CN102054199A - 基于bp神经网络算法对涂层老化的分析方法 - Google Patents
基于bp神经网络算法对涂层老化的分析方法 Download PDFInfo
- Publication number
- CN102054199A CN102054199A CN201010617208XA CN201010617208A CN102054199A CN 102054199 A CN102054199 A CN 102054199A CN 201010617208X A CN201010617208X A CN 201010617208XA CN 201010617208 A CN201010617208 A CN 201010617208A CN 102054199 A CN102054199 A CN 102054199A
- Authority
- CN
- China
- Prior art keywords
- error
- layer
- output
- input
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供了一种基于BP神经网络算法对涂层老化的分析方法。建模关系数目没有限制,将其应用于伪装涂料的老化预测,灵活性和预报精度较高,可以实现全局最优解,训练次数少,收敛快;隐层和因节点选取采用理论指导;继承性较好。其由信号的正向传播与误差的反向传播过程组成;正向传播是,输入样本从输入层传入,经各隐层逐层处理后,传向输出层;若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段;误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据;这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行,此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的次数为止;其特征在于:(1)增加动量项ΔW(t)=ηδX+αΔW(t-1),α为动量因子α∈(0,1);(2)自适应调节学习速率,若经过一批次权值调整后总误差E上升,η=βη(θ>0),若经过一批次权值调整后总误差E下降,η=θη(θ>0);(3)引入陡度因子,当误差曲面进入平坦区域时,设,改变输出量,λ为陡度因子,在平坦区时λ>1,退出平坦区后λ=1。
Description
技术领域
本发明涉及涂层老化的分析技术领域,具体为基于BP神经网络算法对涂层老化的分析方法。
背景技术
现有涂料因具有保护基体材料、装饰、标志、绝缘等作用被广泛使用。涂料在加工、贮存和使用过程中,由于受内外因素的综合作用,其使用性能逐渐变坏,以致最后丧失使用价值,这种现象称为“老化”。老化是一种不可逆的变化。要想绝对防止涂料老化那是不可能的,但可以通过对老化过程的研究,逐步认识和掌握涂料老化的规律性,并利用这种规律,采取恰当的防老化措施,以延缓其老化速度,提高涂料的耐老化性能,达到延长使用寿命的目的。
涂料老化试验主要有两类方法。一类是在典型或严酷的自然环境下进行老化试验,如大气老化试验、土壤试验、海水试验;另一类是在实验室用仪器设备来模拟特定的环境条件,并强化某些因素,在短期内获得试验结果,主要有针对太阳辐射、温度、湿度、有害气体、霉菌等来进行设计试验方法。本文主要是对伪装涂料在温度为60℃恒温条件下加速老化研究。
在对涂料的老化专门研究中,许多人先后建立了一些涂料老化预报模型,对不同温度,不同光照时间的老化进行研究,但是伪装涂料有其固有特征,老化评价指标与其他涂料不同。涂料的变色对于伪装效果影响最大。老化机理研究表明,老化降解主要是光引发的氧化和水解,其影响因素主要有阳光(特别是紫外线)、温度、氧气、水和污染物等。因此涂层老化的主要影响因素为太阳辐射量(与时间是线性关系)、温度。而上述的老化指标可以量化的,主要有光泽值(保光率)以及变色(色差)。因此,建立新的伪装涂料预报模型,寻求太阳辐射量与涂料保光率和色差之间的隐含关系。
神经网络系统是一个复杂的非线性动力学系统。它由大量的神经元节点组成,神经元按一定的方式连接成网络集体工作并按一定的规则调整连接强度,因此,具有人工智能的作用。近年来,BP人工神经网络在材料科学领域得到了广泛的应用。在预报高聚物物理机械性能和复合材料结构力学性能方面发挥了巨大作用。BP神经网络与其他理论建模相比较,不失为一种更为实用的模型;但多层BP网络存在自身缺陷:1)易形成局部最小而不是全局最优解;2)训练次数多,收敛慢;3)隐层和因节点选取没有理论指导;4)继承性较差。
发明内容
针对上述问题,本发明提供了一种基于BP神经网络算法对涂层老化的分析方法,建模关系数目没有限制,将其应用于伪装涂料的老化预测,灵活性和预报精度较高,可以实现全局最优解,训练次数少,收敛快;3)隐层和因节点选取采用理论指导;4)继承性较好。
其技术方案是这样的:
其由信号的正向传播与误差的反向传播过程组成;正向传播是,输入样本从输入层传入,经各隐层逐层处理后,传向输出层;若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段;误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据;这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行,此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的次数为止;
