基于级联型组合分类器的人脸识别研究

该文提出了一种将支持向量机（SVM）与神经网络相结合的方法，得到一种新型的级联型组合分类器．此组合分类器先利用神经网络或SVM对人脸图像进行预分类，得到不同性别的两类人脸图像；然后分别针对其中某一类人脸图像进行K-I。变换以提取有效特征，再使用SVM进行细分，得到最终的识别结果．应用该组合分类器方法在本文整合得到的人脸样本库上进行测试，结果显示该方法不但可以有效地提高识别速度，而且还可以在一定程度上提高识别率，因此方法是有成效和有价值的．     

基于改进粒子群优化算法的BP神经网络在大坝变形分析中的应用

BP神经网络以其对非线性系统的强大映射能力而被广泛应用于模糊性、随机性强的大坝变形预测分析中。传统的BP神经网络由于初始权值和阈值的随机性,容易导致网络在训练过程中极易陷入局部最小值,同时存在网络收敛速度慢等缺点。针对传统算法的不足,采用改进的粒子群算法(IPSO)对BP网络的初始权值和阈值给予优化,建立大坝变形预测的IPSO-BP模型,并与PSO-BP网络模型进行对比。结果表明,改进的IPSO-BP模型具有收敛速度更快、预测精度更高的优点。该方法可供大坝安全监测和预警分析参考。     

基于重标极差法和神经网络的隧道变形趋势判断

为准确、科学及全面地对隧道变形进行趋势判断和预测分析,将隧道的变形过程划分为中期阶段和长期阶段,利用R/S分析对其位移序列和速率序列进行趋势判断研究,再利用PSO-BP神经网络对各阶段的变形进行预测,将预测结果与R/S分析结果进行对比,验证两者的一致性。利用两个工程实例进行检验,得出各序列的Hurst指数均大于0.5,说明各序列均具有持续变形的长期性,且位移序列的趋势性均大于速率序列的趋势性;同时,变形预测结果也显示隧道后期变形将持续增加,验证了R/S分析的准确性。     

基于BPNN-PID的风电机组桨距控制分析

变桨控制技术是风力发电机组的核心技术之一,开展对风力发电机组变桨控制方面的研究具有重要的理论和应用价值。根据风力发电机组在额定风速以上如何保持输出功率稳定和降低风轮转速波动的控制技术进行研究,在传统的变桨距控制策略基础上,提出了基于BP神经网络(Neural Network,NN)整定PID的控制策略,并在Matlab/simulink环境下对PID控制和BP神经网络控制相结合的复合控制系统进行建模与分析。对1.5MW风电机组的仿真验证了BPNN-PID算法的有效性,提出算法不仅能够解决传统PID控制器参数整定困难的问题,而且优化效率更高,可以得到优良的控制性能。     

水文预报时间序列神经网络模型

水文时间序列表述的是水文水资源系统在气象环境、流域下垫面以及人类活动等因素综合作用后的输出结果,其变化规律呈现随机性和确定性特点。在大尺度条件下,水文时间序列的传统预报模型简单,且很少考虑环境噪音因素的影响。伴随现代化科学技术的快速进步,国民经济的管理部门提出了更高的水文水资源预报要求,在要求短期预报更精准的基础上,对中长期预报的要求要越来越严格。由于受到相关科技水平的制约和诸多复杂因素的影响,当前的中长期水文水资源预报还处于发展、探究阶段。     

基于改进BP神经网络的水分入渗参数预测模型

基于晋北盐碱地土壤水分原位入渗试验,建立了容量为150组的盐碱地Philip入渗模型参数样本,借助MATLAB软件,分别构建基于最值归一化法、联合归一化法的BP神经网络预测模型,其中模型的输入变量为土壤基本理化参数,输出变量为Philip入渗模型参数吸渗率S和稳渗率A,由两模型的预测结果发现,预测误差均小于6%,在建模误差允许范围之内,所建模型可靠;对比模型预报结果发现,联合归一化法处理过的输入数据更具代表性,且提高了网络收敛速度及预测精度。用实测资料对基于联合归一化法建立的模型进行精度检验,结果表明对入渗参数预测的相对误差均小于10%,模型预报精度较高,可满足实际应用的要求。     

混凝土棱柱体试件抗压强度尺寸效应探讨

现行《水工混凝土试验规程》(DL/T 5150—2001)并未对高应力比条件下混凝土徐变试验棱柱体试件的抗压强度尺寸效应作出明确规定,因此从定性和定量的角度探讨棱柱体试件的尺寸效应问题。通过对15个同截面、不同高度的混凝土棱柱体试件进行抗压强度试验,较系统研究了试件纵向高度与横向长度比值和抗压强度的关系,得到棱柱体试件抗压强度尺寸效应的临界尺寸。收集大量临界尺寸范围内混凝土棱柱体试件抗压强度试验资料,建立了混凝土尺寸效应广义回归隐式神经网络模型,计算分析结果表明:规范中抗压强度折算系数无法满足高应力比下徐变试验荷载加载要求,可利用本文建立的隐式神经网络模型预测不同尺寸的混凝土试件的抗压强度比值进行高应力比下的徐变试验。     

基于模态分解和云粒子网络的大坝基岩地震动输入研究

在大坝抗震安全评价中基岩地震动输入多采用实测数据或人工生成等方式,而当坝址仪器损坏或历史震害资料不足时,确定基岩地震动就变得尤为困难。本文提出对大坝基岩地震动进行反演的研究思路,并开发了基于经验模态分解和云粒子网络的分解—训练—反演混合模型,在不依赖场地历史震害资料的情况下,仅用少量周边测站数据即可确定大坝的基岩地震动。首先,选取坝址周边地表及基岩的地震动实测记录,采用经验模态分解法将地震加速度序列分解;其次,通过粒子群算法建立与神经网络连接权值的映射,采用云理论优化粒子群算法的全局寻优能力,建立反演模型,将分解后的加速度序列作为训练集进行反演训练;然后,选取与大坝处于相似地质情况的地表实测地震动信息,结合反演模型对大坝基岩输入地震动进行反演;最后,以紫坪铺大坝为研究实例,通过对比传统输入方法,验证该模型的适用性。结果表明：本文所提的混合模型综合性能稳定,能较好地反演地震加速度序列,模型决定系数均大于0.9,平均绝对百分比误差均在11%左右;采用本文反演得到的基岩地震动进行计算,较已有研究成果计算误差降低0.79%~17.28%,与工程实际动力响应更为吻合。本文方法可为解决大坝基岩输入地震动的获取提供一条新途径。     

基于注意力机制的多尺度卷积神经网络电机轴承故障诊断

针对现有的卷积神经网络(Convolutional Neural Network,CNN)故障诊断方法只能提取单尺度特征,丢失了故障敏感信息,无法正确表达电机轴承的健康状态的问题,提出了注意力机制的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)故障诊断方法,将多尺度特征提取整合到传统的CNN结构中。通过不同尺寸的卷积核捕获信号的多尺度特征,使模型获得多样性的特征表达;引入注意力机制(Attention Mechanism,ATT),对提取的特征自适应的评分和赋值,将注意力集中在敏感特征上,让模型学习到高级特征;最后利用公开数据集进行实验验证,结果表明,所提方法诊断精度高,具有较好的泛化性能。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。