感知器
- 上海交大研制出高靈敏度寬頻微動超機械感知器
寬頻微動超機械感知器，相關成果于2023年9月7日在線發(fā)表于《自然·通訊》（Nature Communications）。自然界的生物感知器如小鼠的胡須、魚類的側線、蜘蛛的觸角和人類的皮膚等，能夠在寬頻范圍內高靈敏地感知微動信息?；诖耍谠O計人工微動感知器時，靈敏度和帶寬是關鍵的性能指標，也一直是傳感器相關研究的熱點?；谔岣哽`敏度和帶寬的設計策略，人工微動感知器可以分為兩大類：一類是基于電學引導的設計，它依賴于高靈敏度電子元件，而這些元件受限于高成本和
科學 2023年5期2023-10-23
- 基于機器學習的5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址研究
，文章提出多層感知器神經網絡和遺傳算法組合的機器學習方法，來完成5G 低流量覆蓋區(qū)域無線網絡精準規(guī)劃選址。多層感知器神經網絡算法具有很好的容錯功能，但是整體優(yōu)化能力不足，收斂速度相對遺傳算法慢[3]。遺傳算法具有整體系統(tǒng)優(yōu)化的功能，但是在局部優(yōu)化方面比較滯后[4]。采用2 種控制算法相組合的方案來進行選址研究，既可以發(fā)揮多層感知器神經網絡局部尋優(yōu)的優(yōu)點來確定單站址規(guī)劃數據，又可以利用遺傳算法整體優(yōu)化的功能去除冗余站址數據。5G 低流量覆蓋區(qū)域單站覆蓋范圍需
通信電源技術 2023年11期2023-08-22
- 集成多層感知器快速多光譜遙感圖像分類方法
4003）多層感知器分類技術能夠滿足各行業(yè)不斷增長的遙感服務需求，適用于需要即時性的居民區(qū)違規(guī)建筑監(jiān)測、裸土施工暴露監(jiān)測、洪淹范圍監(jiān)測，農作物耕地面積、棄耕面積監(jiān)測、大型軍事目標識別監(jiān)測等任務[1-11]。本文擬采用Sklearn[12]機器學習包中的多層感知器分類算法，構建多于3 層的多層感知器，對焦作Landsat/TM影像的標注數據進行學習和分類。1 多層感知器原理及調參方法1.1 多層感知器原理多層感知器的網絡結構具有如下3 個基本特征：①網絡中每
地理空間信息 2022年6期2022-07-04
- 基于多層感知器的端到端車道線檢測算法
期，許多對多層感知器［23-26］（Multi Layer Perceptron，簡稱MLP）的研究表明，MLP 能夠較好的提取圖像的全局語義信息，但在局部語義信息的提取上沒有達到好的效果，且文獻CycleMLP［23］在圖像分割等計算機視覺的下游任務中獲得了很好的效果，而文獻［24，27-28］中通過結構重參數化技術實現訓練與推理的解耦，在不犧牲推理速度的情況下換來了不錯的精度提升，如Rep-MLP［24］模型，訓練時在其內部構建組卷積層獲取局部信息，將
中南民族大學學報（自然科學版） 2022年4期2022-07-01
- 基于多層感知器與特征組合的皮革缺陷分類
征，再通過多層感知器神經網絡訓練特征，可以得到更好的訓練效果。1 皮革圖像獲取與特征描述1.1 皮革圖像采集本文采用的圖像獲取平臺由一個CMOS 工業(yè)相機、可調節(jié)支架以及兩個線型光源組成。通過相機采集的皮革表面圖像分辨率為2592×1944，通過圖像分割，將圖像以大小為200×150像素的非重疊塊進行分割，以此建立皮革表面圖像數據庫，其中包括180 張有缺陷圖像和60 張無缺陷圖像。1.2 圖像增廣圖像增廣是一種對圖像進行處理，產生相似但不相同的樣本，以擴
西部皮革 2022年5期2022-03-17
- 基于多層感知器神經網絡的鍋爐再熱蒸汽溫度預測
，建立基于多層感知器神經網絡(MLP)的再熱蒸汽溫度預測模型，并與長短時記憶神經網絡(LSTM)以及支持向量機(SVM)進行了對比。1 研究對象與方法1.1 研究對象本文的研究對象為某1 000 MW超超臨界燃煤鍋爐。該鍋爐采用單爐膛Λ型布置方式、尾部雙煙道，爐膛采用內螺紋管螺旋管圈＋混合集箱＋垂直管水冷壁，中速磨正壓直吹式制粉系統(tǒng)，配6臺磨煤機(5臺運行1臺備用)，裝設48只旋流式低NOx燃燒器，前后墻布置，對沖燃燒。過熱器為輻射對流式，再熱器純對流布置
湖南電力 2022年1期2022-03-03
- 高中人工智能——初探感知器（下）
類直線的位置。感知器就是訓練分類器的一種算法，在分類模型形式確定的情況下，可以通過感知器訓練算法獲得模型的參數，進而獲得分類器。感知器訓練算法本質上是一種迭代算法，通過不斷修正參數減少誤分類的程度。因此，感知器訓練算法不同于最小二乘法，感知器訓練算法不是一步到位求取模型的參數，是不斷迭代、不斷接近最優(yōu)的分類位置。迭代的快慢依賴于問題的復雜程度和迭代過程中一些初始參數和學習率的選擇。高中學生初次接觸迭代算法，要理解迭代算法不能給出一步到位的解析解的原因，應先