三层前馈网中,输入向量为X=(x1,x2,L,xi,L,xn)T;如加入x0=-1,可为隐层神经元引入阈值;隐层输出向量为Y=(y1,y2,L,yi,L,ym)T,如加入y0=-1,可为输出层神经元引入阈值;输出层输出向量为O=(o1,o2,L,ok,L,oj)T;期望输出向量为D=(d1,d2,L,dk,L,dj)T;输入层到隐层之间的权值矩阵用V表示;
V=(v1,v2,L,vj,L,xm);其中列向量Vj为隐层第j个神经元对应的权向量;隐层到输出层之间的权值矩阵用W表示,W=(w1,w2,L,wk,L,wi),其中列向量Wk为输出层第k个神经元对应的权向量;
网络误差与权值调整原理:
当网络输出与期望输出不等时,存在输入误差E,定义如下:
将误差展开至隐层有:
展开到输入层有:
网络误差是各层权值函数,调整权重来改变误差,最终Δw=η(δoYT)T,Δv=η(δoXT)T;η是(0,1)之间的常数;δ为学习信号,一般采取梯度下降法
将老化外因设为BP网络输入变量X,各输入变量之间相对独立,并且将输入变量转化为[0,1]之间。
其中xi为输入数据,xmax和xmin分别为最大输入和最小输入。
老化结果作为网络输出变量Y,传递函数为连续性Sigmoid型,输出值为(0,1)之间。
通过对试验数据的处理,将实验数据分为网络训练样本和检验样本;
其特征在于:
(1)、增加动量项ΔW(t)=ηδX+αΔW(t-1),α为动量因子α∈(0,1);
(2)、自适应调节学习速率,若经过一批次权值调整后总误差E上升,η=βη(θ>0),若经过一批次权值调整后总误差E下降,η=θη(θ>0);
其进一步特征在于:在人工加速老化实验中,温度恒定60℃,只研究时间和紫外线辐射量两种老化因素对涂料保光率和色差的影响,输入层和输出层神经元均为2,根据神经元隐层设计经验公式:
其中,m为输出神经元数,n为输入单元数,α为[1,10]之间的常数;
所述的网络隐层神经元在3-12之间,通过误差对比,最终确定最佳的隐含层神经元个数,并检验隐含层神经元个数对网络性能的影响。
采用上述方法对涂层老化进行分析,依据此模型预测后续老化性能的变化,训练样本多,计算精度较高,训练完后的神经网络,可以满足工程的需要,只要给出判断寿命的临界指标,就可用于寿命计算,灵活性和预报精度较高,可以实现全局最优解,训练次数少,收敛快。
附图说明
图1为三层BP神经网络结构图;
图2为神经网络信号传递图;
图3为网络程序设计标准流程图;
图4为本发明网络结构图;
图5为函数训练结果图;
图6为函数逼近结果图;
图7为函数误差曲线图。
具体实施方式
见图2、图3、图4、图5、图6,本发明是由信号的正向传播与误差的反向传播过程组成;正向传播是,输入样本从输入层传入,经各隐层逐层处理后,传向输出层;若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段;误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据;这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行,此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的次数为止;
见图1,三层前馈网中,输入向量为X=(x1,x2,L,xi,L,xn)T;如加入x0=-1,可为隐层神经元引入阈值;隐层输出向量为Y=(y1,y2,L,yi,L,ym)T,如加入y0=-1,可为输出层神经元引入阈值;输出层输出向量为O=(o1,o2,L,ok,L,oj)T;期望输出向量为D=(d1,d2,L,dk,L,dj)T;输入层到隐层之间的权值矩阵用V表示;
V=(v1,v2,L,vj,L,xm);其中列向量Vj为隐层第j个神经元对应的权向量;隐层到输出层之间的权值矩阵用W表示,W=(w1,w2,L,wk,L,wi),其中列向量Wk为输出层第k个神经元对应的权向量;
网络误差与权值调整原理:
当网络输出与期望输出不等时,存在输入误差E,定义如下:
将误差展开至隐层有:
展开到输入层有:
网络误差是各层权值函数,调整权重来改变误差,最终Δw=η(δoYT)T,Δv=η(δoXT)T;η是(0,1)之间的常数;δ为学习信号,一般采取梯度下降法
将老化外因设为BP网络输入变量X,各输入变量之间相对独立,并且将输入变量转化为[0,1]之间。
其中xi为输入数据,xmax和xmin分别为最大输入和最小输入。
老化结果作为网络输出变量Y,传递函数为连续性Sigmoid型,输出值为(0,1)之间。
通过对试验数据的处理,将实验数据分为网络训练样本和检验样本;
1.增加动量项ΔW(t)=ηδX+αΔW(t-1),α为动量因子α∈(0,1);
2.自适应调节学习速率,若经过一批次权值调整后总误差E上升,η=βη(θ>0),若经过一批次权值调整后总误差E下降,η=θη(θ>0);
在人工加速老化实验中,温度恒定60℃,只研究时间和紫外线辐射量两种老化因素对涂料保光率和色差的影响,输入层和输出层神经元均为2,根据神经元隐层设计经验公式:
