论文部分内容阅读
改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.
改进类电磁机制算法预测应用
【摘 要】
：
改进类电磁机制算法,优化一种新的神经网络预测模型,应用于求解复杂的水质预测实际问题.实验数据采集黄河兰州段新城桥监测断面177组监测数据,其中前154组为模型训练数据,后23组为模型测试数据,与经典预测模型对比,改进算法优化的新模型预测结果均方误差较小,误差稳定性好,预测结果更准确.
【机 构】
：
长安大学信息工程学院 西安 710064
【出 处】
：
计算机与数字工程
【发表日期】
：
2022年2期
其他文献
脑肿瘤MRI图像形态各异,类别严重不平衡,采用传统机器学习的半自动分割或深度学习的全自动分割方法,分割精度都不高.针对此问题,文章将3D U-Net[1]模型改进成一个层数更深的网络模型,此结构可以提取更多图像特征,但同时会导致网络难以训练,收敛过慢.为应对这种情况设计了一个叠加式残差块,在保留更多图像特征的同时,避免了深层网络无法收敛的问题.另外以混合损失函数代替传统Dice损失函数,可以增加脑肿瘤像素区域对总损失的贡献,提高稀疏分类错误对模型的惩罚,缓解数据类别不平衡问题.实验结果表明,在全肿瘤区域、
目前机器阅读理解的注意力网络主要基于LSTM或GRU,由于RNNs的本质,训练和推理非常耗时.此外,这些模型使用粗粒度的注意机制来定位答案的边界.为了解决上述问题,论文提出了一个双重的简单递归单元(DSRU)和一个细粒度的指针网络,并且提出了一种新的机器阅读注意网络(FGAN),旨在回答给定的叙事段落的问题,该网络性能良好,且耗时较短.在Stanford Question Dataset(1.1)上展示了模型的有效性,该单一模型在开发集上获得了85.1的F1分.此外,在2.0上进行的辅助实验表明,该单一模
道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要.目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大.文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究.首先对高分辨遥感图进行预处理,然后对图像进行特征提取,利用BP神经网络对特征进行训练,最后将需要道路提取的高分辨率遥感图区域分割.对每一个区域进行目标检测时,去除图像中非道路区域,并利用形态学方法提取出区域中的
图像水印技术中,如何平衡鲁棒性和不可见性是技术的难点.余数系统(Residue Number System,RNS)基于中国剩余定理(Chinese Remainder System,CRT),多用于数字信号处理等领域.论文先利用Arnold置乱水印图像,再利用RNS的算法思想将水印图像分解为三通道,分别嵌入到载体图像的RGB分量的DCT变换域当中,考虑到人眼视觉系统和水印的抗鲁棒性,嵌入的位置选择DCT变换域的中频区域.实验结果显示,算法能够很好地在彩色图像中嵌入水印,并且能够抵抗图像处理常见的攻击,如
针对目前显著性算法普遍面临的背景噪声较多,准确性较低等问题,提出一种基于图像颜色对比的显著性检测算法.首先在Lab伪彩色空间域将图像进行SLIC超像素分割,依照图像的全局对比计算,确定前景预选区域.然后以该区域内超像素特征通道信息值作为参考值,计算各超像素显著值,得到初步显著图.最后构建视觉中心,考虑颜色权重信息对显著目标区域的影响,优化得到最终结果.采用当前通用数据集进行测试,并与其它六种主流算法进行对比,结果显示论文实验算法不仅最终结果图质量较优,还在多个客观评价指标上表现良好.
图像的边缘检测是图像处理领域内最关键的技术之一.针对工件分拣中需要机器视觉精确的检测出其边缘信息,并且从噪声和其他无关信息中筛选出来,提出了一种改进的Canny算法对工件进行边缘检测.该算法利用双边滤波来替代高斯滤波进行图像预处理,从而不仅可以保留更多的图像边缘细节也可以有效的去除噪声.而后运用最大类间方差法(Otsu)来进行阈值分割,使目标和背景分离更加准确.最后利用形态学思想将阈值分割后的二值图像分别进行膨胀和腐蚀,得到形态学梯度,将梯度图像和原始阈值图像的求交集得到灰度图像,而后进行Canny算子边
论文构建了24种不同信号调制类型的数据集,并提出一款端到端的信号调制识别神经网络.研究了网络卷积层数、卷积核以及训练数据集大小对信号调制识别性能的影响.所提方法避免了基于特征提取的信号调制识别方法中所需的特征选择、信号同步、载波跟踪、信噪比估计等繁杂的处理流程.最后,引入迁移学习技术解决因信道环境变化导致网络识别性能下降的问题,提升了所提网络的环境适应能力.实验结果表明当信道环境发生变化时,通过迁移学习,仅利用不到总样本数的40％作为训练样本即可实现与全部数据集相近的识别性能,并且网络训练时长同比降至总训
针对传统预测模型在样本不足的情形下,无法实现高精度月度供电量预测的问题,提出了一种基于改进的生成对抗网络数据增强方法,能够将大粒度的月度统计信息,同分布分解为按天统计的供电量信息,实现了数据增强与样本集的有效扩充.基于该样本集,运用深度残差网络构建用于月度供电量预测的深层模型.算例分析标明,所提出的方法能够在原有同类型预测方法的基础上,有效提升预测精度.
耙吸挖泥船的耙头产量主要取决于耙头的吸入密度,准确的吸入密度预测对提高耙吸挖泥船疏浚产量具有重要的意义.针对目前对吸入密度预测方法存在精度低、实时效果性差的缺点,提出了一种蝙蝠算法与模糊神经网络相结合的预测方法.通过实测施工数据,构建BA-FNN预测模型.实验表明:BA-FNN预测精度高且稳定性能好,能够为耙头产量预测以及指导施工提供科学有效的参考依据.