关键词： 光神经拟态计算   光子脉冲神经元   光子脉冲神经网络   类神经元特性   光子视觉避障   模式识别  

摘要： 随着科技的不断进步,全球每天生产的信息量都在呈指数级增长,对数据处理能力的要求也随之急剧提高,加速了计算研究的转型。由于摩尔定律的放缓,微电子芯片的性能提升和集成度增长正面临巨大的危机,这给数据探索和处理带来了困境。人类大脑是一种重要、复杂且神秘的生物器官,是一个极其高效的信息处理系统。受大脑启发的光子神经拟态人工智能架构作为一种低功耗新型计算范式,受到了各界的广泛关注。光神经拟态计算具有低延迟、低功耗、可并行操作的优点,为弥补神经拟态硬件中的计算缺陷提供了一个有希望的解决方案。因此,近年来,光神经拟态器件及计算系统成为了研究热点,目前正处于初期探索阶段,在实际应用前仍有很多问题要解决,使得这项研究充满了机会与挑战。 本文瞄准类脑计算和光计算国际前沿,立足国家类脑计算战略需求,在国家重点研发计划、国家自然科学基金等的支撑下进行光神经拟态器件的实验研究和应用探索。结合理论仿真与实验验证,研究了分布式反馈激光器（Distribute Feedback Laser,DFB）、法布里-珀罗激光器（Fabry–Pérot Edge Emitting Laser,FP）、两段式半导体激光器,包括含饱和吸收区的法布里-珀罗激光器（Fabry–Pérot Edge Emitting Laser with a Saturable Absorber,FP-SA）以及含饱和吸收区的垂直腔面半导体激光器（Vertical-Cavity Surface-Emitting Laser with a Saturable Absorber,VCSEL-SA）的类神经元特性,进一步地搭建光子脉冲神经网络（Spiking Neural Network,SNN）实现神经拟态计算任务,探索其在实际应用中的可行性。 本文的研究内容与创新点如下: 1.仿真及实验研究了基于半导体激光器的光子脉冲神经元。首先基于外光注入DFB激光器的侧模实现了类神经元特性,包括可控的尖峰阈值特性、时域累积特性、不应期特性、时间编码特性、速率编码特性以及抑制性。并搭建DFB激光器的级联光纤系统实验平台,实现兴奋性与抑制性的级联传输,在仿真上构建了2×2光子脉冲神经网络实现声源定位。其次,还研究了多波长外光注入FP-SA激光器下的阈值特性,这为光子脉冲神经网络可能需要的波分复用做验证性实验。 2.基于VCSEL-SA组成的光子脉冲神经网络实现运动检测和方向识别。该研究借鉴生物神经系统的结构,利用4个VCSEL-SA模拟视网膜的四个方向选择性神经节细胞（Direction Selective Ganglion Cell,DSGC）对运动信息编码,把12个运动方向编码为12组时序信息,进一步地搭建4×12的光子脉冲神经网络模拟视觉皮层对12组时序信息进行训练并识别。训练过程中采用的是结合脉冲时间相关可塑性（Spike Timing Dependent Plasticity,STDP）机制的tempotron算法。结果表明该网络能够精确地识别12个方向。该仿真工作为光神经拟态计算系统实现更复杂的类脑功能奠定了坚实的模型基础。 3.提出了基于VCSEL-SA的全光数独求解器。该网络利用VCSEL-SA的时间编码特性、内在的偏振模竞争特性实现了对3×3尺寸数独谜题以及4×4尺寸数独谜题的推理求解。该研究仅用N2个光子脉冲神经元解决N×N尺寸的数独谜题,数独的约束规则映射到不同神经元的不同模式之间的连接权重与连接时延,且根据规则将其分为兴奋性连接和抑制性连接,其中抑制性连接的时延小于兴奋性连接的时延以保证抑制的优先性,从而达到数独求解的目的。这项工作证明了所提出的光子脉冲神经网络在应用与解决复杂问题的可行性,并为未来光子脉冲神经网络的发展提供了新的可能性。 4.提出了基于FP激光器的光子视觉避障系统。避障系统由信息采集、信息处理、执行决策这三个部分组成。信息采集模块模拟人眼视网膜采集信息,FP激光器充当核心的信息处理单元,最后运动神经元模拟大脑做出决策。其中FP激光器作为光子脉冲神经元表现出的脉冲速率编码特性是判断是否避障的基础。通过仿真与实验分析了四种运动避障场景下的避障可行性,分别是“匀速接近”、“接近与后退”、“带停留的运动状态”、以及“不同速度接近的障碍物”。另外考虑到FP激光器的多纵模特性,设计了三波长外光注入FP激光器的硬件系统实验方案,用于解决多个静止障碍物同时出现的避障问题,结果证实了在以上五种避障场景下都能够取得良好的结果,且该系统具有高达5 GHz的脉冲响应速率。证明了超高速光子避障系统在未来无人机等领域应用的可行性,也凸显了光子神经拟态处理器平台的潜力。

