摘要：蒸气管网是具有典型大时滞特点的非线性网络系统结构,提高管网运行预测能力,对管网的安全高效运行有很好的指导意义。贝叶斯神经网络具有良好的泛化能力和准确计算能力,在网络目标函数中引入表示网络结构复杂性的惩罚项,以便能够在训练优化过程中降低网络结构的复杂性,达到避免网络过拟合的目的。实例验证表明,模型计算结果和泛化能力均有良好表现,优于传统BP算法计算性能,可提高企业蒸气管网运行管理水平,对流程工业节能减排建设有一定的帮助。

摘要：提出一种新的钢筋与不同种类骨料混凝土间黏结强度的计算方法。结合748组试验数据,引入神经网络动态更新理论,建立了基于神经网络方法的黏结强度多参数预测模型,通过对黏结强度影响因素显著性的分析,利用神经网络参数剔除法简化了预测模型,并提出了临界锚固长度计算式。结果表明:钢筋与混凝土黏结强度主要受混凝土抗拉强度、锚固长度、钢筋直径和混凝土保护层厚度等因素的影响;建议模型具有较高预测精度,模型预测值与试验值比值的平均值和变异系数分别为1.052和0.337,为预测钢筋与混凝土黏结强度提供了新思路。

摘要：提高风电功率预报的准确率对电网的安全运行调度有着重要的意义。针对标准BP学习算法泛化能力不强的问题,设计了一种基于贝叶斯正则化算法修正权值的学习算法,用于风电的功率预测。仿真结果对比表明新的算法具有比标准BP算法和径向基神经网络具有更好的泛化能力,同时取得了良好的预测效果。

摘要：主轴转速扰动是抑制加工颤振的一种常用方法。为了研究主轴转速扰动加工条件下工件的表面粗糙度变化规律,采用实验设计的方法研究主轴转速扰动对于表面粗糙度的影响,并采用线性回归和神经网络方法对工件表面粗糙度进行拟合,对比了线性回归、BP神经网络和贝叶斯神经网路的拟合情况,探究了机械加工条件下神经网络类型和结构的选择方法。实验结果表明主轴转速扰动可以有效降低加工颤振带来的负面影响,但太大的主轴转速扰动也会降低工件的表面质量。贝叶斯神经网络能有效地预测主轴转速扰动加工条件下工件的表面粗糙度,预测误差在7%以内。

摘要：基于深度学习算法的故障智能诊断模型已被广泛应用于天然气管道运输安全领域,然而管道通常处于准稳态,使得训练集中的故障样本量受限。为此,针对天然气管道故障诊断中因训练集故障样本量有限,导致难以准确诊断的问题,提出了一种基于贝叶斯单源域领域泛化(BSDG)算法,部署了一种攻击防御策略,通过在攻击阶段明确伪目标域增强路径,并在防御阶段引导模型参数的后验分布向伪域样本得分更高的方向调整,增强模型在面对不同域扰动时的适应性和鲁棒性。研究结果表明:(1)基于贝叶斯网络建立的非定向攻击模型确保伪域样本既保留了与源域的相关性,又引入了足够的域差异来模拟潜在的目标域,由此提升了多源域和单源域设置下的领域泛化诊断准确率;(2)测试结果显示,BSDG算法在多源域泛化任务及两项单源域泛化任务中,相较于性能最优的对比算法,其准确率分别提高了9.79%、5.09%和27.98%;(3)裕度差异损失通过在学习决策边界的过程中引入不确定性,令分类器可以灵活且有效应对频繁的分布变化,显著性测试结果表明BSDG算法在多数场景下显著优于先进对比算法;(4)贝叶斯神经网络通过在权重上引入不确定性,有效提升了BSDG算法的泛化稳定性。结论认为,BSDG算法通过使用基于贝叶斯推理的攻击防御策略,有效扩展了源域模型的决策边界,解决了实际场景数据匮乏导致的深度神经网络泛化能力差的问题,为样本受限情形下的天然气管道故障诊断模型设计提供了理论支撑。

