基于卷积神经网络的安全标识分类算法研究

为解决安全标识数据集、安全标识特殊图形及复杂背景缺乏等问题,采用卷积神经网络(CNN)提取安全标识的特征,在VGG-16网络结构和CNN的基础上构建能够识别17种安全标识的VGG16-17模型。原始数据有816张,通过数据增强扩展数据集,得到4 708张图片,按照4∶1的比例将数据集划分为训练集和验证集。通过调节模型中部分参数,分析迭代次数和批量大小对模型识别分类效果的影响。结果表明：当迭代次数为20次、批量大小为32时,模型结果最理想,识别准确率为97.92%,相较于基于未经过数据增强数据集的改进模型的准确率提高19.39%,同时,改进模型相较于传统VGG16模型,识别准确率提高4.3%,证明模型改进和数据增强对图像识别能力的提高有一定帮助。     

基于地理分区及神经网络的湖泊水库富营养化研究

构建了一个基于地理分区及神经网络的湖泊水库富营养化综合评价体系.以美国环境保护署Nutrient Criteria Database数据库为参照对象,有针对性地研究我国湖泊水库的情况,首次提出了基于地理分区的简易评价标准,对不同地理特征的水体富营养化临界值进行了定量研究.同时本研究还建立了基于神经网络的富营养化评价模型...     

SVM与ANN在湖泊富营养化评价中的对比研究

支持向量机是由Vapnik等提出的建立在统计学习理论基础上的一种新的机器学习方法,由于其使用结构风险最小化原则代替经验风险最小化原则,又由于其应用了核函数思想,它可以较好地解决非线性问题;人工神经网络(ANN)已经较成功解决模式识别和任意非线性函数回归问题,但是存在训练样本不足,并可能出现过拟合现象。SVM的结构风险最小化算法引起了科学界的关注,对传统基于经验风险最小化的神经网络算法提出了挑战,文章介绍了SVM和ANN的基本原理,并对二者在巢湖富营养化水平评价上做对比研究,结果表明,ANN比较容易陷入局部最优,支持向量机评价结果更加符合实际。     

基于LM-BP神经网络的Argo数据西北太平洋海水温度模型

以2007年西北太平洋海域Argo海表面温度、经纬度、深度为输入参数,利用LM-BP神经网络,构建了西北太平洋海水温度模型。将均方根差以及Pearson相关性系数作为检验指标,利用2008年和2009年的Argo数据对模型进行了检验。检验结果为:2008年均方根误差为0.714 0℃,Pearson相关性系数为0.996 8;2009年均方根误差为0.761 5℃,Pearson相关性系数为0.9965。表明所建立的基于LM-BP神经网络的Argo数据西北太平洋海水温度模型是可行的。     

基于BP神经网络的导弹环境适应性评估及对策

论述了转型期海军战术导弹开展环境适应性研究的必要性和紧迫性,分析了环境因素的影响。选取典型型号的海军战术导弹为研究对象,给出了8种严重影响导弹的环境适应性因子。结合BP神经网络算法建立了环境适应性模型,并对环境适应性水平进行了仿真评估分析。仿真结果表明,该模型具有良好的评估效用。根据仿真结果,针对不同时期的导弹提出了相应的环境适应性对策。     

基于BP神经网络的Falcon分选电子废弃物预测模型

Falcon分选电子废弃物的影响因素主要有水压、转动频率、入料浓度,为了进一步研究影响因素与分选效果的关系,文章利用Design-Expert 7.1软件设计出三因素三水平的实验条件,利用Falcon分选得出数据。将实验数据和BP神经网络相结合,将影响因素作为神经网络的输入,品位和产率作为输出,经过BP训练后得到输入与输出的关系。对实验影响因素与分选效果的关系进行分析,结果与实际情况比较吻合。运用MATLAB实现BP神经网络仿真,仿真结果与最小二乘法下的结果相比较误差较小,输出向量与实际实验结果接近。     

