基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性.结果表明:基于ICEE...     

基于U-Net深度神经网络的早期火灾烟雾自动分割方法

在火灾事件监测中,为了减少数据处理量、加快探测速度,需要先分割出疑似烟雾区域。传统的烟雾分割算法大多需要设置阈值进行处理,算法的环境适应能力还需进一步提升。在研究中,使用U-Net结构的深度神经网络进行早期火灾烟雾的自动分割,通过半自动算法人工辅助分割出烟雾区域的图像样本,基于深度神经网络对分割烟雾区域进行学习,得到原始视频帧到分割结果的映射模型,并据此模型进行烟雾区域分割。在测试集上的分割实验结果表明该方法与传统方法相比,不需要设置阈值,自动化程度更高,分割速度极快,在疑似烟雾区域分割任务中性能较好。     

基于神经网络的跨越地裂缝框架结构地震损伤及预测研究∗

为开展特殊地质环境下结构的损伤分析,以一跨越西安f4地裂缝的五层框架结构为研究对象,基于振动台试验和ABAQUS 有限元分析结果,进行了BP 神经网络模型的模型训练,选取变形和能量组合形式的双参数损伤模型计算结构损伤指标,采用加权系数法,开展了构件、楼层、结构三个层面的损伤预测分析,给出了不同地震作用下结构损伤程度评估。结果表明：地裂缝场地结构表现出明显上下盘效应,结构首层为薄弱层。BP 神经网络损伤预测值与有限元计算值在不同工况下均较为一致,其对于构件、层间、整体结构损伤指数预测最大误差分别为8.86%、5.66%、7.57%,该研究成果为跨越地裂缝结构的性能评估提供一种准确且高效的研究方法。     

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature, AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构-性质关系方法,使用反向传播神经网络(Back Propagation Neural Network, BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network, 1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。     

基于空间拟合和神经网络的机场噪声预测集成模型

将集成学习方法引入到机场噪声预测中,提出一种基于空间拟合和神经网络的机场噪声预测集成模型.该模型采用空间拟合算法和BP神经网络算法构建基学习器,然后通过所提出的基于观察学习的异构集成算法将基学习器集成起来,获得集成的机场噪声预测结果.该模型通过集成多个异构机场噪声预测基学习器,能够有效提升预测准确率.实验结果表明,本文所提出的基于观察学习的异构集成算法,较之其他异构集成算法,在解决机场噪声预测问题上准确性更高、容错性更强.     

人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

基于自适应遗传小波神经网络的水质评价建模

水环境污染过程的非确定性和非线性,使得传统的水质评价方法存在局限性。为了提高水质评价的准确性,提出了一种基于改进小波神经网络(wavelet neural network,WNN)的水质评价模型。采用自适应遗传算法(adaptive genetic algorithm,AGA)对小波神经网络的初始权值进行优化,再通过小波神经网络算法对网络进行训练,最后对训练好的网络展开测试。仿真结果表明,自适应遗传算法和小波神经网络的结合提高了网络的训练效率,该方法可以用于水质评价建模,并且评价结果具有较高的精度和准确性。     

基于小波神经网络的地下水流数值模拟模型的替代模型研究

以吉林西部为研究区,建立地下水流数值模拟模型,分别应用蒙特卡罗方法和拉丁超立方方法在研究区10个县(市)开采量的可行范围内进行采样,经对比选择拉丁超立方抽样结果得到输入(开采量)—输出(水位降深)数据集,建立小波神经网络模型作为地下水流数值模拟模型的替代模型,而后对替代模型有效性作误差分析,并与多元非线性回归替代模型进行对比.结果显示,2种替代模型在功能上都能逼近地下水流数值模拟模型,但小波神经网络模型得到的水位降深均值和水位降深剩余标准差与模拟模型计算结果的相对误差分别低于多元非线性回归模型76%和45%,说明小波神经网络模型更适合作为地下水流数值模拟模型的替代模型,这为减少优化模型求解过程中直接调用模拟模型所造成的计算负荷提供了一种有效的替代方法.