简介:探讨了漂浮基空间机械臂系统在轨捕获参数未知目标卫星后组合体航天器的镇定控制问题.首先在耦合空间机械臂系统捕获目标卫星操作过程动量、冲量的传递的基础上,建立了适用于漂浮基空间机械臂系统在轨捕获漂浮卫星控制系统设计的组合体航天器数学模型.利用该模型,设计了一种基于模糊高斯基神经网络的非奇异Terminal滑模控制算法.提出的控制算法不仅不要求系统动力学方程关于惯性参数呈线性函数关系,而且也不需要预知系统惯性参数;由于利用神经网络的自学习能力修正模糊控制的控制规则和隶属函数,这样在系统参数识别中,模糊神经网络可减少模糊规则数,更适应于空间机械臂系统在轨捕获的实际应用.最后通过仿真试验对比结果验证了所提出的控制算法的有效性.
简介:摘要网络性能预测是指以现有理论等为基础,来构造具有预测性的模型以实现对未来业务数据的推测和估计。本文按照电力营销系统的特殊架构,建立了基于神经网络的电力营销系统网络性能预测模型,构建了电力营销系统的网络特征信息集,并设定了网络性能预测的信息过滤规则。此外,基于构建的电力营销系统网络预测模型,进一步研发了电力营销系统流量过滤模块。通过OPNET网络仿真结果显示,基于神经网络的电力营销系统网络性能预测模型能够有效降低网络阻塞,提高网络使用效率。
简介:链路预测是网络信息挖掘的主要研究内容,通过对网络结构和其他信息的分析,挖掘缺失的链接或预测未来可能出现的链接。链路预测在推荐系统、社会网络和生物网络分析中有着十分广泛的应用。本文首先介绍了基于公共邻居、路径和随机游走的8种常用的链路预测指标.并在此基础上提出了一种基于这8种指标线性组合的度量指标,并经过实验找出了较好的优化参数。然后,提出了基于这8种指标的神经网络模型.并分别基于Weka平台和FANN库进行了实现。在社会网络的4个公开测试集上的实验结果表明.基于FANN库的神经网络模型的预测结果最好,在4个数据集上最高的AUC值分别达到了0。95l8、0.9289、0.7480和0.8677,与单一指标最好的AUC值相比分别提高了3.92%、1.45%、7.06%和24.35%。
简介:摘要目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve, AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。
简介:摘要:作为一个复杂的神经网络系统,大脑区域和基因协同有效地存储和传递信息。本文提出将协作相关性抽象为脑区基因网络(BG-CN),并提出了基于图卷积神经网络的阿尔兹海默症的早期治疗系统,图卷积神经网络(GCN),用于研究脑区内部和脑区之间的信息传递。该结果可用于阿尔茨海默病(Alzheimer ' s disease, AD)的诊断和病因提取。首先,建立了BG-CN的亲和聚合模型来描述脑区间和脑区内的信息传递。其次,基于亲和聚合模型,设计了具有脑区间卷积和脑区内卷积操作的GCN体系结构。通过在AD神经成像倡议(ADNI)数据集上的充分实验验证,GCN的设计更符合生理机制,提高了可解释性和分类性能。此外,GCN可以识别受损的大脑区域和致病基因,这可能有助于AD的精准医疗和药物设计,并为其他神经系统疾病提供有价值的参考。
简介:摘要:我国国民经济以及电力相关技术的发展,使得我国的电力事业得到了较快的发展,而在整体电力系统中关键的设施之一就是电力变压器,和电力系统之间的安全稳定运行有着十分紧密的联系,这也正是对其进行检测工作的重要原因。在微电子、计算机等先进技术不断发展的影响下,针对电力变压器进行在线实时监测已经有了极高的可行性。因为油浸性质的电力变压器在运行过程中气体溶解的类型不会出现对应的差异,传统故障诊断方式对于这些复杂多变且无标签的数据无法进行充分应用,因此一种基于深度学习神经网络的诊断方式应运而生。本文先从深度学习的概念以及深度学习神经网络模型分析入手,并在文后详细的在电力变压器故障诊断中如何运用深度学习网络进行了分析。