地理空间信息扩散技术实证研究——以四川省三台县洪水灾害为例

插值,是推测地理空间中空白单元处地表现象的重要途径。协同克里金插值(CK)、地理加权回归(GWR)和回传神经网络(BP-ANN)等,在满足相应条件的情况下,都是很好的插值方法,但不具有普适性。在观测单元不多,数据离散性较大的情况下,信息扩散技术的插值,比这些模型的效果都好。该文以四川省三台县2018年和2020年发生的两次大洪水,采集的25个村的房屋损失、农业损失和庄稼被淹三类水灾灾情数据组成6个案例,以村庄与河流的距离、GDP和坡度等为自变量,以灾情为因变量,实证了地理空间信息扩散技术用于插值的普适性。信息扩散的自学习离散回归模型(SLDR),预测误差较小,且没有明显的预测误差小于基准误差的情况。CK在所有案例中,均是预测误差小于基准误差,说明插值无效;GWR在5个案例中也出现相同情况。虽然BP-ANN的基准误差很小,但预测误差却比基准误差高出近一个数量级,也远高于其他模型,表明能够高度拟合训练样本的回传神经网络模型,并不适用于复杂地表现象的插值。     

基于CNN_LSTM模型的复杂支路故障电弧检测*

在低压交流配电系统中,当多支路并联的复杂系统的某1支路中出现串联电弧故障时,识别难度大幅提升。为了预防此类情况引发的电气火灾,提出1种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的串联故障电弧检测方法。首先,搭建实验平台用以采集不同负载在不同支路下发生故障时和正常工作时的干路电流数据;然后,构建CNN_LSTM模型并做出相应改进,将电流数据直接输入到模型中,由模型自主提取波形特征并进行分类。研究结果表明:该方法可以快速、准确地识别出电弧故障,准确率达99.04%以上,且能够较为准确地检测出是哪类负载所在的支路发生电弧故障,准确率达97.90%,可为复杂支路下的电弧故障识别研究提供参考。     

基于BP神经网络与马尔可夫链的污水处理厂脱氮效果模拟预测

在实际污水处理厂运行过程中,其最终出水水质会受多种因素影响制约,而基于生物反应机理的活性污泥数学模型(ASM)并未将这些生物反应以外的因素考虑在内,由此带来一些不足.对此,本文提出可通过基于数据挖掘技术的黑箱模型对污水厂处理效果进行模拟预测.结合具体实际分析,提出可将BP神经网络与马尔可夫链组合应用于污水处理脱氮效果预测中.首先,通过BP神经网络模型对北京某大型污水处理厂实际进出水数据和工艺参数进行粗略拟合;其次,利用马尔可夫链对拟合结果及误差进行状态划分以进一步提高预测精确度;最后,运用基于BP神经网络与马尔可夫链的组合模型预测分析了该厂的实际出水水质.试验结果表明,BP神经网络适用于污水处理脱氮过程的拟合计算,而通过与马尔可夫链组合,可以提高模拟预测的精度和可靠性.     

BP神经网络在城市建成区面积预测中的应用——以江苏省为例

城市建成区规模的迅速扩张是目前江苏省土地利用变化中的一个显著特点，其面积从1985年的426 km2扩大到2003年的2 200 km2，平均年增加98.56 km2。城市建成区规模的扩张受到社会、经济、人口等多种因素的影响，用传统方法对其进行预测比较困难。鉴于BP神经网络在非线性领域预测中的广泛应用，以江苏省为研究对象，构建一个11-3-1结构的BP神经网络预测模型，以1985~2001年和2002年的相关数据作为模型的训练和测试样本，以2003年的社会、经济数据作为网络的预测输入，对该年的建成区面积进行预测。结果表明，BP神经网络预测结果与实际面积的相对误差为3.96%，其预测精度与多元回归预测模型相比有较大改善。