摘要：为提高短期负荷预测的精度,文中提出了一种基于adam算法优化门控循环单元(Gated Recurrent Unit,GRU)神经网络的短期负荷预测模型。针对循环神经网络(Recurrent Neural Network,RNN)存在的梯度消失和梯度下降、长短期记忆神经网络(Long Short-Term Memory,LSTM)在运行时计算时间较长的问题,采用GRU神经网络作为负荷预测的模型,针对随机梯度下降(Stochastic Gradient Descent)算法前期收敛速度较慢所导致的预测精度不高的问题,利用adam算法来替代GRU神经网络中的随机梯度下降算法,并采用学习率衰减策略来加速模型的收敛,提高预测的精度。算例仿真结果表明,文中所提出的预测模型比常规GRU神经网络预测模型、BP神经网络预测模型具有更高的预测精度。

摘要：为减少测试成本和缩短设计周期,基于机器学习方法对树脂基复合材料模量的预报方法进行了研究.采用一种全新预测方法——神经网络联合遗传算法(GA-ANN),将T800/环氧复合材料的强度、泊松比和失效应变作为反向传播(BP)神经网络的3个输入变量,在遗传算法(GA)中得出最优阈值和权重,并将所得数值赋给对应的网络参数,更新BP神经网络以更高的准确率预测树脂基复合材料的模量;同等条件下,用adam算法进行预测.对比这两种方法,结果充分证明了GA-ANN的可行性.

摘要：金枪鱼船对航速有很高要求,因此优化船体线型以减少阻力是较为重要的。以总阻力系数(C_(t))为目标函数,重点研究船体尾部型线的优化。验证了计算流体动力学(CFD)数值方法的可靠性,对某金枪鱼船进行参数化建模;根据灵敏度分析,从4个设计参数中筛选2个作为设计变量,再构建多项式响应面作为设计优化空间,并采用自适应矩估计(adam)算法求解。结果表明:设计工况下优化船型较母型船C_(t)降低1.85%,尾部兴波、压力均有所改善。研究结果可为今后相关研究提供参考和支持。

摘要：为了解决光谱共焦非接触测头存在的量程较小、精度差等问题,设计了一种四片式大量程透镜组,并提出了一种基于adam算法的峰值波长提取算法和一种分段拟合曲线标定方法。透镜组在大约470-730 nm波段内,位移测量范围可达4500μm。利用设计的透镜组搭建了测头系统,通过实验验证了使用adam算法的位移误差为0.3μm,比质心法减小了68.3%,比传统高斯拟合法减小了26.0%,比抛物线拟合法减小了24.3%,而使用分段拟合方法的位移误差比使用传统多项式标定方法减小了92.4%。实验结果表明,所设计的测头系统可以实现较大量程的高精度非接触位移测量,为进一步研究基于光谱共焦技术的高精度位移传感器提供了理论和实验依据。

摘要：在车载边缘计算(Vehicular Edge Computing,VEC)网络中,车辆计算资源受限导致无法处理海量的计算任务,需要将车载应用产生的计算任务卸载到VEC服务器上进行处理。但车辆的移动性和区域部署的差异性易导致VEC服务器负载不均衡,造成了计算卸载效率和资源利用率降低。为解决该问题,提出一种计算卸载和资源分配方案,以使用户效用最大化。将用户效用最大化问题转化成服务器选择决策和卸载比例与计算资源分配联合优化两个子问题,在此基础上设计基于匹配的服务器选择决策算法和基于adam梯度优化法的计算任务卸载比例与资源分配联合优化算法,并对上述两种算法进行联合迭代,直至收敛,从而得到近似最优解以达到负载均衡。仿真结果表明,相比最近卸载方案和预测卸载方案,该方案能有效降低计算任务处理时延和车辆能耗,增大车辆效用,促进负载均衡。

摘要：为解决煤矿瓦斯有效抽采半径难以快速准确确定的问题,采用基于adam算法优化DNN(深度神经网络)方法来预测瓦斯抽采半径。查阅文献共收集已得到验证的970组数据集,每组数据选取煤层瓦斯初始渗透率、钻孔直径、抽采时间、地应力、煤层初始瓦斯压力作为预测模型的5个特征量,有效抽采半径作为目标输出值。接着预测模型进行不断学习和训练,最终训练得到1个最优的瓦斯有效抽采半径预测模型。利用训练好的最优预测模型结合Python语言开发出计算有效抽采半径的软件,并使用该软件在四季春煤矿和鹤煤六矿进行有效抽采半径预测的工程实例研究,验证该软件预测抽采半径的实用性和准确性。研究结果表明:通过使用开发的软件,可快速且较准确地计算出矿井瓦斯有效抽采半径,可为暂不具备现场测试条件的矿井抽采设计提供一定的参考依据。

摘要：针对传统的故障诊断技术在实际工程中滚动轴承多故障耦合情况下的故障诊断准确率偏低的问题,提出了一种基于adam算法优化的卷积神经网络(CNN)诊断模型。该方法的原理是从多故障耦合情况下轴承振动数据中自主学习有用的轴承故障检测特征信息然后进行准确的故障诊断。为了证明该方法的有效性和保证实验的公平性,在滚动轴承单种故障和多种故障同时存在的情况下,将提出的方法与随机梯度下降法优化的卷积神经网络,支持向量机进行比较。比对使用相同的数据来客观的评估相应的性能。该方法对滚动轴承多故障耦合情况下的15类故障进行实验诊断,准确率达到了100%,使多故障耦合情况的滚动轴承故障诊断准确率大大提高。

摘要：提出一种基于深度残差网络的银屑病分类诊断模型。首先采用数据增强、银屑病图片大小调整和TFRecord编码等技术对网络的输入进行预处理,然后设计了一个34层的深度残差网络(ResNet-34)来对银屑病的特征进行提取。此外,采用交叉熵作为ResNet-34的损失函数来衡量模型的准确性,并利用adam算法作为优化器来对ResNet-34进行训练,最终得到一个优化的ResNet-34模型用于银屑病诊断。基于K折交叉验证的实验结果表明,所提模型在召回率和ROC曲线方面的性能优于其他诊断方法,可以为银屑病数据分析、疾病预防提供技术支持。

摘要：本文针对处理图像分类的卷积神经网络(CNN)模型,设计并应用修正的三项PRP共轭梯度法(M-PRPCG)训练模型以提高图像分类的准确率。首先,基于CIFAR-10图像分类数据集构建ResNet18和VGG16卷积神经网络(CNN)模型;然后在训练集上,采用修正的三项PRP共轭梯度法(M-PRPCG)训练模型;最后在测试集上进行验证。实验结果表明,修正的三项PRP共轭梯度法(M-PRPCG)训练的ResNet18和VGG16模型相比于adam算法训练的模型在图像分类准确率上分别提高了3.46%和1.97%。

摘要：垃圾分类是社会进步和生态文明发展的标志,生活垃圾的简单堆放或填埋不仅严重破坏了生活秩序,还会造成巨大的经济损失及环境污染,影响了人们的正常生活。基于深度学习的垃圾分类信息系统,主要利用计算机视觉技术,实现居民生活垃圾的智能分类、分拣。为了提高识别准确率,系统选择了ResNet作为网络模型,同时使用adam优化器也可以帮助系统降低对内存的需求。垃圾分类信息系统很大程度上解决了居民垃圾分类困难的问题,引导居民养成垃圾分类习惯。