中國科技教育 2022年1期2022-03-01
- 基于神經網絡的上海市中老年人群膽囊結石風險預測模型研究
，建立基于多層感知器神經網絡的膽囊結石風險預測模型，為膽囊結石的診斷與預防工作提供依據。1 膽囊結石風險預測模型研究綜述1.1 膽囊結石預測模型相關研究膽囊結石患病的機理復雜、相關風險因素較多，國內外膽囊結石的風險預測模型所納入的風險因素具有顯著性差異，膽囊結石預測模型的準確率還有待于進一步提高，其相關典型研究見表1。表1 膽囊結石風險因素及預測模型相關研究1.2 多層感知器神經網絡建立流程風險因素識別是建立預測模型的基礎，早前研究大多根據病例相關檢查或經
衛(wèi)生軟科學 2021年12期2021-12-15
- 液壓挖掘機合流閥的控制算法研究
缺點提出了多層感知器神經網絡算法。3 多層感知器神經網絡算法機器學習中多層感知器是為了解決單個神經元非線性能力不足的問題，理論上兩層神經網絡能夠擬合任意函數。本文研究以合流閥的電流為輸出Y，合流閥壓差和流量為X進行特征值提取，訓練兩層神經網絡。單個神經元的激活函數選取ReLu 函數，損失函數選取均值平法差，訓練方法采用梯度下降算法。具體的算法實現過程如圖3所示，算法整體分為數據集處理、多層感知器神經網絡訓練、多層感知器模型的輸出3 個部分。圖3 多層感知器
建筑機械化 2021年11期2021-11-26
- 基于MLP網絡軸承故障診斷
頻率。2 多層感知器網絡開發(fā)2.1 理論基礎故障診斷的本質是在分析故障癥狀的基礎上，由癥狀推斷故障原因，多層感知器（Multi-layer Perceptron）網絡簡稱MLP網絡，模擬生物學人體大腦的推斷功能從而進行故障診斷和模式分類[2]。MLP網絡的建立是為運用計算處理器和邏輯電路實現模式識別功能，因此其感知器單元運算過程與計算機運行原理相似[3]，接收來自外界的輸入值，數據分析后輸出二進制數表是否關系。模式識別的數學分析模型是以多個數值描述某個待識
汽車實用技術 2021年18期2021-10-11
- MLP多層感知機
a學習規(guī)則用于感知器的訓練步驟，這種方法后來被稱為最小二乘方法，這兩者的結合創(chuàng)造了一個良好的線性分類器，這個發(fā)現引起了第一波的AI浪潮，因為人們認為簡單的感知機可以實現分類功能，那通過組合可以實現更復雜的功能，但是后面發(fā)現感知機無法模擬異或問題、無法處理非線性問題，第一波浪潮就這樣沉入了低谷。但是依然有人在研究，2006年，Hinton提出了DBN，解決了更深層次的網絡是可以通過一些策略更好的訓練來實現，引起了深度學習的第三波浪潮。神經網絡深度學習的發(fā)展加
江蘇廣播電視報·新教育 2021年2期2021-09-10
- 不同人工神經網絡在字母識別中的性能比較研究
分類問題，選取感知器網絡、BP網絡和霍普菲爾德網絡進行英文字母識別實驗，并對這三種網絡的表現進行對比研究。1 創(chuàng)建網絡1.1 輸入、輸出矢量創(chuàng)建網絡前要先對字母進行數字化處理，從而獲得網絡的輸入輸出。輸入矢量根據26個字母確定。每個字母進行網格化處理后可以被表示為5×7的矩陣，進行簡單變換即可生成一個行數為35的列向量，共有26個字母，因此輸入矢量Pr×q是35×26的矩陣[2]。每個輸出包括25個0和1個1，其中1按照字母順序（從A到Z的字母表順序）從第
物聯網技術 2021年8期2021-08-26
- 火箭貯箱噴涂機器人直接示教運動感知器設計與分析
行器之間的示教感知器，并對感知器進行了結構和電路系統(tǒng)設計及力學分析，為實現人機交互的示教辨識與機器人運動控制提供條件。1 直接示教運動感知器設計1.1 感知器總體方案設計通過對貯箱噴涂工況和需求進行分析，所設計的感知器需要可靠連接于機器人末端，通過敏感元件有效感知人的示教引導運動，并將其轉換為控制系統(tǒng)方便采集和處理的電量信息。末端噴涂工具配置種類復雜、重量大，感知器需在可靠承載末端大負載的同時，不影響對人相對較小的物理交互運動的感知。制定感知器本體的結構和
傳感器與微系統(tǒng) 2021年7期2021-07-15
- 基于多層感知器的流體識別
數據，利用多層感知器的高度非線性全局作用與自學習功能，建立研究區(qū)低滲儲層流體識別模型。1 基本地質特征文昌A凹陷是南海北部大陸邊緣中珠江口盆地下珠三拗陷的一個次一級構造單元，同時該凹陷的地理位置的表現中為西部與文昌C、文昌B凹陷相連，北部與陽江低凸起相接，南部與神狐隆起相鄰，受珠三斷裂的控制，文昌區(qū)地層發(fā)育較為完整，自下而上發(fā)育了古近系神狐組、文昌組、恩平組、珠海組和新近系珠江組、韓江組、粵海組、萬山組以及第四系地層。其中珠海組是勘探開發(fā)中的主要地層，珠海
