远紫外宽带极光成像仪初步研究

在回顾星载远紫外波段极光形态探测技术发展的基础上, 介绍我们研制的用于极光形态探测的远紫外宽带极光成像仪, 该仪器研制目的是用于大椭圆轨道上对极光形态及其随时间变化进行连续观测, 为我国首次研制该类型仪器. 仪器主要由望远镜系统、像增强器系统、CCD及采集控制系统组成. 仪器工作波段在140~190 nm, 总视场25°×25°, 空间分辨率优于0.1°.     

基于卷积神经网络与Bayesian决策的图像识别与分类记忆建模

当前热门图像分类方法大多侧重在分类能力,忽视识别新事物,然而人类认识事物时侧重认识,只在细小之处重视分类,这一点与人类记忆机制密切相关.尽管目前有许多记忆建模理论被相继提出,但大多以单词列表的形式学习,对自然图像列表的研究有限.基于此,本文提出了基于卷积神经网络与Bayesian决策的图像识别分类记忆建模方法,首先利用卷积神经网络提取图像特征,并采用二进制形式存储特征向量;然后进行视觉图像的表达,存储与提取记忆建模,将测试图像特征向量与所有已存储特征向量进行匹配对比,计算似然率值;最后在所有似然率基础上计算测试图像是新类别的几率,若该几率大于某个阈值则判别其为新类别;反之,利用Bayesian决策规则进行.图像分类.在Caltech-101与Caltech-256数据库上的实验表明所提方法能很好地应用于图像识别分类任务中.其击中率比目前代表性的稀疏表达分类(SRC)以及极限学习机(ELM)方法高,且虚报率比其他两种方法低的多.     

基于时空图注意力模型的动态软测量建模方法

近年来深度学习由于其特征提取和非线性拟合等方面的优势,在软测量建模中得到了广泛的研究.而深度学习模型是一种黑箱模型,其预测结果难以解释,而且很难将关于过程的先验知识引入模型,这些缺点阻碍了它在实际工业过程中的应用.另外,工业过程数据是具有高度非线性和动态性的时间序列,其本质上反映的是过程随机变量随时间不断变化的趋势,其包含了重要的流程信息,因此在软测量建模过程中引入过程的动态信息是十分必要的.本文提出了一种时空图注意力模型(temporal-spatial graph attention networks, TSGAT),并将其应用在复杂动态工业过程的软测量建模.该方法通过给定变量间结构图来为模型引入先验知识,利用图注意力网络构建变量间的显式的非线性关系,并利用图注意力网络信息聚合的能力对每个时间步的数据完成图上的特征提取,再使用长短期记忆人工神经网络提取时序特征,进而完成对质量变量的预测.为了验证所提方法的有效性和优越性,将该方法应用在实际工业案例合成氨过程中的高低温转换器单元一氧化碳含量的软测量建模,实验结果表明,该模型不仅能够引入先验知识,而且具有较高的预测精度.     

基于PCA和BP神经网络的采空区稳定性评价模型研究

针对采空区稳定性评价因素的复杂性和相关性特点,提出主成分分析(PCA)与BP神经网络相结合的采空区稳定性综合评价方法。经综合分析确定以工程地质因素、采空区赋存结构参数、采动因素3个一级影响因素为基础的评价指标体系,以此为基础构建了采空区稳定性评价的BP神经网络评价模型。以某大型铅锌矿山地下采空区为例,应用CMS探测系统获取采空区相关数据生成采空区3D实体模型,并根据BP神经网络训练出的计算模型对采空区稳定性的等级进行评价。研究结果表明:PCA和BP神经网络相结合的方法使输入变量由13个减少为5个,避免了由于变量相关性带来的影响,简化了评价过程,结果更加合理。现场探测结果与BP神经网络计算结果相互支持。     

离散时滞标准神经网络模型及其应用

为了能够方便地分析离散递归神经网络（RNN）的稳定性，以及解决目前比较难的离散非线性系统的控制器的综合等问题，类似于鲁棒控制中的标准模型，提出一种新的神经网络模型——离散时滞标准神经网络模型（DDSNNM），它由离散线性动力学系统和有界静态时滞（或非时滞）非线性算子连接而成。利用不同的Lyapunov泛函和S方法推导出基于线性矩阵不等式（或非线性矩阵不等式）的DDSNNM全局渐近稳定性和全局指数稳定性的充分条件。大多数离散时滞（或非时滞）RNN稳定性分析或包含神经网络的非线性控制系统都可以转化为DDSNNM形式，从而进行稳定性分析或镇定控制。从DDSNNM应用于离散时滞细胞神经网络（CNN）的稳定性分析以及非线性控制系统的综合实例可以看出，DDSNNM不仅使得大多数RNN的稳定性判定简单易行，而且为非线性系统的控制器设计提供新的思路。     

