基于BP-GIS的京津冀碳钢土壤腐蚀速率地图研究

针对京津冀地区碳钢土壤腐蚀问题,应用误差反向传播（BP）神经网络,以主影响因素为输入参数,分别构建了针对京津冀地区碳钢土壤腐蚀速率模型。根据各主要土壤腐蚀影响因素数值,对碳钢土壤腐蚀速率实现了预测。并基于地理信息系统（GIS）绘制了中国年均碳钢土壤腐蚀速率地图。研究表明:京津冀地区单年均碳钢土壤腐蚀速率西北高东南低,多年均碳钢土壤腐蚀速率基本均匀分布;pH、含盐总量、土壤温度、全氮量和有机质对碳钢土壤腐蚀较为显著;1、3、5和8年均碳钢土壤腐蚀速率分布最大为6.159、2.322、2.614和3.467 g/（dm2·a）。      

基于变分推理的网络舆情传播模式分类

随着网络社交媒体的快速发展,对舆情信息的传播模式进行分析成为研究热点。针对网络舆情传播模式分类任务中,小样本数据多路径生成分类正确率低的问题,提出了舆情传播领域知识图谱结构定义,建立了基于微博数据的舆情传播知识图谱与舆情传播分析任务数据集,使用GraphDIVA模型进行舆情传播模式分类,并在自建数据集中进行了舆情传播模式分类25样本测试实验。结果表明:模型在经过20轮训练后,分类正确率从76%提升到89.4%,说明GraphDIVA模型在减少训练次数、提升分类正确率方面具有更优的效果。      

基于长椭球面波函数去卷积方法的高动态范围太阳射电成像

利用综合孔径射电望远镜对太阳进行观测时,通过对图像中存在的明亮扩展源进行准确建模并移除,可以更好地观测视场内的微弱源并提高图像的动态范围。在射电天文领域,主要利用CLEAN算法对图像中的明亮源进行移除,以显示微弱的背景。然而,使用图像像素作为基函数的CLEAN算法的固有限制导致其对扩展源的建模效果较差。为了克服这种限制,将基于长椭球面波函数（Prolate Spheroidal Wave Functions,PSWF）的去卷积方法应用于太阳射电成像。PSWF最优正交基由脏图中的感兴趣区域（Region of Interest,ROI）和UV覆盖共同决定。为了验证该方法的有效性,基于PSWF正交基对均匀圆环阵观测的太阳射电图像进行去卷积,并从动态范围和保真度两个方面定量化对比了CLEAN算法和基于PSWF正交基方法的性能。基于PSWF正交基去卷积方法剩余脏图中的微弱源更接近真实情况且动态范围更高。     

无须模板的阵列天线方向图综合设计方法

阵列天线方向图综合通常须选择适当的方向图模板。然而,目前还没有方向图模板选择方案的研究,因此无法保证现有模板的合理性。为避免所预设的方向图模板不可行,本文提出以最小化旁瓣最大值与主瓣最小值的比值为准则,构建方向图综合优化设计问题。该问题的不等式约束是非凸且耦合的。采用罚函数法将不等式约束引入目标函数中,然后设计一个光滑函数来逼近并替代目标函数中不可微部分,从而得到原问题的可微逼近问题,最后使用拉格朗日神经网络法求解逼近问题进而得到原问题的近似解。仿真试验验证了本文所提方法的有效性。     

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来,卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性,已被认为是最有前途的CNN硬件加速器,但是受FPGA计算能力、存储资源的限制,基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先,研究了适用于三维运算的Winograd算法一维展开过程;然后,通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法,优化算法每个卷积层的时钟周期数减少了7倍左右,相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究,证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度,并改善在FPGA运行CNN的性能。      

基于人工智能技术的雷达目标检测

强杂波背景下的目标检测是各国争相研究的热点,传统的雷达目标检测技术无法实现,人工智能技术的出现,其在目标识别和特征提取方面的独特优势,使得强杂波背景下的目标检测成为可能,利用人工智能神经网络的强大非线性预测能力对海杂波的非线性动力方程进行逼近,实现了对海杂波的非线性预测,提出了一种基于神经网络技术的强海杂波背景下的脉冲多普勒雷达导引头小目标检测方法,使得强海杂波背景下的目标检测能力有2 dB到6 dB的提升。     

基于LabVIEW实现神经网络

文章选择LabVIEW的图形编程语言实现了神经网络.仿真结果表明,通过LabVIEW可将虚拟仪器技术和神经网络有机地结合起来,拓宽两者的应用范围,提高系统的性能和开发效率.     

基于深度神经网络的流场时空重构方法

针对流场粒子图像测速实验中时间和空间高分辨率测量代价高的问题,研究了数据驱动的流场时空重构方法。为了对实验测得的低分辨率数据进行时空高分辨率重构,提出了一种基于深度神经网络的流场时空重构方法,并构建了一种基于卷积神经网络和长短时记忆神经网络的混合深度神经网络。该混合深度神经网络能够学习流场的时空演化特征,训练完成后可实现对实验数据的时空高分辨率重构。测试结果表明:只进行流场空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差为0.0065左右,流场数据点数是原来的51倍;同时进行流场时间和空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差可保持在0.065左右,流场时间维度的密度是原来的5倍,可极大提高实验效率,节约实验成本。     

非线性自适应神经网络控制器设计

在系统存在非匹配不确定性和输入未建模动态的情况下,提出了一种基于RBF神经网络和反演控制技术的非线性自适应控制系统的设计方法.应用RBF神经网络辨识系统中存在的不确定性,利用反演控制技术,设计了非线性自适应控制器,成功地处理了非匹配不确定性.同时动态非线性阻尼项的引入使得系统对未建模动态具有很强的鲁棒性,并应用Lyapunov稳定性理论,证明了系统跟踪误差、RBF神经网络参数误差全局渐近收敛于原点的一个邻域.最后给出的BTT导弹非线性六自由度数字仿真结果,显示了该设计方法的有效性.     

基于动态RBF网络的发动机起动过程模型辨识

针对航空发动机在起动过程中各截面气流处于亚临界状态 ,难以利用传统的气动热力学方法进行建模的问题 ,本文利用发动机地面试验数据作为学习样本 ,采用动态径向基 (RBF)神经网络的方法 ,建立了航空发动机起动过程动态模型。仿真结果表明 ,利用该方法建立的发动机模型具有动态性好 ,精度高的优点 ,开辟了发动机中小转速建模的新途径