化工設計通訊 2021年4期2021-04-30
- 基于仿真大光斑激光雷達和多層感知器的森林地上生物量估算模型構建
個隱含層的多層感知器和多元線性回歸模型分別估算長白落葉松人工林地上生物量,證實了多層感知器的優(yōu)勢[12]。盡管人工神經網絡已用于森林地上生物量估測,然而目前的人工神經網絡大多是淺層神經網絡,即隱含層數較少。相關研究表明,與淺層神經網絡相比,基于多隱含層的人工神經網絡具有更強的表示能力,可挖掘出數據中更多的有用信息[13]。但更多的層數會帶來更多的模型參數,需要更多的樣本訓練模型,而樣地調查數據往往不能滿足訓練樣本的數量要求。為解決訓練樣本不足的問題,本文利
林業(yè)資源管理 2021年1期2021-03-27
- 面向信息物理融合的建筑信息模型擴展方法
領域密切相關的感知器、控制器和執(zhí)行器等要素實體，進而形成反饋閉環(huán)，是一種行之有效的技術手段。圖1 基于反饋閉環(huán)的CPS技術要素構成Fig. 1 Abstract of elements in CPS based on feedback loop2 面向信息物理融合的BIM擴展總體框架2.1 基本實現思路BIM在本質上是基于面向對象思想對建筑物理世界的一種相對嚴格的信息描述，即BIM 空間中的虛擬實體是建筑空間中物理實體的對偶映射。但現階段的BIM 框架所支
同濟大學學報（自然科學版） 2020年10期2020-12-04
- 基于核磁共振錄井數據的多層感知器神經網絡對蘇里格氣田南區(qū)的評價預測
模糊信息，多層感知器神經網絡方法又具有較好的識別能力和判別分析效果，因而利用已知的錄井數據資料作為樣本，通過智能訓練學習，對未知井的錄井數據進行識別預測，可以建立儲集層含氣性識別的網絡模型。本文以蘇里格氣田南區(qū)主要產氣層山西組及石盒子組儲集層為例，通過收集該地區(qū)近幾年試氣井段核磁共振錄井數據和試氣結論，利用一種基于多層感知器神經網絡方法進行快速智能解釋評價預測，該方法可以極大地提高錄井資料評價識別速度和識別的準確度，為儲集層含氣性識別提供參考依據。1 研究
錄井工程 2020年3期2020-10-28
- 基于大數據分析的在線學習算法理論探究
的線性模型1.感知器的在線學習算法在當前大數據分析為基礎的在線學習算法中，產生了多種不同的算法，然而就應用范圍來看，感知器的應用是最為廣泛的一種。這是一種屬于機器學習仿生學領域的分類學習機的模型，其算法具有較高的復雜度，在當前機器算法領域中有著非常廣泛的應用。其主要算法原則為[3]：在正確分類的前提下，無需對其權重實施變化，因此對其實施“賞”；在錯誤分類的前提下，則應當對其發(fā)生的錯誤予以修正，就是調整其方向，因此應當針對其權重實施“罰”。然后，針對全部錯誤
科學咨詢 2020年32期2020-08-08
- 基于多層感知器和運動軌跡的海上目標類型識別?
了一種基于多層感知器（Multi-Layer Perceptrons，MLP）的艦船類型識別方法，建立了多層感知器網絡模型，建立了艦船運動軌跡數據集，通過分析艦船運動軌跡識別艦船類型，可迅速對大量艦船目標進行分類，準確地識別艦船類型。2 多層感知器原理如圖1所示，多層感知器包含很多依次相連的網絡層，網絡層的全長稱為模型的深度［4］。圖1 多層感知器其中，第一層為輸入層，最后一層為輸出層，其他網絡層是隱層。若感知器網絡無隱層，則是單層感知器網絡，單層感知器網
艦船電子工程 2020年3期2020-06-11
- 基于多層感知器神經網絡的智能分類算法
00）1 多層感知器神經網絡拓撲結構1.1 四層作業(yè)架構多層感知器神經網絡，重視以較多的層次進行復雜信息快速處理，擬構建四層作業(yè)架構，拓撲結構見圖1。圖1 多層感知器神經網絡拓撲結構對該結構進行分析可發(fā)現，其特點在于增設了兩個中間層次，基層仍負責海量信息的直接收集和處理，之后反饋給中層，再由中層反饋給高層。此過程中所有信息不斷得到優(yōu)化和加工，有助于實現高效率的分析和決策。1.2 不同層次功能基層的功能在于直接進行海量信息的直接收集，并對其進行初步加強，使完
通信電源技術 2020年5期2020-04-21
- 基于數據分析方法的動力電池系統(tǒng)濫用故障診斷*
LOF）算法和感知器網絡的電池濫用故障診斷處理方法。利用LOF算法找出數據集中的異常數據點，利用經過算法處理后的數據對感知器進行訓練，在感知器中對數據集進行快速分類，進而判斷電池是否發(fā)生了濫用故障。1 LOF算法LOF算法是一種聚類分析方法。圖1所示為一個聚散分布非常明顯的數據集。在這個數據集中，C1區(qū)域內各點的距離比較平均，點密度及離散分布情況基本一致，可以視作同一簇數據。同理，C2區(qū)域內的點也可以認為是同一簇數據。而對于圖中的o1、o2點，它們相對于
