地铁短时客流预测改进LSTM方法

短时客流预测可为轨道交通运营部门规划调度提供参考,其中短时客流预测的精准性尤为重要,为进一步提高城市轨道站点短时客流预测精准性,提出一种结合集合经验模式分解算法和贝叶斯优化算法的改进LSTM方法。先使用集合经验模式分解算法(EEMD)对地铁站点的客流数据进行分解,以减少数据噪声干扰;再通过贝叶斯优化算法(BOA)对长短时记忆神经网络(LSTM)的超参数进行优化,从而提高模型的参数精确性。采用真实的客流数据验证结果表明：相较于单一LSTM以及单层组合模型,双重叠加后的EEMD-BOA-LSTM组合模型预测结果平均绝对误差降低21.8%～44.8%,均方根误差降低16.9%～47.4%,对短时客流的预测结果误差改善显著。     

基于小波神经网络的地铁基坑地表沉降随机预测

通过南通地铁软土层基坑降水模型试验发现,降水引发的基坑地表沉降随着监测点距基坑支护桩距离的增大而减少,工程中距离支护桩越远,沉降量越小.在不同的监测点沉降量的监测值与公式计算值总体变化规律相似,但受降水因素、施工扰动和地下多变的岩土环境等影响,存在一定的随机性.利用权值参数对小波神经网络的激励和输出函数进行修正,利用梯度下降的方法对伸缩和平移参数进行优化.在此基础上,以水位降深、土层的压缩模量、厚度、固结度和监测点方位为输入参数,基坑总沉降量为输出参数建立改进后的随机小波网络基坑地表沉降预测模型.工程实例表明,改进后的随机小波网络模型能使基坑地表沉降预测值较好地拟合工程实测值,误差均小于±8％,相比传统公式的计算值更具合理性.     

深度学习在激光熔覆领域的发展与应用

介绍激光熔覆的基本原理、应用领域和深度学习模型的发展状况,阐述深度学习在激光熔覆领域的应用。深度学习利用神经网络模型监控激光熔覆过程,在熔覆工艺参数优化和熔覆过程质量控制等方面具有较好优势,可有效提升激光熔覆过程的精度和稳定性。     

基于PINN方法的不可压流场求解

将残差网络（Res Net）结构引入物理信息神经网络（PINN）,提出一种基于Res Net的PINN方法（Res Net-PINN）。采用该方法对二维不可压圆柱绕流尾迹流场进行重建和预测,结果表明：Res Net-PINN能更准确地重建绕流尾迹的非定常变化规律;在圆柱绕流尾迹的短期预测方面,Res Net-PINN的预测精度和收敛速度相比全连接PINN均能提升3倍左右。Res Net能提高PINN对非定常流场的求解和预测能力,该研究可为采用机器学习方法求解更复杂流动问题提供参考。     

复杂环境下船舶轴系推力信号辨识模型分析

为解决复杂环境下的船舶轴系推力信号辨识问题,提出一种基于时频分析和深度学习的轴系推力信号辨识模型。该模型首先以短时傅里叶变换（STFT）方法对轴系推力信号与环境干扰信号的时频特征进行提取,以频段分析方法对两种信号的频率（周期）和能量等关键特征进行计算;然后以循环神经网络（RNN）方法对模型中2种信号的关键特征进行充分训练,得到经泛化后的深度学习辨识模型;最后,基于实验室模拟实船的轴系推力信号与环境干扰信号数据对模型进行仿真试验和验证。验证结果表明,该模型在复杂环境干扰下施加恒定推力与动态推力时均具备良好的辨识能力,可为船舶轴系推力信号辨识技术的研究提供参考。     

树脂混凝土强度预测的神经网络模型

本文运用均匀设计的方法进行树脂混凝土的配合比设计,用较少的试验取得较好的效果;建立了树脂混凝土的强度预测的神经网络模型,对试验的数据进行了训练和仿真,预测的结果与试验结果吻合非常好。     

铁水含硅量实时预报专家系统的设计与实现

将时差方法与人工神经元网络方法有机地结合起来,提出了一种在高炉铁水含硫量预报中的应用策略。并基于鞍钢10#高炉操作过程,建立了高炉铁水含硫量预报专家系统。     

基于BP神经网络的轮胎花纹沟槽识别

针对传统轮胎花纹沟槽识别算法存在数据特征提取困难、数理运算步骤复杂等问题,基于BP神经网络对生成的不同沟槽类型的轮胎胎冠线数据集进行反复训练,得到BP神经网络轮胎花纹沟槽识别模型。将轮胎胎冠线数据集随机划分为训练集、验证集和测试集,通过试验验证BP神经网络识别模型对轮胎花纹沟槽的识别性能,由混淆矩阵得到模型的正确识别率为94.9%。从3、4沟槽轮胎中获取实际胎冠线样本数据测试BP神经网络识别模型的实际识别效果,6条胎冠线上的花纹沟槽数量全部识别正确。基于BP神经网络识别轮胎花纹沟槽数量具有可行性。     

神经网络在客车车身造型美学评价中的应用研究

提出基于人工神经网络（ANN）对客车车身造型进行美学评价的计算机辅助方法,阐述了用于“准三维”造型评价的BP网络结构以及造型特征提取技术。初步创建了智能化客车造型美学评价软件,并将其应用到实际客车造型评价中,使用效果良好。     

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。