论的超光谱遥感图像无损压缩方法.利用机器学习中的聚类算法进行第一次压缩,减少超光谱遥感图像中的冗余波段光谱,并降低图像维度;再利用机器学习中的人工神经网络进行第二次压缩,将不同图像子块送入不同压缩率的神经元当中,通过隐含层自主...     

黄河口滨海区叶绿素浓度与水文资料聚类分析

针对河口与近海生物对环境条件变化响应的非线性和不连续性,以及生态系统所具有的多源性、开放性、耗散性和远离平衡态的复杂特征,利用自组织特征映射网络（SOM）技术,开展了河口水文、泥沙和生态资料的聚类分析,可实现对复杂问题的分解,为神经网络训练和仿真奠定了基础。     

基于注意力模型的混合学习算法

为了解决传统BP(back-propagation)算法收敛速度慢,训练得到的网络性能较差的问题,在借鉴生理学中"选择性注意力模型"的基础上,将遗传算法与误差放大的BP学习算法进行了有机的融合,提出了基于注意力模型的快速混合学习算法.该算法的核心在于将单独的BP训练过程划分为许多小的切片,并对每个切片进行误差放大的训练和竞争淘汰机制的选择.通过发现收敛速率较快的个体和过滤陷入局部极值的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真结果表明,该算法有效地解决了传统BP算法中由于初始权值的随机性造成的训练失败问题,并能有效解决饱和区域引起的后期训练缓慢问题,在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.这将使神经网络在众多实际的分类问题上具有更广泛的应用前景.     

基于BP网络及其改进的湿空气状态参数预测

考虑空调实时控制的需要,利用人工神经网络方法,建立了湿空气状态参数的神经网络预测模型,实现了湿空气状态参数的智能化预测。由于BP模型的计算量大,收敛速度慢等缺点,本文作者提出了三种改进BP模型和RBF模型,以加快收敛速度,提高收敛性。并用实际数据对这几种模型进行了训练,实例证明这些改进模型是有效的、可行的。     

基于粗糙集-神经网络的污水参数软测量技术研究

采用粗糙集理论约简属性,在保留重要信息的前提下消除冗余信息,简化了神经网络结构,提高了网络训练速度。采用这种方法,用某城市污水处理厂的实际水质参数数据,建立了SVI基于粗糙集．神经网络的软测量模型。和未经粗糙集预处理的神经网络模型进行了比较,结果表明有粗糙集预处理后,不仅测量值的误差值更小,而且输入参数量从9个降至4个,大大降低了输入数据的维数,减少了神经网络的训练时间及训练步数,更有利于软测量模型的实用化。     

大电力系统可靠性评估的软计算模型

为减少大电力系统可靠性评估中偶发事件的潮流计算次数,提高故障模式识别率,将粗糙集与神经网络、遗传算法有机融合,提出了电力系统偶发事件模式识别的软计算模型--粗神经网络融合模型(RNNIM)和基于RNNIM的电力系统可靠性评估算法.首先利用粗糙集方法约简RNNIM的输入变量,提炼样本,提取事件类与系统状态关系的概略化规则集;其次利用概约化规则集建立RNNIM,用遗传学习算法训练网络.以RBTS和IEEE-RTS79测试系统为例,说明所提模型是正确、可行和有效的.     

周期性缺陷接地结构的BP神经网络模型

缺陷接地结构 (DGS)是由光子带隙结构 (PBG)发展而来的 ,它是在微波电路的接地金属平面上人为地蚀刻出“缺陷”,改变接地电流的分布 ,从而改变传输线的频率特性。周期性缺陷接地结构 (PDGS)是一种在微波电路的接地金属平面上人为地蚀刻出周期性的“缺陷”结构 ,能够使某些频段的电磁波无法从中通过 ,存在明显的阻带特性。文中采用人工神经网络对周期性缺陷接地结构进行建模 ,将其结构尺寸和频率作为输入样本 ,传输系数参数作为输出样本 ,采用贝叶斯正则化算法对神经网络进行训练。神经网络训练完成后 ,在学习范围内将其结构尺寸和频率输入到神经网络模型 ,从输出端立即得到准确的传输系数。