新能源進展 2020年1期2020-03-09
- 基于半監(jiān)督學習的多層感知器生成對抗網絡
提出半監(jiān)督多層感知器生成對抗網絡(Semi-Supervised Multilayer Perceptron Generative Adversarial Network,SMPGAN),采用多層感知器卷積層代替SGAN判別器上的線性卷積層對底層概念的每個局部特征做一個更好的抽象,并接收大量無標記數據、少量標記數據,以及生成器生成的數據以提高正確分類率,解決了監(jiān)督分類中因標記數據太少產生的模型泛化能力不強的問題;在生成器上使用特征匹配,能夠將生成數據分布盡
小型微型計算機系統(tǒng) 2019年11期2019-12-04
- 基于貝葉斯和F-measure感知機的分類器設計
measure感知器當樣本在混合交叉域內時，貝葉斯分類器容易出錯。感知器算法適用于小樣本，它是收斂算法，具有計算簡單、存儲容量小和易于實現等優(yōu)點。F-measure 在分類器分析和設計中起著至關重要的作用。F-measure被認為是測試有效性的有效措施。1.1 F-measure 評估標準當樣本特征相互依存時，分類容易出錯。為了解決這個問題，本文提出一種新的分類算法。在本文中假設有兩個類ω+，ω-，定義C={ω+,ω-}為可能類的集合，其中，ω+表示為正相
現代電子技術 2019年21期2019-11-13
- 智能控制課程中英雙語教學方法研究與教學案例設計
內容為例，基于感知器和多層感知器知識點分別設計了兩個講授案例和兩個上機實驗案，見表2。針對雙語內容，案例1 幫助學生掌握感知器（組成前饋神經網絡的基本元素）的相關中英文術語；案例2 在此基礎上引入感知器訓練算法，幫助學生掌握機器學習模型評估指標的術語；案例3 引入多層感知器誤差逆?zhèn)鞑ニ惴?，幫助學生掌握鏈式法則、梯度、最小二乘法等術語的英文表達和描述，同時引導學生閱讀多層感知器模型的誤差逆?zhèn)鞑ニ惴ǔ绦?；案? 以鳶尾花和MINST 手寫體數字識別數據集為基礎
計算機教育 2019年10期2019-10-23
- 基于多層感知器神經網絡的人體尺寸預測研究
闞 燕基于多層感知器神經網絡的人體尺寸預測研究邢英梅1,3,4，王竹君，[1] 王建萍2*，闞 燕1（1. 安徽工程大學 紡織服裝學院，安徽 蕪湖 241000；2. 東華大學 服裝與藝術設計學院，上海 200051； 3.“紡織面料”安徽省高校重點實驗室，安徽 蕪湖 241000；4. 安徽省紡織工程技術研究中心，安徽 蕪湖 241000）準確、智能的人體尺寸預測技術，在互聯網與服裝業(yè)深度融合的當前，有助于服裝企業(yè)提高服裝制板的準確率和工作效率，提升企業(yè)
武漢紡織大學學報 2019年4期2019-08-27
- 感知器在礦井突水水源識別中的應用
測量的工作量。感知器是一種線性神經網絡分類器，具有訓練簡單可靠的優(yōu)點。能否構造盡可能簡單的感知器模型識別礦井突水水源，是本文研究的問題。1 感知器模型及其訓練方法感知器結構見圖1，其輸入輸出關系可以表示為式(1)。y=f(wx-θ)(1)式中：x=[x1,x2,…,xm]T∈Rm、y=[y1,y2,…,yn]T∈Rn分別為感知器的輸入向量和輸出向量；w=[w1,w2,…,wm]∈Rn×m為權值矩陣；w的第k(k=1,2,…,m)列wk=[w1k,w2k,…
中國礦業(yè) 2019年7期2019-07-26
- 城鎮(zhèn)燃氣供銷差控制管理方法
）神經網絡多層感知器是一種前饋人工神經網絡模型，其將輸入的多個數據集映射到單一的輸出的數據集上。多層感知器的一個重要特點就是多層，通常將第一層稱之為輸入層，最后一層稱之為輸出層，中間的層稱之為隱層。多層感知器并沒有規(guī)定隱層的數量，因此可以根據各自的需求選擇合適的隱層層數，對于輸出層神經元的個數也沒有限制。二、采暖用戶的指標庫針對于不同類型的用戶，辨識用戶用量異常的指標不盡一致，本文以我國某大型城市燃氣企業(yè)的采暖鍋爐房用戶為分析對象，根據查表及遠傳采集監(jiān)控系
城鄉(xiāng)建設 2019年12期2019-07-02
- 淺析人工神經網絡及其應用模型
；神經元模型；感知器；深度學習中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2019）233-0137-2現代電子計算機作為信息處理工具，借助高速數值運算和精確的邏輯運算能力，極大地拓展了人腦的能力，在信息處理和控制決策等各方面為人們提供了實現智能化和自動化的先進手段。然而，半個世紀以來，基于馮氏原理的現代計算機，受限于傳統(tǒng)邏輯運算規(guī)則，在學習認知、記憶聯想、推理判斷、綜合決策等方面的信息處理能力遠不能達到人腦的智能水平[ 1 ]。近10
