摘要：本文开展了基于残差神经网络的大地电磁二维反演研究.采用高斯随机场设计并生成了5万个不同规模、不同边界形状(规则边界与光滑边界)、不同电阻率对比度、单个到多个电性异常体模型,通过基于二维交错网格有限差分批量并行正演程序对模型进行正演计算并输出TE和TM极化模式的视电阻率值,对模型正演TM极化响应的60%数据加入5%的高斯误差,其余为无噪数据,将其作为深度学习反演模型的训练样本;在网络结构设计中引入Res Net-50网络结构深度学习模型对样本进行训练;最后通过测试数据的反演验证了大地电磁深度学习反演模型的可靠性.模型反演的结果表明,神经网络反演模型能够实时输出反演结果,反演结果较为准确,可以有效地刻画各类异常体的边界,对异常体电性参数的恢复也较为准确.

摘要：对于遭受各种随机环境载荷的海洋结构物而言,在设计阶段对其进行疲劳损伤评估尤为重要。海洋结构物的响应经常呈现出宽带特性和非高斯统计特征。因此,本文提出一种基于神经网络模型的宽带非高斯随机过程疲劳损伤评估方法。采用多种功率谱与不同带宽参数、S-N曲线斜率参数以及非高斯过程偏度与峰度的组合对所提出的神经网络模型进行训练和测试。分析输入层神经元、隐藏层神经元个数以及隐藏层层数对模型预报精度的影响,确定最优的神经网络结构。以时域雨流计数法计算的疲劳损伤结果作为基准,采用真实双模态功率谱进行数值试验,并与多种频域疲劳损伤分析方法进行比较,证明本文所建立的神经网络模型具有更好的准确性和鲁棒性。

摘要：为了应对芯片设计复杂度的提升,电子设计自动化工具和方法也在不断进步。然而,EDA需要协调达到最佳的功率、性能和面积,通常其不能保证最优的解决方案。EDA工具在电路设计阶段包括逻辑综合、布局布线及验证等均属于多目标、多约束的非线性规划求解过程,且为了更好解决求解中的不确定性和易于出现局域极值等难题,基于神经网络的优化算法已被集成到EDA工具的设计流程中。首先对EDA中的优化问题、多目标优化计算及基于神经网络的优化算法进行了简要概述,继而详细梳理了基于神经网络的优化算法在逻辑综合、布局布线及验证等不同设计阶段中的优化求解方法,并阐述了当前研究所面临的挑战与机遇,希望为集成电路自动化设计及相关领域研究提供参考。

摘要：科学合理的套管设计对于保障油气生产安全、预防资源浪费与财产损失至关重要,是确保钻井及开采作业顺利进行的核心要素。文章针对套管设计所面临的日渐复杂的工况及数据管理难题,提出了一种工程经验知识约束神经网络(EKNN)的方法,旨在指导套管设计工作。该方法利用现有套管数据资产,基于机器学习的强大数据处理能力,构建一个高效的套管选材推荐模型,通过嵌入套管强度校核知识,提高模型选材推荐的科学性和安全性。首先基于套管数据资产构建套管选材数据集,选取经典的MLP(Multi-layer Perceptron,多层感知机)神经网络建立套管选材推荐模型;采用多任务学习策略设计网络结构,模型在训练过程中优化套管的壁厚及钢级分类;然后以模型预测精度通过超参数优化工具Optuna优化模型超参数;最后以损失函数修正的方式嵌入套管强度校核知识(工程经验知识约束)完成EKNN模型的建立。工程经验知识约束神经网络模型对套管选材的预测精度可达90%以上,模型预测得出的套管选材可以很好地满足套管柱强度设计要求,为各油气田有效利用累积的数据资产、降低成本及优化决策提供有力支持。

摘要：为解决带有输出约束的液压机械臂动力学模型未知问题并提升液压机械臂在未知环境下的力跟踪性能,本文提出了一种基于积分障碍李雅普诺夫函数的自适应神经网络导纳控制方法.首先,分析了液压机械臂的机械和液压系统动力学模型,根据阻抗控制原理,提出了基于环境参数估计的参考轨迹自适应生成方法;然后,考虑系统输出受限和机械系统动力学模型未知,利用径向基函数神经网络设计自适应神经网络控制器;同时,引入动态面控制方法以避免对虚拟信号进行直接求导,并通过李雅普诺夫方法分析了闭环控制系统的稳定性;最后,利用MATLAB/Simulink,Simscape Multibody和Simscape Fluids仿真平台对液压机械臂进行仿真研究,结果表明所设计的控制律对未知机械系统动力学具有良好的鲁棒性,可以实现良好的位置和力跟踪控制,且确保系统输出不超过预设的范围.