网络隐层神经元在3-12之间,通过误差对比,最终确定最佳的隐含层神经元个数,并检验隐含层神经元个数对网络性能的影响。
考虑本例实际情况,解决该问题的网络隐层神经元应该在3-12之间,因此,需要设计隐层神经元数目可变的BP网络,通过误差对比,最终确定最佳的隐含层神经元个数,并检验隐含层神经元个数对网络性能的影响。
神经网络信号传递见图2:
BP网络程序设计标准流程见图3:
伪装涂料的老化影响因素较多,如涂料种类、配方的构成、加工工艺及老化条件,但是对于同样产品,原料种类、配方的构成、加工工艺相对固定,因此影响老化的决定因素为老化条件。
试验结果分析
统计样本
表1为氟碳涂料的老化数据,表2为丙烯酸涂料老化数据,样板经过2000小时人工加速老化相当于自然界大气老化5年,涂料失光率<30%,色差≤2,即视为已经老化,需更换涂料。
表1 氟碳涂料的老化数据
老化时间(h) | 紫外线辐射度 | 保光率 | 色差 |
0 | 0 | 1 | 0 |
450 | 225 | 0.9873 | 0.11 |
600 | 300 | 0.9863 | 0.15 |
1000 | 500 | 0.9773 | 0.18 |
1200 | 600 | 0.9522 | 0.37 |
1500 | 750 | 0.9206 | 0.47 |
1700 | 850 | 0.9003 | 0.54 |
2000 | 1000 | 0.8861 | 0.82 |
表2 丙烯酸涂料老化数据
老化时间(h) | 紫外线辐射度 | 保光率 | 色差 |
0 | 0 | 1 | 0 |
450 | 225 | 0.9895 | 0.23 |
600 | 300 | 0.8737 | 0.89 |
1000 | 500 | 0.3477 | 1.33 |
1200 | 600 | 0.1379 | 1.45 |
1500 | 750 | 0.1125 | 1.67 |
1700 | 850 | 0.1012 | 3.35 |
2000 | 1000 | 0.0876 | 4.52 |
选择隐层神经元数目
Matlab中for循环作为选择的控制,以误差大小作为选择依据,程序如下:
P=[0 450 600 1000 1200 1500 1700 2000;0 225 300 500 600 750 850 1000]/2000
T=[10.9873 0.9863 0.9773 0.9522 0.9206 0.9003 0.8861;0 0.11 0.15 0.18 0.37 0.47 0.54 0.82]
s=3:12;
res=1:8;
for i=1:10
net newff(minmax(P),[s(i),2],{’tansig’,’logsig’},’trainlm’);
net.trainParam.epochs=2000;
net.trainParam.goal=0.0001;
net=train(net,P,T)
y=sim(net,P);
error=y-T;
res=norm(error)
end
表3 网络训练误差
个数 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
网络误差 | 0.1159 | 0.0364 | 0.1093 | 0.0358 | 0.0629 | 0.0324 | 0.0352 | 0.0371 | 0.0302 | 0.0318 |
目标位置 | 无 | 1758 | 无 | 1842 | 无 | 302 | 303 | 373 | 288 | 325 |
在经过2000次训练后,训练函数均采用traingdx,该函数是改进的BP算法,为动量及自适应IRBP梯度递减训练函数。隐含层为11的BP网络对函数的逼近值效果最好,在288次训练后就能达到训练误差。
选择网络训练函数
在隐含层为11条件下,改变训练函数,分别为traingdx、trainlm、traingd、traingda。
训练函数 | traingdx | trainlm | traingd | traingda | trainrp |
网络误差 | 0.0302 | 0.0259 | 1.8626 | 0.0369 | 0.0369 |
目标位置 | 288 | 13 | 无 | 1256 | 85 |
trainlm训练函数基于Levebberg-Marquardt算法的BP神经网络,L-M算法同样是一种迭代算法,他在迭代过程中能够根据实际情况进行调整,符合改进BP网络要求。
网络演算
根据3.1,3.2,3.3得出,网络最终结构表
网络结构 | 隐含层神经元 | 训练函数 | 网络误差 |
单隐层的BP网络 | 11个 | trainlm | <0.0259 |
全部Matlab代码如下:
P=[0 450 600 1000 1200 1500 1700 2000;0 225 300 500 600 750 850 1000]/2000
T=[1 0.9873 0.9863 0.9773 0.9522 0.9206 0.9003 0.8861;0 0.11 0.15 0.18 0.37 0.47 0.54 0.82]
res=1:10;
net=newff(minmax(P),[11,2],{’tansig’,’logsig’},’trainlm’);