科技傳播 2019年8期2019-05-10
- 人工神經網絡在導引頭去耦中的運用*
,可以采用多層感知器神經網絡進行力矩補償。多層感知器網絡有較強的分類能力,能夠處理非線性的問題,主要包括輸入層、隱含層和輸出層,其中隱含層可以是一層或多層,可以完成較復雜的任務。對于多層感知器中的每個神經元來說,激活函數通常取可微的函數,比如sigmoid函數:(3)式中:ui是第i個神經元的輸入信號;vi表示第i個神經元的輸出信號。2.1 生物神經元的結構人工神經網絡實際上是從生物神經網絡發(fā)展而來的,對于一個人而言,在大腦皮層大約有100億個神經元,60
彈箭與制導學報 2018年2期2018-12-21
- 基于人工智能的障礙物檢測方法庫研究
檢測方法：多層感知器神經網絡、自組織特征映射和支持向量機。最后給出了這些方法的比較結果。對比研究結果表明，所提出的障礙物檢測方法能夠有效地檢測行人。在分類模型的訓練和驗證階段，多層感知器和支持向量機得到了最好的結果，而自組織數據地圖表現不佳。此外，還進行了第二次的評估實驗，其中包括在不同天氣條件下基于傳感器提供的感官數據對行人目標進行檢測。在第二次評估中，所有的方法都能夠對行人進行很好的分類。多層感知器在晴朗和多霧的環(huán)境中提供了非常好的效果，但同時在多云和
汽車文摘 2018年2期2018-11-27
- 基于深度學習的環(huán)境聲音識別
t 第一次引入感知器， 從此感知器作為神經網絡中的一個分支概念[5] 而進入學界視野。在此基礎上，Raudys提出單層感知器[6]，其中只包含輸入層和輸出層，且兩者直接相連，而單層感知器也是一種最簡單的神經網絡。1989年提出的多層感知器[7]，組成結構即是在單層感知器的設計上加入了一層隱藏層，多層感知器是最早具備深層結構的神經網絡。在1986年，由Rumelhart等人提出誤差反向傳播算法（Error Back Propagation， BP）[8]，給
智能計算機與應用 2018年5期2018-10-20
- 基于多層感知器神經網絡的學生校內消費評估研究
器學習中的多層感知器神經網絡算法，通過學習已給定學生的校內消費數據，建立多層感知器神經網絡模型，最后用建立完成的模型去評估并輸出結果。二、神經網絡神經網絡是一種模擬人腦的神經網絡系統(tǒng)，以期能夠實現類人工智能的機器學習技術。1.神經元基本結構神經元模型是一個包含輸入、輸出與計算功能的模型。輸入可以類比為神經元的樹突，而輸出可以類比為神經元的軸突，計算則可以類比為細胞核。一個典型的神經元模型如圖1所示。圖1 神經元基本結構圖 1中，SUM為求和，SGN為非線性
中國教育信息化 2018年14期2018-08-01
- 基于WI-Zig技術的人居室內溫度智能感知與控制系統(tǒng)設計
器集成構成溫度感知器、ZigBee模塊與紅外學習模塊構成溫度控制器。智能網關作為整個系統(tǒng)的控制中心，負責感知指定區(qū)域內是否存在合法手機用戶，如果存在合法手機用戶，則向溫度感知器下達溫度檢測指令，然后接收并分析來自溫度感知器傳來的實時溫度，最后根據分析結果決策是否向溫度控制器下達溫度控制命令。溫度感知器只負責感知環(huán)境溫度并將結果實時傳送給智能網關做分析處理。溫度控制器接收到智能網關調控溫度指令后，通過紅外學習模塊向空調發(fā)送紅外指令實現對空調的控制。該系統(tǒng)的總
電子世界 2018年5期2018-04-03
- 模式識別的斜拉橋損傷診斷動力指紋與識別算法
精確度高的多層感知器識別算法及其提高該算法預測準確率的裝袋集成算法。最后給出一座單塔雙跨雙索面斜拉橋的多種識別算法的損傷診斷過程和結果，得到一種可包容測試隨機誤差的高精確度斜拉橋損傷診斷評估模型。斜拉橋；損傷診斷；模式識別；動力指紋；識別算法斜拉橋損傷診斷是斜拉橋健康監(jiān)測系統(tǒng)的重要組成部分和核心，其方法對健康監(jiān)測系統(tǒng)有效性起決定性作用。按是否有反演可分為基于模型修正的損傷診斷方法和基于模式識別的損傷診斷方法兩大類[1]?；谀Ｊ阶R別的損傷診斷方法屬無反演的
土木與環(huán)境工程學報 2016年4期2016-12-07
- 融合遮擋感知的在線Boosting跟蹤算法
健性。2 遮擋感知器為了提高在線Boosting跟蹤算法在遮擋環(huán)境下的頑健性，一個合理的思路是引入遮擋感知機制，在未感知到遮擋時，采集目標區(qū)域的正樣本進行分類器更新；在感知到遮擋后，自適應調整分類器更新策略，暫不進行基于正樣本的分類器更新。本節(jié)將從遮擋感知方法、局部特征選擇、模糊特征過濾以及感知器更新4個方面進行介紹。2.1 遮擋感知方法如圖1所示，遮擋物對目標進行遮擋是一個時變的過程，假設在第k幀，遮擋物即將遮擋目標，遮擋物一般會先出現在背景域RB（圖
