基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

卷积神经网络在SAR目标识别中的应用

针对SAR目标识别问题,提出了基于卷积神经网络的SAR目标识别方法,并在此基础上对算法进行改进,提出CNN-SVM模型。将传统卷积神经网络的soft-max分类器替换为支持向量机,并对卷积神经网络提取的特征进行分类。首先对样本做剪裁、去噪处理,然后通过加噪、去噪等方法对样本进行扩充。通过对MSTAR数据集进行仿真发现:传统的卷积神经网络和改进后的卷积神经网络对3类目标的最佳识别正确率分别为97.5%和99.4%,证明了所提算法的有效性。     

基于工业机理模型和人工智能算法的零件周期生产量化预测研究

为了通过精准的预测，提高零件周期生产能力，课题组研究了基于工业机理模型和人工智能算法的零件周期生产量化预测方法。分析零件周期生产能力影响因素的工业机理，将设备作业周期时间、资源单耗以及系统正常运行时间3个量化指标作为卷积神经网络的输入，零件周期生产能力作为卷积神经网络的输出，使用基于卷积神经网络的零件周期生产量化预测方法，完成零件周期生产能力的有效预测。实验结果表明：该方法的预测结果与真实结果基本一致，具有较高的零件周期生产量化预测精度；将卷积神经网络的学习速率设置为0.005 Mibit/s，卷积核大小设置为5×5时，可提高零件周期生产量化预测效果。     

基于联想记忆神经网络的控制方法

提出了一种新型联想记忆神经网络结构和学习算法,通过反馈通道将网络输出反馈至输入层,并在通道中引入联想记忆因子,提高了X寸非线性系统的辨识能力,能够简单有效的建立起电阻炉的数学模型。采用具有逆辨识结构的神经网络控制方法对电阻炉进行实际控制,逆控制器的参数通过神经网络逆辨识模型得到,神经网络采用3层2—8—1结构形式。与常规PID控制相比较表明,此方法对大滞后非线性系统具有良好的控制效果和较强的抗干扰能力。     

基于一维卷积神经网络的工业产业安全评价与预警研究

文章基于产业安全理论和相关文献研究,建立了工业产业安全评价指标体系,运用熵权—灰色关联分析法评价2000—2018年工业产业安全状况,再构建LSTM神经网络预测模型预测2019—2023年工业产业安全各评价指标数据,将所有预测数据和历史数据相结合,建立基于一维卷积神经网络的工业产业安全预警模型,并对2019—2023年工业产业安全状况进行系统预警。结果表明:随着工业改革不断深入,安全度增速上升;预测未来五年工业产业安全程度整体处于安全状态。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题，提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中，利用具有残差连接的多个一维卷积层提取特征，再经过多个卷积池化，最后输入到Softmax层进行分类，输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析，结果表明，本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路，具有较强的抗噪性和泛化性能力。     

基于BP神经网络的农户小额信贷信用风险评估研究

利用2009年杨凌区三家农村信用社的实地调研资料进行了农户小额信贷信用风险评估的实证研究,对指标变量分别进行正态性检验、差异性检验和多重共线性检验,利用MATLAB7.0软件建立了8—14—1结构的BP神经网络农户信用风险评估模型。模型对训练集样本的总体判别正确率为100%,对测试集样本违约类农户的预测正确率达90%,总体正确率达84.09%。准确度较高,能够为农村信用社识别农户信用风险提供较好的依据。     

GA-BP神经网络预测大学生体质的模型构建研究

以2015年大学生体质数据为样本,研究了多层前馈神经网络(BP)预测大学生体质的有效性。为了提高BP神经网络模型的泛化能力,采用遗传算法(GA)模型优化BP神经网络参数。将上述两种模型结合,构建了有效预测男生体质与女生体质的两种模型,分别为GABP-1与GA-BP-2。GA-BP-1的训练和测试结果显示实测值与模拟值决定系数分别达到0.95与0.91;GA-BP-2的训练和测试结果均达到0.94。两种模型的预测值与模拟值均显示出较好的分布。为了验证模型的时间扩展预测能力,选择2016年大学生样本做预测,结果表明:GA-BP-1与GA-BPV2的模拟值与实测值的决定系数分别达到0.94与0.95,显示出较好的时间扩展预测能力。GA-BP-1与GA-BP-2具有很好地模拟能力,减少了大学生体质单项评估和总体评估的工作量,还可用于单项因子的预测分析。     