摘要：阻抗分析法因能够在设备控制结构或参数未知的条件下分析系统稳定性而受到工程的青睐。以电力电子变流器为代表的交流并网设备阻抗特性易受交流稳态工作点的影响,因此基于黑箱辨识快速导出变流器任意工况的阻抗模型可以极大地提升稳定性分析效率。基于神经网络的辨识方法可以弥补基于最小二乘法的辨识方法的局限性,文中进一步改进神经网络的设计以显著提升其可解释性。在数据收集阶段,使用扫频方法获取闭环阻抗模型在足够多工况下的频率响应。在模型训练阶段,计及变流器阻抗模型的隐藏特征,设计与扰动频率数量相同的神经网络,并采用集成贝叶斯正则化的Levenberg-Marquardt算法提升由小型数据集得到的训练网络的泛化能力。在模型验证阶段,将设定工况输入网络,实现稳定工况极高精度辨识和不稳定工况离线预测。文中方法为新型电力系统稳定性分析的工程应用提供了实用选择。

摘要：针对水声信道复杂多变且衰减严重等问题,为提升非合作条件下水声通信信号的检测概率并扩大感知范围,设计了一种新型基于阵列多通道时频谱输入的神经网络多参数联合估计算法。该算法通过引入载波频率标签分配策略,将载波频率作为区分不同信号的关键物理特征,有效避免了频带外信号和噪声的干扰;利用端到端的多任务学习,能够同时完成信号检测、调制模式识别,以及对信号个数、载波频率、带宽和波达方向的联合估计,从而避免了传统算法中需要先进行波束成形再进行检测识别的复杂流程。仿真实验结果表明,在阵列阵元位置失配和信号被噪声掩蔽的情况下,所提算法仍能实现准确的信号估计。进一步的湖上实验验证了所提算法的实用性和泛化能力。

摘要：针对复合材料螺栓连接强度预测问题,设计拉伸试验并记录极限载荷。将试验变量数值化抽象为神经网络输入神经元参数,基于BP神经网络理论,建立强度预测模型。使用三组预留的试验结果验证模型的准确性,三个测试组预测误差分别为6.13%、1.63%、3.34%。调整训练组的组成并重新训练模型,结果表明,本文模型针对训练组未出现参数值有着较好的预测能力。最后建立有限元分析模型进行对比分析,结果表明,针对复合材料螺栓连接强度预测问题,相比有限元方法,神经网络方法精度相当,且具有明显的速度优势。

摘要：为实现高校实验室全过程、全要素、全覆盖监管,设计并开发了一套基于物联网和神经网络的实验室安全智慧化管理系统。该管理系统通过智能仪表和串口服务器的联合组网与透明传输实现了物联网云平台对设备、环境、人员等实验室运行状态的实时监测;再通过BP神经网络算法实现火灾风险概率分级主动示警和危险情况应急处置。实验表明,该系统的火灾误报率降至0%,将火灾报警时间缩短30%以上,提高了实验室安全信息化和智慧化管理水平,具有一定的推广应用价值。

摘要：针对卷积神经网络存在运算量大、资源要求高的问题,本文提出一种易于在移动端低功耗嵌入式设备上布置的二值化神经网络(Binary Neural Network,BNN)图像分类模型,并提供了其在ARM(Advanced RISC Machines)+FPGA(Field Programmable Gate Array)异构系统上的硬件加速设计。通过将卷积的累乘加运算转化为简单的同或运算(Exclusive NOR,XNOR)和位计数运算(population count,popcount),降低了运算复杂度和片上资源要求;利用数据复用、流水线设计和并行计算提升整体运算速度;针对CIFAR-10数据集进行图像分类识别,利用Vivado HLS工具在FPGA平台上完成该网络模型的部署。在PYNQ-Z2平台上进行测试的实验结果显示,在100 MHz工作频率下,部署在FPGA端的网络模型对任意尺寸的图像输入经过PS(Processing System)端裁剪后整体处理速度可达约631 FPS,运行总时间仅约1.58 ms。