通信學報 2016年9期2016-11-24
- 模式識別的斜拉橋損傷診斷動力指紋與識別算法
精確度高的多層感知器識別算法及其提高該算法預測準確率的裝袋集成算法。最后給出一座單塔雙跨雙索面斜拉橋的多種識別算法的損傷診斷過程和結果，得到一種可包容測試隨機誤差的高精確度斜拉橋損傷診斷評估模型。關鍵詞：斜拉橋；損傷診斷；模式識別；動力指紋；識別算法中圖分類號：U448.27文獻標志碼：A 文章編號：16744764（2016）04011509斜拉橋損傷診斷是斜拉橋健康監(jiān)測系統(tǒng)的重要組成部分和核心，其方法對健康監(jiān)測系統(tǒng)有效性起決定性作用。按是否有反演可分為
土木建筑與環(huán)境工程 2016年4期2016-10-28
- 基于元素組成的多層感知器神經網絡巖性識別
元素組成的多層感知器神經網絡巖性識別張濤1,2，張金功1，張小莉1，瞿曉婷2(1.西北大學地質系/大陸動力學國家重點實驗室，陜西 西安 710069；2.西北大學 信息科學與技術學院，陜西 西安 710069)利用元素俘獲譜測井法得到的主要造巖元素信息，區(qū)分被測地層的巖性成因大類屬性。通過收集、分析大量的沉積巖和巖漿巖的主要造巖元素含量實測數據，構建并訓練多層感知器人工神經網絡模型，最終得到了利用巖石主要元素組成數據區(qū)分樣品本身巖性成因的一種方法。模型通過
地下水 2016年5期2016-10-21
- 基于神經網絡和遺傳算法的螺旋折流板換熱器性能預測
算法優(yōu)化的多層感知器神經網絡預測模型，比較了遺傳算法優(yōu)化與否的預測誤差以及訓練預測過程中的誤差，并將其泛化能力與回歸關聯式進行了對比。將試驗與模擬所得到的數據結合，進一步地對模型進行訓練，建立了適用范圍更廣的螺旋折流板換熱器殼程換熱系數與壓降預測模型。1 螺旋折流板換熱器中試試驗螺旋折流板換熱器中試試驗裝置流程圖如圖1所示。系統(tǒng)包括2個獨立的循環(huán):冷卻工作介質及加熱工作介質循環(huán)系統(tǒng)，建立了管殼式換熱器中試試驗平臺對3臺螺旋角分別為7°、13°和25°的螺旋
化學工業(yè)與工程 2016年4期2016-04-11
- 鐵路貨車車輪超聲波在線檢測中的缺陷識別算法
基于神經網絡的感知器原理，結合現場檢測要求，對傳統(tǒng)的感知器分類算法進行改進，以獲取無漏檢、最小誤檢的分類器，以及良好的缺陷識別效果。1 貨車車輪超聲波在線檢測的缺陷識別算法現行鐵路貨車車輪超聲波在線檢測的實現方式主要有電磁超聲、隨動式超聲波探頭、陣列超聲波探頭[4]等，其中陣列探頭式超聲波檢測方式(見圖1)具有檢測靈敏度高、噪聲干擾小、檢測效率高等優(yōu)點，目前在檢測現場得到了實際應用。圖1 車輪的陣列探頭式超聲波在線檢測車輪超聲波在線檢測，特別是采用多個超聲
中國鐵道科學 2016年5期2016-04-10
- 基于感知器的中文分詞增量訓練方法研究
001)?基于感知器的中文分詞增量訓練方法研究韓 冰，劉一佳，車萬翔，劉 挺(哈爾濱工業(yè)大學 計算機學院社會計算與信息檢索研究中心，黑龍江 哈爾濱 150001)該文提出了一種基于感知器的中文分詞增量訓練方法。該方法可在訓練好的模型基礎上添加目標領域標注數據繼續(xù)訓練，解決了大規(guī)模切分數據難于共享，源領域與目標領域數據混合需要重新訓練等問題。實驗表明，增量訓練可以有效提升領域適應性，達到與傳統(tǒng)數據混合相類似的效果。同時該文方法模型占用空間小，訓練時間短，可以
中文信息學報 2015年5期2015-04-21
- 基于ORL數據庫的快速人臉認證技術的研究
庫對變形的多層感知器算法進行了研究，獲得97.9%的準確率。Fan Ou 和Zhaocui Han[10]通過CCA(Canonical Correlation Analysis，典型相關分析)+LDA 的方法把FRR100 和FAR1000 指標降低了30%以上。對于認證問題，可以看做識別問題的簡化，問題可以歸為兩類:是本人或者不是本人。解決認證問題目的是找一個分界，盡可能好的區(qū)分這兩類。在這種情況下，可以使用運算速度相對較快的線性判別方法。用一個兩維的
科技傳播 2014年12期2014-11-25
- 深度神經網絡的快速學習算法
浪潮.1 多層感知器的原理和相關研究1.1 神經元神經元［1］是受生物神經元啟發(fā)而得到的計算模型.它接收到一些輸入(類比于突觸)，然后與對應的權值相乘(對應于信號的強度)并求和，然后由一個數學函數來決定神經元的輸出狀態(tài).作為計算模型，它按表達式 t=f(∑wixi+b)產生輸出，在式中，輸入為xi到xn，對應權值分別為wi到wn，偏置值是 b，將這些值對應相乘后送入累加器(SUM)，累加器的輸出會被送入一個傳輸函數(或稱激活函數，f)，由f產生最終輸出t.