net.trainParam.epochs=2000;
net.trainParam.goal=0.00001;
net=train(net,P,T)
y=sim(net,P);
error=y-T
res=norm(error)
w=net.IW{1,1}
b=net.b{1}
plot(P,T,’r+’);
hold on
plot(P,y,’B.’);
hold on
plot(1:8,y-T);
hold on
函数训练结果见图5:
函数逼近结果如图6
函数误差曲线图7
训练后程序输出:
P=0 0.2250 0.30000. 50000. 60000. 75000. 8500 1.0000
00.1125 0.1500 0.2500 0.3000 0.3750 0.4250 0.5000
T=1.0000 0.9873 0.9863 0.9773 0.9522 0.9206 0.9003 0.8861
0 0.1100 0.1500 0.1800 0.3700 0.4700 0.5400 0.8200
TRAINLM,Epoch 0/2000,MSE 0.14031/0.0001,Gradient 1.44636/1e-010
TRAINLM,Epoch13/2000,MSE 2.72147e-005/0.0001,Gradient0.00269109/1e-010
TRAINLM,Performance goal met.
误差值:
error=-0.0091 -0.0037 -0.0024 -0.0009 0.0013 0.0002 -0.0031 -0.0015
0.0173 0.0015 -0.0025 0.0005 0.0007 0.0022 0.0007 -0.0023
res=0.0201
权重向量值:w=
-8.5049 -6.9861
8.6958 6.0045
7.1069 -11.9762
-5.9750 -14.2975
-8.2096 -8.1629
2.5687 17.8317
-1.0464 18.3927
-9.0381 4.1216
3.8407 -17.0569
6.1908 -13.8387
4.3224 16.3271
阀值:b=
10.7946
-9.6952
-3.3301
8.3410
7.2643
-5.7630
-5.4334
1.1961
5.8186
4.0717
-2.0300
运用BP神经网络模型,建立了涂层老化过程中的性能计算方法。在同一温度下,只要有等时问间隔的老化数据(不少于4对样本),就可建立起计算该种涂料某种性能BP预测模型。模型建立后,可依据此模型预测后续老化性能的变化。训练样本多,计算精度较高,反之较低。训练完后的神经网络,可以满足工程的需要,只要给出判断寿命的临界指标,就可用于寿命计算。
Claims (2)
1.基于BP神经网络算法对涂层老化的分析方法,其由信号的正向传播与误差的反向传播过程组成;正向传播是,输入样本从输入层传入,经各隐层逐层处理后,传向输出层;若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段;误差反传是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据;这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行,此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的次数为止;
三层前馈网中,输入向量为X=(x1,x2,L,xi,L,xn)T;如加入x0=-1,可为隐层神经元引入阈值;隐层输出向量为Y=(y1,y2,L,yi,L,ym)T,如加入y0=-1,可为输出层神经元引入阈值;输出层输出向量为O=(o1,o2,L,ok,L,oj)T;期望输出向量为D=(d1,d2,L,dk,L,dj)T;输入层到隐层之间的权值矩阵用V表示;V=(v1,v2,L,vj,L,xm);其中列向量Vj为隐层第j个神经元对应的权向量;隐层到输出层之间的权值矩阵用W表示,W=(w1,w2,L,wk,L,wi),其中列向量Wk为输出层第k个神经元对应的权向量;
网络误差与权值调整原理:
当网络输出与期望输出不等时,存在输入误差E,定义如下:
将误差展开至隐层有:
展开到输入层有:
网络误差是各层权值函数,调整权重来改变误差,最终Δw=η(δoYT)T,Δv=η(δoXT)T;η是(0,1)之间的常数;δ为学习信号,一般采取梯度下降法
将老化外因设为BP网络输入变量X,各输入变量之间相对独立,并且将输入变量转化为[0,1]之间。
其中xi为输入数据,xmax和xmin分别为最大输入和最小输入。
老化结果作为网络输出变量Y,传递函数为连续性Sigmoid型,输出值为(0,1)之间。
通过对试验数据的处理,将实验数据分为网络训练样本和检验样本;
其特征在于:
(1)、增加动量项ΔW(t)=ηδX+αΔW(t-1),α为动量因子α∈(0,1);
(2)、自适应调节学习速率,若经过一批次权值调整后总误差E上升,η=βη(θ>0),若经过一批次权值调整后总误差E下降,η=θη(θ>0);
