基于改进型BP神经网络的管理信息系统开发风险评价模型

BP神经网络能较好处理非线性化数据,但传统BP神经网络存在着局限性,为了提高神经网络运算的精确度,通过权值和学习率共同优化,并采用贝叶斯正则化算法训练神经网络,形成了基于改进型BP神经网络的管理信息系统开发风险评价模型,经测算,该模型输出值与实际值高度吻合,模型可接受度较高,并且与传统BP神经网络相比,改进型BP神经网络的相对误差更小。     

基于深度学习的SSD模型尾矿库自动提取

针对华北地区尾矿库自动提取问题，将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本，随机挑选1 500个作为训练样本，剩余样本作为测试样本，验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系，发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构，提出增加额外卷积层的策略，提高对大型尾矿库目标的检测精度。实验表明，在置信度阈值为0.3时，改进的SSD模型相比原始模型，检测精确率提高10.0%，召回率提高14.4%，提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。     

船舶交通量的BP神经网络-马尔科夫预测模型

为提高船舶交通量的预测精度,在BP神经网络的基础上结合马尔科夫预测模型建立一个新的预测模型.采用通过长江九江大桥的月度船舶交通量数据进行模型训练、验证和预测,求出相对残差值,将相对残差的前8项归一化后划分为3个状态,利用马尔科夫预测模型修正BP神经网络的预测值.该新模型将BP神经网络的相对残差值区间从[-12.9%,12.3%]降低至[-9.9%,5.4%].该模型能提高船舶交通量的预测精度,用于预测船舶交通量是可行的.     

基于仿真SAR图像深度迁移学习的自动目标识别

使用深度卷积神经网络实现SAR图像的自动目标识别在训练过程中需要大量的标注数据。为解决由SAR实测数据获取成本高、标注数据量不足带来的问题，提出一种在由CReLU激活函数和批归一化改进的卷积神经网络上，使用仿真SAR图像提升最终目标识别性能的方法，把从大量仿真SAR图像学习到的有效知识迁移到实测SAR图像数据上。在训练中，先用仿真SAR图像预训练卷积神经网络，结合迁移学习的方法，有效地解决由SAR图像数据不足带来的过拟合问题。在MSTAR数据集上验证方法的有效性，识别准确率提高到99.78%，并在少量SAR图像样本数据上也取得不错的识别效果。     

基于改进粒子群的BP神经网络WSN数据融合算法

针对无线传感器网络（WSN）数据融合算法中传统反向传播（BP）神经网络收敛速度慢、对初值敏感和易陷入局部最优解的问题，提出基于改进粒子群的BP神经网络WSN数据融合算法（BSO-BP）。用天牛须搜索（BAS）算法对粒子群算法进行改进，利用改进后的粒子群算法优化BP神经网络权值和阈值，引入WSN数据融合中，簇首节点通过优化训练后的BP神经网络对采集数据进行特征提取，将融合后的数据发送至汇聚节点。仿真实验表明，BSO-BP算法能有效地提高融合精度和收敛速度，减少冗余数据传输，延长网络生命周期。相较于传统BP数据融合算法和PSO-BP算法，BSO-BP算法减少了至少11%的平均相对误差和13.89%的均方根误差。     

深度神经网络自适应中基于身份认证向量的归一化方法

深度神经网络是近年来非常流行的一种语音识别声学建模技术，其性能比之前主流的高斯混合模型有显著提高，但是深度神经网络的说话人自适应技术一直没有很好地解决。利用身份认证向量对深度神经网络进行自适应，并研究身份认证向量归一化对系统的影响，提出一种新的max-min线性归一化技术。实验表明在TIMIT数据集上该技术可使字错误率比传统方法相对下降5.10%。     

