智能系统：进化神经网络PID控制器的研究与应用

8．1 引言 8．2 一般基础 8．3 光学互连 8．4 结论

差值控制细胞神经网能够实现灰度图像滤波等复杂运算.针对原有差值控制细胞神经网中值滤波器在稳定性和可实现性上存在的不足,提出了一种伪中值滤波器(CNN PM-filter),进而引入Mask图构造了选点式伪中值滤波器.从实验结果和相关度分析可以看出,本文提出的两种滤波器在改善稳定性与实现性的同时,没有影响到滤波器的性能,而选点式伪中值滤波器能有效降低滤波造成的模糊图像,取得更佳处理效果

宫颈癌是严重危害妇女健康的恶性肿瘤，威胁着女性的生命，而通过基于图像处理的细胞学筛查是癌前筛查的最为广泛的检测方法。近年来，随着以深度学习为代表的机器学习理论的发展，卷积神经网络以其强有效的特征提取能力取得了图像识别领域的革命性突破，被广泛应用于宫颈异常细胞检测等医疗影像分析领域。但由于病理细胞图像具有分辨率高和尺寸大的特点，且其大多数局部区域内都不含有细胞簇，深度学习模型采用穷举候选框的方法进行异常细胞的定位和识别时，经过穷举候选框获得的子图大部分都不含有细胞簇。当子图数量逐渐增加时，大量不含细胞簇的图像作为目标检测网络输入会使图像分析过程存在冗余时长，严重减缓了超大尺寸病理图像分析时的检测速度。本文提出一种新的宫颈癌异常细胞检测策略，针对使用膜式法获得的病理细胞图像，通过基于深度学习的图像分类网络首先判断局部区域是否出现异常细胞，若出现则进一步使用单阶段的目标检测方法进行分析，从而快速对异常细胞进行精确定位和识别。实验表明，本文提出的方法可提高一倍的宫颈癌异常细胞检测速度

尾砂胶结充填体作为一种水泥基多相复合材料,其单轴抗压强度与超声波波速受水泥含量、固体质量分数、试件形态等因素影响.通过制备三种形态(7.07 cm×7.07 cm×7.07 cm立方体,Φ5 cm×10 cm圆柱体和Φ7 cm×14 cm圆柱体)的试件并进行单轴抗压强度试验和声波波速测试,对充填体强度和波速受水泥含量、固体质量分数和试件形态影响的规律进行了灰色-关联度分析.结果表明:水泥含量是影响强度的关键核心因素,关联度为0.837;固体质量分数是影响波速的关键核心因素,关联度为0.712.建立了充填体强度-波速指数函数预测模型和BP神经网络预测模型,通过对两种预测模型进行统计分析的F检验和t检验验证了两种方法在充填体强度预测的可行性,为胶结充填体的强度预测提供了新方法

为研究纯电动汽车车载电源性能，提出并搭建了由异步电动机和直流电动机组成的在环测试平台.异步电动机用来模拟纯电动汽车的牵引电动机，直流电动机用来模拟汽车行驶时的阻力和惯量，对异步电动机和直流电动机分别实施转速控制和转矩控制.分析了电动汽车行驶工况，给出了简单循环工况下参考转速、转距和功率.设计了异步电动机调速系统转速控制器和电流控制器，建立了异步电动机调速系统的数学模型，提出了基于自适应模糊神经网络控制的异步电动机调速系统.仿真和实验结果表明，基于自适应模糊神经网络控制的调速系统明显优于PID控制的交流调速系统，在环测试平台能够较好跟踪参考转速和参考转距的变化

微震能级随时间发生变化，高能级微震事件与冲击地压有良好的对应关系，为预测矿山微震能量时序变化，基于一维卷积神经网络（Convolutional neural networks，CNN），建立微震能级时间序列预测模型；通过模型训练，实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题，导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件，为进一步提高模型对106能级微震事件预测的准确率，对模型进行改进并使用混合采样方法训练改进后的模型；利用砚北煤矿250202工作面微震能级实测部分数据，改进后模型的总体测试正确率达到98.4%，其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测，模型的预测正确率整体达到93.5%，且对高能级微震事件的预测正确率接近100%

系统研究了面向复杂系统监测时变信号的实时故障检测与识别问题.采用滑窗Mallat小波快速变换克服传统小波变换的时域全局依耐性并提高计算效率,使之适应于实时故障检测;针对时变信号的故障模式识别难题,在故障检测基础上采用改进动态循环神经网络(improved dynamic recurrent neural network,IDRNN)进行智能故障识别.最后将滑动时窗小波检测模块及最优IDRNN网络模块嵌入某型完整卫星姿态控制系统仿真平台进行在线故障诊断.试验结果表明:实时条件下的滑动窗口小波变换与传统小波变换具有一致性,IDRNN对于时变信号识别具有较好的时域泛化能力,将滑窗移动时不变小波方法与IDRNN结合可以实现面向复杂系统监测实时信号的故障检测及复合模式分类

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导

1、模糊控制器与卡尔曼滤波器的比较 2、实时目标跟踪系统 3、模糊控制器的工作原理 4、卡尔曼跟踪与模糊跟踪仿真 5、自适应FAM