(3)、引入陡度因子,当误差曲面进入平坦区域时,设改变输出量,λ为陡度因子,在平坦区时λ>1,退出平坦区后λ=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010617208XA CN102054199A (zh) | 2010-12-31 | 2010-12-31 | 基于bp神经网络算法对涂层老化的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010617208XA CN102054199A (zh) | 2010-12-31 | 2010-12-31 | 基于bp神经网络算法对涂层老化的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102054199A true CN102054199A (zh) | 2011-05-11 |
Family
ID=43958495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010617208XA Pending CN102054199A (zh) | 2010-12-31 | 2010-12-31 | 基于bp神经网络算法对涂层老化的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102054199A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103561094A (zh) * | 2013-11-04 | 2014-02-05 | 成都数之联科技有限公司 | 一种婴幼儿睡眠情况智能监控方法 |
CN106651408A (zh) * | 2015-10-28 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种数据分析方法及装置 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN109146209A (zh) * | 2018-11-02 | 2019-01-04 | 清华大学 | 基于遗传算法小波神经网络的机床主轴热误差预测方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN109799541A (zh) * | 2019-01-25 | 2019-05-24 | 中国自然资源航空物探遥感中心 | 一种γ能谱测量谱漂及积分非线性校正方法 |
CN111094956A (zh) * | 2017-09-22 | 2020-05-01 | 沙特阿拉伯石油公司 | 用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(cui) |
CN112632721A (zh) * | 2020-12-21 | 2021-04-09 | 天津大学 | 一种基于组合模型的mag焊接接头性能预测方法及系统 |
CN112690823A (zh) * | 2020-12-22 | 2021-04-23 | 海南力维科贸有限公司 | 一种识别肺部生理声音的方法以及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101310294A (zh) * | 2005-11-15 | 2008-11-19 | 伯纳黛特·加纳 | 神经网络的训练方法 |
CN101814158A (zh) * | 2009-02-20 | 2010-08-25 | 北京联合大学生物化学工程学院 | 基于人工神经网络的实验数据分析处理方法 |
-
2010
- 2010-12-31 CN CN201010617208XA patent/CN102054199A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101310294A (zh) * | 2005-11-15 | 2008-11-19 | 伯纳黛特·加纳 | 神经网络的训练方法 |
CN101814158A (zh) * | 2009-02-20 | 2010-08-25 | 北京联合大学生物化学工程学院 | 基于人工神经网络的实验数据分析处理方法 |
Non-Patent Citations (3)
Title |
---|
方庆红等: "基于BP人工神经网络的橡胶老化预报模型", 《合成材料老化与应用》, no. 2, 30 June 2003 (2003-06-30), pages 28 - 29 * |
胡金滨等: "人工神经网络的BP算法及其应用", 《信息技术》, vol. 28, no. 4, 30 April 2004 (2004-04-30), pages 1 - 4 * |
韩力群: "《人工神经网络教程》", 31 December 2006, article "人工神经网络教程" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103561094A (zh) * | 2013-11-04 | 2014-02-05 | 成都数之联科技有限公司 | 一种婴幼儿睡眠情况智能监控方法 |
CN106651408A (zh) * | 2015-10-28 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种数据分析方法及装置 |