物联网服务建模：一种基于环境建模的方法

物联网服务是传统Web服务通过传感器网络向物理环境的延伸,它通过传感器网络感知物理环境中的实体,也向物理环境实体施加作用.与传统Web服务相比,由于物联网服务受到所依赖的物理环境的时间受限性、资源受限性和设备潜在故障概率的影响,物联网服务的响应速度、服务能耗和容错能力等特性成为影响物联网系统整体特性的重要因素.因此,对物联网服务进行全面建模,对物联网服务所处的外部环境进行形式化描述,并结合物理环境模型对物联网服务的性质进行分析,对于确保物联网系统的正确性、稳定性非常必要.本文针对物联网服务的特点,结合基于环境建模的需求工程思想,提出一种基于环境的物联网服务三元问题域建模框架,给出了物联网服务建模本体以及相应的建模原则.在此基础上,提出了一种物联网服务行为建模方法,该方法将物联网服务和物理环境建模为概率时间自动机,将用户期望的服务特性描述为时序逻辑公式,为物联网服务功能行为正确性验证和非功能性约束可满足性验证奠定了基础.     

基于SOM神经网络的古代青瓷聚类分析

用EDXRF探针测定了48个来自3个不同产地的4个古代青瓷窑址的瓷片的化学组成．接着用SOM神经网络对胎的主、次量元素化学组成数据进行了聚类分析,结果表明SOM能正确地区分出瓷片的3个产地：龙泉、慈溪和杭州．由于两官窑的瓷片在主、次量元素化学组成上比较接近,使得它们的分类正确率仅为76．92％．于是,作者对两官窑瓷片胎的微量元素化学组成数据用同样的方法又进行了一次聚类分析,结果发现分类正确率提高到了84．61％,说明两官窑的瓷片在微量元素上的差别比在主、次量元素上的差别要大,这与实际情况是一致的．研究表明SOM神经网络方法可以应用于古陶瓷的聚类分析研究中．     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越     

基于神经网络的固体推进剂专家系统研究

固体推进剂研究对航天工业及武器研制具有重要的战略意义.鉴于其研制手段多以实验为主和分析软件智能化程度不高等因素,提出了基于神经网络的固体推进剂专家系统"SPES".神经网络可以较好的映射固体推进剂组成、结构及性能之间的复杂关系,因此SPES是基于材料设计思想和配方实例的高精度配方设计及性能预示软件.文中详细阐述了系统设计思想、总体结构、系统功能、关键技术及应用示例等方面.最后对SPES实现固体推进剂领域自动化和智能化给予了展望.     

基于RBF神经网络的烧结终点预测模型

本文提出一种基于径向基函数(RBF)神经网络的烧结终点预测模型.该模型首先采用改进的最近邻聚类算法确定径向基函数中心,接着应用递推最小二乘法训练网络的权值.通过现场采集数据对该模型进行仿真,其实验结果表明,该模型具有较好的学习能力和泛化能力,为烧结终点的预测提供了一种新的解决方法.     

基于Simulink的铲运机连杆机构动力学建模

连杆机构是地下铲运机的重要工作装置,其设计质量、动力学特性直接影响整机的生产率、工作性能。本文利用拉格朗日原理建立了地下铲运机连杆机构六连杆组铲掘过程和举升过程的动力学模型,得到了连杆的初始位置角与液压缸提供的转矩之间的关系,并在Matlab／Simulink中建立相应的模块图,为转矩的设计提供了依据,为地下铲运机连杆机构的动力学仿真及动态性能研究奠定了基础。     

基于随机时间自动机和统计模型检验技术的无线传感网络协议建模与分析

近年来,传感器技术得到了长足而有效的提升,无线传感网络（WSN）以其开放、动态的特征获得了极大的关注,并成为了互联网计算的一个重要组成．WSN系统行为复杂,经常面临信息丢失、节点动态变化等不确定因素,且网络中的节点一旦部署将很难更改、维护．因此,为了保证相关应用的正常工作,在系统设计阶段对WSN中的底层协议进行质量保障就成为了一项非常重要的研究问题．系统设计人员不仅需要保证协议功能上的正确性,还应该评估协议在目标工作环境下的性能,以保证其可以胜任相应的工作需求．针对以上问题,本文提出了一种基于随机时间自动机和统计模型检验技术的WSN协议建模、分析和评估途径．在建模阶段,首先将采用时间自动机对协议在理想环境下的基本业务流程进行建模．考虑到WSN系统实际工作中会遇到的各种不确定性因素,将用带权分枝来对模型进行扩展,生成协议的随机时间自动机．在验证阶段,首先采用经典模型检验技术,在理想时间自动机上检验相关功能性质,保证协议工作逻辑的正确性．为评估协议在不同条件下的具体性能,则在随机时间自动机上用统计模型检验技术对其进行数值分析,以进行参数配置、性能预测、协议比较等工作．为展示该途径的可用性及其技术细节,本文对两种著名的WSN时间同步协议,TPSN和FTSP分别进行了完整的建模与评估．     

