前馈神经网络结构动态增长-修剪方法

针对前馈神经网络隐含层神经元不能在线调整的问题,提出了一种自适应增长修剪算法(AGP),利用增长和修剪相结合对神经网络隐含层神经元进行调整,实现神经网络结构的自组织,从而提高神经网络的性能.同时,将该算法应用于污水处理生化需氧量(BOD)软测量,仿真实验结果表明,与其他自组织神经网络相比,AGP具有较好的泛化能力及较高的拟合精度,能够实现出水BOD的预测.     

基于模型输出敏感度分析法的动态RBF神经网络设计

针对一般RBF神经网络在学习过程中网络结构不能改变的问题,提出一种动态RBF神经网络结构设计方法．算法的实质是利用敏感度分析法（SA）对神经网络模型的输出进行分析,通过判断隐含层神经元的输出对整个网络输出的影响,删除RBF隐含层中冗余的神经元,实现对神经网络的动态修剪．非线性函数逼近结果及动态系统建模结果表明,该动态RBF神经网络具有较好的性能;与最小RBF（MRBF）神经网络相比,采用所提算法能得到更小的检测误差和更短的训练时间,最终网络结构紧凑．     

一种基于自适应回归核函数的污水处理能耗模型

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。     

基于孪生卷积神经网络的手机型号识别方法

针对废旧手机回收过程中型号难以精确识别的问题,提出一种基于孪生卷积神经网络的废旧手机型号识别方法.首先,利用基于最大类间差分的边缘检测算法解析手机图像的区域特征,构建手机型号识别数据库;其次,构造一种共享权值孪生卷积网络(siamese convolutional neural network,S-CNN)的手机识别模型,实现废旧手机图像特征的快速提取;最后,设计一种自适应学习率的识别模型参数更新策略,提高手机型号识别的精度.将其应用于不同场景下废旧手机的分拣,实验结果表明该方法具有较好的快速性和准确性.     

面向智能回收装置的废旧手机深度森林识别

手机更新速度的日益加快使得面向废旧手机(UMP)的智能回收装置研制成为典型城市再生资源回收再利用领域的研究热点,其首先需要解决的难题是如何基于有限图像样本实现UMP的精准识别。针对上述问题,提出了面向智能回收装置的UMP深度森林识别模型。首先,对UMP图像进行预处理以消除背景信息;接着,提取多尺度梯度直方图特征以获得有效信息;最后,将通过多粒度扫描获取高维特征作为级联森林的输入,并基于自适应网络深度构建非神经网络模式的UMP识别模型。基于电信设备认证中心的典型数据集和回收装置拍摄图像数据集验证了所提方法的有效性。     

知识和数据驱动的多时间尺度采样系统建模方法

针对多时间尺度采样系统快采样变量的信息难以充分利用，建模信息不足的问题，提出一种知识和数据驱动的多时间尺度采样系统的模糊迁移学习建模方法，建立多时间尺度采样系统模型，提高建模精度.首先，设计滤波插补方法填补慢采样变量的空缺值，统一慢采样变量和快采样变量为慢时间尺度，利用慢时间尺度变量建立目标模型.其次，提出模型共享机制补充目标模型的建模信息，统一慢采样变量和快采样变量为快时间尺度，利用快时间尺度变量建立参考模型，将参考模型中充足的模型知识迁移到目标模型中.最后，利用参考模型的知识和目标模型的数据学习目标模型的参数，提高目标模型的精度.将提出的建模方法应用于理论数据集，实验证明该方法可以充分挖掘建模信息，建立高精度的多时间尺度采样系统模型.