CN106651408B (zh) * | 2015-10-28 | 2020-12-25 | 苏宁云计算有限公司 | 一种数据分析方法及装置 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN111094956A (zh) * | 2017-09-22 | 2020-05-01 | 沙特阿拉伯石油公司 | 用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(cui) |
CN108107716A (zh) * | 2017-12-19 | 2018-06-01 | 电子科技大学 | 一种基于改进的bp神经网络的参数在线测量方法 |
CN109146209A (zh) * | 2018-11-02 | 2019-01-04 | 清华大学 | 基于遗传算法小波神经网络的机床主轴热误差预测方法 |
CN109547431A (zh) * | 2018-11-19 | 2019-03-29 | 国网河南省电力公司信息通信公司 | 一种基于cs和改进bp神经网络的网络安全态势评估方法 |
CN109799541A (zh) * | 2019-01-25 | 2019-05-24 | 中国自然资源航空物探遥感中心 | 一种γ能谱测量谱漂及积分非线性校正方法 |
CN112632721A (zh) * | 2020-12-21 | 2021-04-09 | 天津大学 | 一种基于组合模型的mag焊接接头性能预测方法及系统 |
CN112690823A (zh) * | 2020-12-22 | 2021-04-23 | 海南力维科贸有限公司 | 一种识别肺部生理声音的方法以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102054199A (zh) | 基于bp神经网络算法对涂层老化的分析方法 | |
CN107392368B (zh) | 一种基于气象预报的办公建筑动态热负荷组合预测方法 | |
Fan | A modification to particle swarm optimization algorithm | |
Engler et al. | Survival analysis with high-dimensional covariates: an application in microarray studies | |
CN107766668B (zh) | 一种基于神经网络的复杂仿真模型验证方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN107798383B (zh) | 改进的核极限学习机定位方法 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
CN104462850A (zh) | 基于模糊高斯混合模型的多阶段间歇过程软测量方法 | |
CN112578089B (zh) | 一种基于改进tcn的空气污染物浓度预测方法 | |
CN102540164A (zh) | 一种基于增量式学习的雷达辐射源分类建模方法 | |
CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
CN111242380A (zh) | 一种基于人工智能算法的湖(库)富营养化预测方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
Yan et al. | Real-time localization of pollution source for urban water supply network in emergencies | |
CN112765902A (zh) | 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用 | |
CN115169742A (zh) | 一种短期风力发电功率预测方法 | |
CN108631817B (zh) | 一种基于时频分析和径向神经网络进行跳频信号频段预测的方法 | |
CN110738363A (zh) | 一种光伏发电功率预测模型及其构建方法和应用 | |
CN109886405A (zh) | 一种抑制噪声的基于人工神经网络结构优化方法 | |
CN113204918A (zh) | 水泥窑生产能耗的建模方法 | |
CN103983332A (zh) | 一种基于hgsa-bp算法的传感器误差补偿方法 | |
CN115567131A (zh) | 一种基于降维复卷积网络的6g无线信道特性提取方法 | |
Jianlin et al. | Run-to-run optimization for fed-batch fermentation process with swarm energy conservation particle swarm optimization algorithm | |
CN109474258B (zh) | 基于核极化策略的随机傅立叶特征核lms的核参数优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110511 |