基于改进神经网络的厚煤层采煤方法预测模型

针对厚煤层采煤方法选择多目标非线性的问题,在影响因素分析的基础上,建立了预测仿真模型,利用神经网络改进算法训练网络,通过早停的方式解决网络过拟合问题。通过计算机仿真结合现场应用表明,该模型给出了最优方案,可为厚煤层采煤方法的合理选择和工作面主要经济技术指标的预测提供一种新的研究思路,在煤矿开采中具有广阔的应用前景。     

基于客户满意度的模糊神经网络JSP研究

针对具有不确定性因素的作业车间调度问题,基于模糊数学的思想,把模糊加工时间、间隔期和模糊交货期用梯形模糊数表示,建立了基于客户满意度曲模糊作业车间调模型。运用Hopfleld神经网络算法求解,结合目标函数和JSP的全部约束条件,构建能量函教和JSP换位矩阵,保证了神经网络稳态输出为最优生产调度方案。最后用网络计划图对稳态输出的换位矩阵进行解码得到最优调度甘特图,避免了传统成本树法易出现死锁调度的问题。计算实例验证了本算法的可行性和有效性。     

基于混沌-RBF神经网络的风电场风速预测

在利用风速时间序列具有混沌特性的前提下,将相空间重构和RBF神经网络结合的混合算法用于风电场风速预测。通过实例仿真计算对比表明,该混沌-RBF神经网络的混合算法可以进一步提高预测准确度。     

基于PCA-EBP神经网络的煤炭物流成本预测

为了科学、准确地对煤炭物流成本进行预测,针对煤炭物流成本影响因素之间存在信息重叠以及BP神经网络对多噪声样本和小样本问题预测结果较差等问题,提出了一种PCA-EBP神经网络模型。将所建立的模型用于内蒙古SH煤炭生产企业煤炭物流成本实际预测。结果表明:模型最大误差为1.748%,最小误差为0.0728%,平均误差为0.972%,均好于径向基神经网络(RBF)和支持向量回归机(SVR),预测精度较高,能够满足煤炭物流成本预测的实际需求,验证了所提出模型的有效性和可靠性。     

基于POD-Observer技术的非定常气动力建模方法

基于本征正交分解（POD）结合观测器（Observer）技术,发展了一种新的适合于气动弹性分析的非定常气动力降阶方法.通过全阶系统行为的样本采用POD方法导出一组流体模态.将POD训练的全阶响应投影到流体模态上,得到模态幅值的响应时间历程.经由deadbeat观测器处理,这些训练数据用于识别模态幅值动态系统的Markov参数.采用特征实现算法基于上述的Markov参数构建系统的状态空间模型.算例选取了亚声速流场中的二维翼型系统.结果表明降阶模型复现了全阶系统的主要动态特性,极大缩减了原系统的自由度数量并且显著提高了计算效率.     

三维正压非线性潮汐潮流伴随同化模型开边界反演研究

在数学物理反问题的框架下,基于渤海、黄海M2分潮波的数值模拟,本文设计孪生实验研究了三维正压非线性潮汐潮流模型中开边界条件的伴随法反演问题,以验证所建立的伴随模型的有效性和正确性。本文同时讨论了开边界条件的空间分布、初值、观测误差以及观测数量对开边界反演的影响,对此参数估计反问题的适定性进行了初步研究.     

极光沉降粒子在极区大气中传输的数值研究

从Boltzmann方程出发,根据带电粒子在中性大气中的传输理论,综合考虑弹性散射、激发、离化以及二次电子生成等重要物理过程,用数值方法求解沉降电子传输方程,获得随高度、能量和投掷角变化的微分沉降电子数通量．在单成分（N2）大气近似条件下,模式计算结果较好地描述了沉降电子通量谱在极区高层大气中的传输规律和特性;由沉降电子微分通量计算得到的中性成分电离率主要特征与已有经验模式较好地吻合．将FAST卫星飞越EISCAT雷达上空时观测到的沉降电子能谱作为模式输入,计算获得了与由雷达观测数据反演得到的中性大气电离率相一致的结果．