利用DCE-MRI结合改进卷积神经网络的MR图像自动分割与分类方法

为鉴别乳腺良、恶性肿瘤,利用动态增强磁共振成像(DCE-MRI)技术,结合混合集成的改进卷积神经网络(ME-ICNN),设计了一种计算机辅助诊断(CAD)方法。首先,在预处理阶段对输入的肿瘤图像进行背景缩减、对比度增强和乳房区域裁剪,采用全局Otsu阈值分割和形态学顶帽变换去除非损伤结构;然后,在定位阶段使用Chan-Vese活动轮廓模型自动选取最佳ROI,采用基于紧致度的滤波方法减少假阳性;最后,在诊断阶段提出一种新的卷积神经网络混合集成模型ME-ICNN,用于乳腺良恶性肿瘤的分类。通过112例DCE-MRI数据库上的实验结果表明:相比其他几种较新的卷积神经网络分类方法,所提出的ME-ICNN方法具有训练和测试执行时间快、自由参数少、分类精度高等优点,可作为放射科专家分析乳腺DCE-MRI图像的有效工具。     

基于人工神经网络的森林资源预测研究

应用人工神经网络方法分别建立土地资源预测、森林蓄积量预测、各龄组蓄积量预测三层前馈反向传播神经网络模型对森林资源进行预测模拟.预测结果表明:在小样本条件下,森林资源预测神经网络模型预测精度较高,开辟了森林资源预测新途径.     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于BP神经网络模型的中国石油需求预测研究

石油需求量预测对编制石油产业发展规划具有重要意义。为了合理预测中国石油需求量,将1965—2014年中国国内生产总值、人口数量、产业结构及技术进步4个分量作为输入向量,石油需求量数据作为输出向量,建立中国石油需求预测的BP神经网络模型,利用Matlab软件的神经网络工具箱对BP神经网络模型反复训练,发现当隐含层节点数为17、学习率为0.1、训练次数为8次、训练精度为0.001时得到的效果最好。最后运用所确定的BP神经网络模型对2015—2024年中国石油需求数据进行了预测。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

一种基于双通道卷积神经网络的短文本分类方法

传统卷积神经网络文本分类的效果依赖输入文本表示的准确度,如果文本表示不准确,则输入的噪音将直接导致分类准确性的大幅下降。针对此问题,本文提出一种基于结合词性概率(coefficient part of speech,CPOS)特征和应用场景(application scene,AS)改进的双通道文本卷积神经网络模型Word-CPOSAS DCNN(WCA-DCNN),通过引入词性的贡献度和设定场景权重2个因子,改善传统方法中短文本表示特征稀疏及不精确的问题。实验结果表明:WCA-DCNN算法在准确率、召回率和F1值等指标上都有明显提升。     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

基于改进的神经网络模型预测气象灾害经济损失——以广东省台风灾害为例

以广东省台风灾害为例,利用遗传算法改进BP神经网络形成GA-BP神经网络模型,将台风最大风力、台风最大风速、受灾人数、转移安置人数和农作物受灾面积5种变量作为致灾因子,进入神经网络模型,并作为GA-BP神经网络输入数据对直接经济损失进行预测。结果表明:在物价调整前GA-BP神经网络模型和单一BP神经网络模型的平均相对误差分别为17.30和22.86,物价调整后两者的平均相对误差分别为6.27和12.51,这意味着只有将各年份台风灾害直接经济损失调整到同一物价水平上,才能达到最优结果,且GA-BP神经网络模型的预测结果始终优于单一BP神经网络模型;鉴于GA-BP神经网络模型的适用性和参考价值,有关政府部门可在气象灾害发生后,采用该方法对灾情数据进行预测,提升政府在灾情统计方面的时效性,进而在应急财政投入方面迅速作出反应。     

灰色神经网络模型在猪肉价格预测中的应用

本文针对猪肉价格波动的特点，利用灰色神经网络模型（CGNN）对猪肉价格进行预测。CGNN模型是对同一已知时间序列，采用不同的GM（1，1）改进模型得到的预测结果使用神经网络进行组合，将每个灰色预测结果“串联”起来，融入神经网络之中，发挥每个灰色预测模型的优点，从而得到更为精确的预测值的方法。     

基于遗传神经网络的工业股票指数预测

结合遗传算法与倒传递神经网络进行工业股票指数预测 ,使用 5个输入变量 :周成交额增减幅、周振荡幅度、周涨跌幅、5日EMA波动、DIF波动值 ,并将下周涨跌幅设为输出目标进行训练 ,以取得较理想的预测结果。对于传统上选择适合的神经网络拓扑结构效率较低的问题 ,本文对于遗传算法的引入大大提高了搜索到最优结构的速度。     

国际干散货航运市场的动态套期保值效率研究

利用非对称BEKK模型对C3和C5航线最优套期保值比率进行了估计,并与静态套期保值模型(OLS模型、B-VAR模型、B-VEC模型)以及其他动态套期保值模型(DVEC、对角BEKK模型)的结果进行比较。针对现有套期保值模型的绩效评价缺陷进行了改进。结果表明,从C3和C5模型下的套期保值比率来看,静态套期保值模型中OLS的套期保值比率最大,动态模型中非对称BEKK的动态套期保值比率最大。从C3和C5航线的套期保值效率比较,结果表明,用非对称BEKK模型来计算最优套期保值比率最合适,有效性最高,更接近于现实。