基于原型学习改进的伪标签半监督学习算法

近年来,基于图像增广和一致性正则化的半监督学习（semi-supervised learning, SSL）方法被广泛应用并取得了很大的成功。然而,由于伪标签算法存在"认知偏误"问题,即模型的错误通过伪标签累积从而难以改正,因此很少有人关注基于伪标签（pseudo-labeling, PL）的半监督学习方法。提出一种特征图的原型图注意力特征修正模型（prototype attention layer, PAL）：即在神经网络映射的特征空间上学习一个图注意力模型,将此模型应用于特征空间中,可以充分利用原型的信息来修正特征,将修正后的特征所产生的伪标签与原型分配产生的伪标签随机线性组合,从而得到新的伪标签。将这一模型应用到2种伪标签半监督学习框架上所得到的算法（prototype attention improved pseudo-labeling,PAIPL）,在CIFAR-10和CIFAR-100的多个半监督分类问题上进行测试,分类准确率都得到了显著提升。特别地,将提出的修正模型应用于伪标签半监督学习PLCB框架时,又提出相互混合的监督技术,从而取得了更好的效果。还将提出的模型应用到其他多个伪标签半监督学习框架上,并在多个数据集上进行实验,验证了所提出的模型作为一个附加模块是普适且有效的。     

基于双模式模型预测控制算法的多智能体编队控制

在对多智能体的编队控制上，当输入和系统状态受到约束时，模型预测控制算法比传统的输入输出反馈线性化控制算法具有显著的优势，但传统的模型预测控制算法需要在线优化控制，从而导致巨大的在线负担.为减小这种在线负担，提出一种双模式模型预测控制算法.该算法使用模型预测控制器对控制变量进行在线优化，使得未来某时刻的系统状态进入终端约束集内；此时将系统状态作为输入输出反馈线性化控制器的输入，将系统状态驱动到稳定值；在目标函数中加入避碰函数来有效避免邻近多智能体间的碰撞.仿真结果表明，当输入和状态受到约束时，双模式模型预测控制算法在对多智能体编队控制上比仅使用输入输出反馈线性化控制算法具有明显的优势.     

基于时序光谱重构的卷积神经网络遥感农作物分类

当前，基于时序特征提取的农作物遥感分类方法需要较多先验知识及人工干预，难以自动化，且易因忽略部分有效特征而导致精度降低。针对这些问题，提出基于时序光谱重构的卷积神经网络农作物分类法。为充分利用时间序列多光谱中丰富的作物物候与多光谱信息，对每个地面像元构造以时间维为纵轴、光谱维为横轴的时序光谱图，采用Adam梯度下降法与Dropout 40%连接率优化后的卷积神经网络对时序光谱图进行分类。对比实验结果表明，该方法可有效减少“椒盐”噪声的产生，且地块边界轮廓线清晰，总体分类精度达到95.12%，高于时间序列多光谱+随机森林（88.58%）、时间序列NDVI+随机森林（90.25%）、时间序列NDVI+卷积神经网络（91.79%）等对照实验组；对于“异物同谱”现象明显的春玉米与番茄，该方法的F₁-score分别达到95.9%与89.9%，相比各对照组均有较大幅度的提高。该研究结果可为遥感农作物的自动化精细制图提供参考。     

基于深度学习的智能移动边缘网络缓存

针对移动边缘网络缓存问题，提出把计算资源推送到网络边缘，使边缘接入热点能有数据分析能力，构建基于深度学习的深度缓存策略，进一步提升缓存效率。在边缘接入热点处构建基于长短期记忆神经网络模型的缓存内容文件流行度预测系统，通过分析本地数据给出内容文件流行度预测。把内容文件流行度预测系统整合到移动边缘网络缓存系统中最大化缓存命中率，提出深度缓存策略，大大提升移动边缘网络缓存性能。在真实视频数据集上进行测试，实验结果表明：提出的内容流行度预测系统的准确度高于现有最优方法；提出的深度缓存策略与传统的缓存算法相比，在相同的缓存命中率指标下大约仅需一半的缓存存储空间。     

船舶柴油发电机转速人工神经网络控制

结合神经网络与PID控制,形成船舶柴油发电机转速神经网络控制系统;控制系统中神经网络控制器与PID控制器相结合,经过神经网络控制器的不断学习,控制器获取船舶柴油发电机转速系统的动态逆模型,系统逐渐地由神经网络控制器起主要控制作用.仿真试验显示,在电力系统突加有功负载时,发电机控制系统的动态过程稳定性良好.     