嘉應學院學報 2014年5期2014-11-08
- 生絲生產過程中纖度變化的不確定性分析及防范措施
括短杠桿型纖度感知器（含纖度調節(jié)機構）、探索添緒機構和移動式雙爪給繭機，用于控制繅制的生絲纖度規(guī)格、纖度偏差和生絲勻度等質量指標，見圖4。給繭添緒裝置(該裝置主要由給繭機組成，當給繭機運行到全機兩端索理緒機的自動加繭部時，按自動探量機構發(fā)出的加繭信號，由自動加繭機構按需將正緒繭加入給繭盒10中（見圖4)。1 自動繅絲機的組成及工作原理簡介1.1 縱向組成及工作原理簡介該機的縱向組成如圖1所示。圖1 自動繅絲機的縱向組成示意圖1、電動機及主傳動箱；2、自動探
江蘇絲綢 2014年4期2014-10-16
- 感知器神經網絡模型研究
332005)感知器神經網絡模型研究何立群1占永平2(1九江學院信息科學與技術學院；2九江學院信息技術中心 江西九江 332005)文章介紹人工神經網絡中的典型模型單層感知器和多層感知器，給出標準的感知器學習算法及算法的實現步驟，在此基礎上介紹了感知器神經網絡模型的改進算法，并對這些算法的特點進行了分析。感知器，神經網絡，多層感知器感知器是人工神經網絡中的一種典型結構，它的主要的特點是結構簡單，對所能解決的問題存在著收斂算法，并能從數學上嚴格證明，從而對神
九江學院學報(自然科學版) 2014年4期2014-09-05
- 基于MLP傳感器的非線性校正
多不便.將多層感知器網絡（MLP）引入傳感器的數據融合中，抑制傳感器交叉敏感應度，使傳感器的精度大大提高.1 數據融合技術1.1 誤差分析及原理 溫度對電渦流傳感器的傳感頭的影響有兩方面，一是溫度升高或降低使傳感頭材料熱脹冷縮；二是溫度變化導致傳感器線圈幾何尺寸和電參數發(fā)生變化.這兩方面的影響都使傳感器輸出特性發(fā)生變化，產生測量誤差［11］.電渦流傳感器數據融合包括電渦流傳感器、溫度傳感器和融合算法.將渦流傳感器的輸出電壓US作為我們的目標參量，溫度傳感器
湖北大學學報(自然科學版) 2014年2期2014-08-20
- 核動力系統(tǒng)神經網絡故障診斷專家系統(tǒng)研究
生式規(guī)則表示和感知器神經元表示圖1 產生式規(guī)則(a)與感知器(b)產生式規(guī)則表示法也叫規(guī)則表示法，是專家系統(tǒng)中最常用的一種表示方法[2]。它具有統(tǒng)一的IF-THEN結構，是最常用的知識表達方式，其規(guī)則形式如圖1a所示，其中C1,C2,…,Cm為規(guī)則前件，表示規(guī)則需滿足的m個條件，相互之間為“and”(并且)關系；R為規(guī)則后件，即滿足相應的前提條件后產生的結論。對于多個前件之間或后件之間連接為“or”(或者)關系的規(guī)則，均可轉換為若干并集。感知器是一種具有單
原子能科學技術 2014年8期2014-08-08
- 基于感知器算法的維吾爾語詞性標注研究
意義。本文使用感知器算法進行維吾爾語的詞性標注。目前基于感知器算法的模型在各個領域都表現出很好的性能，本文主要利用感知器算法的優(yōu)點，在進行詞性標注時利用詞的上下文信息作為特征，在維吾爾語詞性標注中取得了好的效果。2 相關工作目前詞性標注方法可分為3類： 基于規(guī)則的詞性標注方法、基于轉換的錯誤驅動詞性標注方法以及基于統(tǒng)計的詞性標注方法。1) 基于規(guī)則的詞性標注方法基于規(guī)則的詞性標注方法首先由語言學家制定相應的規(guī)則，在規(guī)則中使用大量的上下文信息來對詞性進行判斷
中文信息學報 2014年5期2014-02-27
- 基于主成分分析的超聲人臉識別算法研究
ier）算法和感知器算法［6］對降維后的特征向量分類，進行了100人的自由表情臉識別仿真實驗，識別正確率最高可達80%以上。1 超聲人臉識別1.1 基本原理依據多散射中心模型［7］，在超聲探測模式下，人臉可等效成一系列散射中心。不同人臉的多散射中心主要包括兩個方面的不同，散射中心相對位置和散射中心在超聲波激勵下頻率響應特性。超聲人臉識別的主要思想是從回波中提取散射中心的相對位置信息，以及散射中心在超聲波激勵下頻率響應信息，并通過有效地處理，從這些信息中提取
計算機工程與設計 2013年8期2013-09-11
- 瀝青路面抗滑性能神經網絡預測模型研究
。本文利用模糊感知器網絡建立抗滑能力的預測模型，對抗滑指標值進行預測。1 神經網絡理論原理人工神經網絡是由大量被稱為神經元的節(jié)點構成的系統(tǒng)。典型的人工神經元模型如圖1所示，具體算法如下：式中，θi為閾值；Wij稱為連接權系數；Yi=f（·）為變換函數。圖1 人工神經元模型2 模糊感知器算法（權系數的計算）模糊感知器算法計算過程如下：a）定義樣本集合為D＝｛xm｝，m為總樣本個數‖D‖；b）給定初值：任取Wi（0）=λxi，其中λ＞0為適當常數，xi為學習樣
交通運輸研究 2013年10期2013-06-10