摘要：为能够准确、快速识别网络攻击者,提出一种基于黑客画像的网络攻击者识别方法。构建将稀疏自编码器和贝叶斯神经网络相结合的SAE-BNN模型,检测不同攻击类型的恶意流量;针对不同的恶意流量,通过提取黑客属性特征、流量特征、时间特征和相似性特征,与事先建立的黑客画像库中的黑客画像进行匹配。如果与某个黑客画像完全匹配,则由此确定该黑客的身份。当不能与黑客画像库中的任何黑客画像进行匹配时,将该黑客的特征作为标签,构建新的黑客画像,并更新画像库。实验结果表明,提出的异常流量识别方法在精度、召回率、F1值和准确率上均有提升。基于黑客画像的黑客识别算法与常规方法相比,极大提高了识别效率。

摘要：针对如何联合短视频的帧不确定度和时序关联性,以增强事件检测能力的问题,提出一种基于不确定度感知的帧关联短视频事件检测方法。首先,利用2D卷积神经网络(CNN)提取短视频每一帧的特征,再将该特征多次前向传播并通过贝叶斯变分层获得特征均值和与特征对应的不确定度信息;其次,利用模型构建的不确定度感知模块将特征均值和不确定度信息进行融合,再将融合后所得的各帧特征通过时序关联模块加强时域上的联系;最后,用时域关联后的特征通过分类网络实现短视频事件检测。在从Flickr平台上爬取到的短视频事件检测数据集上开展实验对比,实验结果表明,支持向量机(SVM)等子空间学习方法的分类性能较差,对高级语义表示的探索不充分;而深度学习方法对于事件检测的准确率明显更优。相较于SViTT(Sparse Video-Text Transformer)方法,所提方法的准确率、平均召回率和平均精度分别提高了3.37%、2.55%和2.09%,验证了所提方法在短视频事件检测任务上的有效性。

摘要：针对水下无人航行器受外界不确定因素影响产生航行准确度低的问题,研究水下无人航行器实时轨迹跟踪控制方法。分析水下无人航行器运动特性,设计基于贝叶斯神经网络的水下无人航行器自适应控制器,以水下无人航行器的参考速度信号为网络输入,通过网络的不断训练,输出控制力矩,促使水下无人航行器的航行点与预设航行位误差趋近于0,完成实时轨迹跟踪控制。实验结果表明,该方法可完成直线轨迹、圆形曲线轨迹的跟踪控制,且航行点与预设航行位误差小、收敛快、波动次数少,具备轨迹跟踪控制抗干扰能力强、适应能力强的优势。

摘要：广泛应用的高精度分析模型使得拦截器气动外形设计的计算成本不断增加。因此,基于代理模型的性能快速评估方法近年来得到了广泛关注。当拦截器受喷流干扰因素影响时,参数映射关系复杂、数据获取成本高昂,代理模型预测精度低。为此,提出一种融合工程经验与数据的代理模型构建方法。该方法将设计人员积累的工程经验进行数学化表征,结合仿真数据构建损失函数,并以某临近空间高超声速拦截器为对象构建了气动性能预测代理模型。实验结果表明,所提代理模型构建算法相较于传统方法有更高的预测精度和更好的泛化能力,该方法为气动性能评估模型构建提供了新的思路。

摘要：为克服小样本医学图像数据集对训练强大的超声图像中甲状腺结节的自动分割或分类的深度学习模型的限制,提出一种基于贝叶斯神经网络和条件生成对抗网络(cGAN)的数据生成方法。构建cGAN并以修改的结节掩膜作为条件,通过在真实样本上训练生成器生成具有不同特征的结节。使用贝叶斯神经网络识别出最有价值的生成样本,并用其构建新的数据集训练模型进行结节的分割和分类。实验结果表明,提出方法仅使用约35%的真实样本即可实现令人满意的分割和分类性能。