CMAC神经网络在变磁阻电动机转矩控制中的应用

结合变磁阻电动机的工作特点,提出了应用小脑模型神经网络控制SRM转矩的控制器结构和改进的学习算法。该算法是在原算法的基础上增加了一个与可变相角有关的约束函数。仿真结果表明:该系统不但收敛速度没有降低,而且经过训练能够产生理想的电流曲线,在抑制电机转矩脉动和提高有效功率方面具有显著效果。     

基于BP神经网络的企业信用评级模型

通过科学的方法对企业信用进行分析、评级和判断,给出定性与定量相结合的指标体系,建立基于BP神经网络的两类企业信用评级模型.针对局部收敛的缺点,用自适应学习率和附加动量项改进信用评级,并运用该模型对我国2004年100家ST和非ST上市公司进行评级,得出对训练样本和测试样本的评级准确率,表明神经网络技术作为智能化科学方法,非常适合企业信用评级,但也存在网络稳定性差等不足.     

基于Fast ICA的多说话人识别系统

针对多人混合语音条件下说话人身份难以识别的问题,提出了一种使用快速独立分量分析（Fast ICA）方法分离各个说话人的语音信号,并采用RBF神经网络方法进行说话人识别的策略.由于不同语音源信号保持相对独立,利用盲信号分离的思想,使用Fast ICA方法用于信号的分离,从而对获得的独立语音数据分别提取说话人特征,采用RBF神经网络模型实现多说话人身份的识别.实验结果表明,该方法能有效地实现混合语音条件下的说话人识别.     

FACR：一种快速且准确的车辆识别器

现存的细粒度车辆识别器在多个数据集上取得了良好的性能。但这些方法通常运行效率低;而且当图像中存在多辆车时,易受背景干扰,不能准确地定位注意力区域。提出一种快速且准确的车辆识别器FACR,与现存方法相比有如下3个特点：1)其注意力区域定位组件,对图像中背景车辆有很高的鲁棒性;2)网络结构相对简单,在保持准确度相当的情况下,计算效率更高;3)首次使用层次分类的方法对车辆进行细粒度分类,使得单一网络能同时用于识别汽车类型、生产商、汽车型号和生产年份。在Compcars和Stanford Cars标准数据集上进行实验。结果表明,与现存方法相比,FACR在计算效率和分类精度方面具有良好性能。     

应用BP神经网络校正铂电阻温度传感器非线性的方法

本文应用BP神经网络算法对铂电阻温度传感器进行非线性校正,给出了BP神经网络的结构和训练权值的方法,在训练网络时对输入量进行了归一化处理。并应用此训练的网络对一实际的温度采集系统进行校正。此方法实现简单,大大方便了铂电阻温度传感器在温度测量中的应用。     

基于径向基函数神经网络的船舶航迹自抗扰控制

针对常规非线性自抗扰控制（nonlinear active disturbance rejection control,NLADRC）技术在船舶航迹控制中存在的参数整定难、抗干扰能力差的问题，搭建船舶三自由度MMG数学模型，设计船舶航迹NLADRC系统。利用径向基函数（radial basis function,RBF）神经网络对系统进行辨识，使网络输出逼近系统输出。根据辨识信息自适应整定对系统整体控制效果影响较大的两个参数，提出基于RBF神经网络的船舶航迹NLADRC系统。仿真结果表明，参数的自适应整定能加快系统收敛速度，大幅减小超调量，对外界环境具有更强的鲁棒性。神经网络对NLADRC的优化，使其控制性能得到提升。     

基于LSTM循环神经网络的电池SOC预测方法

针对锂离子电池荷电状态(state of charge, SOC)预测问题，利用长短期记忆（long short term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下，将电池输出电流、输出电压和电池表面温度作为模型的主要输入，使用训练样本对神经网络进行训练，使用验证样本进行验证。结果表明，用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%，均方根误差为0.986%，可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响，对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核，得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。     

基于PSO的BP神经网络-Markov船舶交通流量预测模型

为对船舶交通流量进行准确预测,结合BP神经网络和Markov算法,构建BP神经网络-Markov预测模型。引入粒子群优化(particle swarm optimization,PSO)算法对模型进行优化,克服利用Markov模型选取白化系数的不足。用该模型预测武汉长江大桥船舶交通流量的月度数据,结果表明:与BP神经网络的预测精度82.439 0%相比,基于PSO的BP神经网络-Markov预测模型的预测精度提高到91.050 8%,该模型的合理性和准确性得到验证。