- 基于感知器神經網絡的金屬磁記憶檢測管道缺陷分析
可能造成誤差。感知器神經網絡(Perceptron Neural Network，PNN)是人工神經網絡中的一種分類效果較好的方法［5］，文中將該模型用于管道缺陷檢測的識別分析。1 感知器神經網絡的原理與方法1.1 感知器神經網絡的基本原理感知器是前向型單神經元的網絡，其網絡基本結構如圖1。其中:ωi表示第i 個神經元與感知器的連接權重;xi表示第i 個神經元的狀態(tài)，i=1，2，…，n。感知器的外部輸入數據為研究對象的自變量指標值，輸出為感知器的狀態(tài)值，由
機床與液壓 2013年9期2013-03-17
- 基于多層感知器的某礦職工呼吸系統(tǒng)的識別預測*
預測。1 多層感知器的神經網絡的基本概念1.1 神經網絡的基本概念人工神經網絡(artificial neural networks，ANN)系統(tǒng)是20世紀70年代后出現的。它是由眾多的神經元可調的連接權值連接而成的，具有大規(guī)模并行處理、分布式信息存儲、良好的自組織自學能力等特點。這由于神經網絡具有這些特點，導致在信息處理、模式識別、智能控制及系統(tǒng)建模等領域得到越來越廣泛的應用。尤其誤差反向傳播算法(Error Back-Propagation Train
九江學院學報(自然科學版) 2012年2期2012-12-03
- 帶遞歸單元的模糊感知器的δ-規(guī)則的有限收斂性
自然的方法是對感知器引入反饋連接,其學習和訓練依舊以前傳為主,同時又包含反饋連接。這種網絡的反饋使其輸出不僅依賴當前的輸入,還和上一時刻的輸出有關,從而使網絡具有動態(tài)記憶能力。文獻[1-3]對最簡單的模糊神經網絡即模糊感知器提出一種學習算法,并證明在一定條件下,該算法的有限收斂性。本文將對帶遞歸單元的模糊感知器的學習算法收斂性問題進行研究。1 帶遞歸單元的模糊感知器網絡結構及算法1.1 帶遞歸單元的模糊感知器結構ζ(ξk)=g(max(W°ξk,λ∧ζk-
大連工業(yè)大學學報 2012年5期2012-09-25
- 基于多層感知器神經元的空間柔性機器人位置跟蹤控制*
01)基于多層感知器神經元的空間柔性機器人位置跟蹤控制*張文輝1，馬 靜2，高九州1(1.哈爾濱工業(yè)大學航天學院，哈爾濱150001；2.東北農業(yè)大學工程學院，哈爾濱150001)針對基體位置及姿態(tài)均不受控的自由漂浮柔性空間機器人軌跡跟蹤問題，提出了一種前饋多層感知器(MLP)神經網絡控制策略.建立了末端柔性的自由漂浮基機器人的耦合動力學模型，再利用MLP神經網絡良好的逼近能力來自適應補償非線性柔性臂的逆動力學模型，其誤差代價函數由PID控制器提供，權重及
空間控制技術與應用 2011年1期2011-11-24
- 自動繅纖度控制要點總結
細微落細變化時感知器就能做出反應，從而完成添緒任務；及時性是指絲條一落細就發(fā)出添緒信號，添緒完成則消除添緒信號；示值穩(wěn)定性是指絲條在整個纖度控制過程中，細限纖度一直保持穩(wěn)定狀態(tài)，不隨外界條件變化而產生變化，生絲纖度永遠落在細限纖度至細限纖度加一粒新繭的繭絲纖度之間。一致性屬于緒間偏差問題，靈敏性、及時性、示值穩(wěn)定性屬于緒內偏差問題。自動繅纖度控制就是要求絲條一旦產生落細就發(fā)出添緒信號，落細的標準要求每一緒都是統(tǒng)一值，機械根據落細信號進行添緒，添緒完成則消除
絲綢 2011年1期2011-10-13
- 人工神經網絡的方法及應用初探
神經網絡。4.感知器網絡4.1 感知器模型感知機模型由感知層S（Sensory）、連接層A（Assocation）、反應層R（Response）三層構成。圖1 形式神經元模型4.2 感知機的結構感知機是人們?yōu)榱搜芯看竽X的存貯、學習和認識過程而提出的一種神經網絡模型基本感知機是一個兩層網絡，分為輸入層和輸出層，每層可由多個處理單元構成，輸入層單元接收外部輸入模式，并傳遞給相連的輸出層單元；輸出層單元對所有輸入值加權求和，經閾值性傳遞函數產生一組輸出模式。通常
電子世界 2011年10期2011-06-02
- 帶遞歸的模糊感知器有限收斂性
2]提出了模糊感知器的一些學習算法；文獻[3]對0階Takagi－Sugeno推理系統(tǒng)的學習算法進行了收斂性證明；文獻[4、5]對多層模糊感知器進行了研究.具有遞歸環(huán)節(jié)的動態(tài)模糊神經網絡可以解決靜態(tài)網絡無法處理的暫態(tài)問題.FRNN（模糊遞歸神經網絡）通過在網絡輸入層中加入遞歸連接，使網絡具有動態(tài)映射能力，從而對動態(tài)系統(tǒng)有更好的響應.如果訓練樣本線性可分，傳統(tǒng)的感知器算法能在有限步確定一個線性決策邊界，從而分離這兩類訓練樣本[6、7].對于模糊感知器，文獻[
大連理工大學學報 2011年6期2011-05-31