关键词： 模糊规则   核函数   小波变换   遗传算法   模式识别  

摘要： 模糊小波神经网络由于其优秀的建模能力及强大的学习能力,已成功应用于医学、经济学等领域。然而,模糊小波神经网络处理高次多项式非线性关系的能力有所不足。本文从神经网络多层结构的角度出发,提出模糊小波多层神经网络的构造方式,克服传统模糊小波神经网络难以有效处理非线性数据的缺陷。创新点如下: 1.提出模糊小波多层神经网络,它能有效处理输入输出之间的高次多项式非线性关系,并且具有更好的可解释性。首先,使用模糊聚类算法构成模糊小波多层神经网络的前提部分,并引入小波变换对数据进行多尺度分析,提取数据的主要特征并去除噪声。其次,通过使用多种类型的核函数替换多项式神经网络的多项式激活函数,构造一种新型的多层神经网络,并将其作为模糊规则的结论部分。 2.提出自适应模糊小波多层神经网络,该模型以模糊小波多层神经网络为基础,使用Dropout正则化与遗传算法相结合的混合优化策略进行改进。首先利用Dropout正则化随机丢弃模型中的部分神经元,对模型结构进行优化以降低其复杂度。其次,使用遗传算法对模型的超参数进行调整,针对不同问题自适应的得到最优参数组合。提出的模型相比模糊小波多层神经网络具备动态适应实际问题的能力,且模型复杂度大幅降低。 3.提出自适应模糊小波多层神经网络的指纹识别模型。由于自适应模糊小波多层神经网络强大的学习能力及泛化能力,提出基于自适应模糊小波多层神经网络的指纹识别模型。首先对指纹数据进行特征提取,接着使用主成分分析法对其进行降维,并使用小波变换去除特征中的噪声,最后使用模型对其进行分类。

关键词： 卷积神经网络   窃漏电用户   自动识别   用电数据   模式识别  

摘要： 本研究聚焦于电力窃漏电用户的自动识别，提出一种创新算法。通过深度特征挖掘技术，提取电力数据中的电量趋势、线损及告警类等关键特征，构建多维度特征体系。运用卷积神经网络（convolutional neural networks）对特征进行学习，建立窃漏电用户识别模型。针对表前窃电行为，采用非参数统计方法分析历史与监测数据特征值分布，动态确定预警阈值。经国家电网真实用户数据集验证，该算法准确率达90%以上，召回率超85%，具备高准确性与实用性，适用于各类电力数据监测系统，如无线抄表系统，能有效提升电力企业反窃电能力，维护供电秩序与电网安全。

关键词： 汽车内饰气味   车内气味检测   电子鼻   仿生气测腔室   模式识别  

摘要： 目前,汽车内饰的刺激性气味直接影响到消费者的购车欲望。现阶段检测方法,需要耗费大量的人力与物力,并且在技术与评价上都有诸多局限性。所以,制定明确的车内异味检测方案,并搭建相应的电子鼻检测设备对于汽车行业的可持续发展至关重要。本文旨在探索一种成本低、检测高效快速、可重复性高的车内异味检测技术手段。主要研究内容与工作如下: 首先,针对现有电子鼻气测腔室在几何结构上存在的问题,以灵缇犬与蜂巢结构特点为仿生启示,对气测腔室进行了结构优化。通过计算流体力学仿真,分析不同结构设计对气流均匀度的影响。结合正交试验,最终确定了气测腔室的最佳组合尺寸条件,有效提高气测腔室流场均匀度,使样品气体均匀的到达传感器表面。 其次,搭建检测车内异味的电子鼻检测系统。电子鼻系统主要包含气体传感器阵列、气路模块和检测控制模块。根据车内零部件挥发气体混合物的组分经验,选择了包含二十个气敏传感器的传感器阵列。气路模块则利用第二章中设计完成的气测腔室安装传感器阵列。检测控制模块则使用商用电路板及数据采集卡。 然后,自建车内异味检测样本集。选取了乘用车内普遍且面积较大的顶空、座椅和地毯作为研究重点。试验流程涵盖了感官评价标准的建立、试验气体的制备、主观评价和仪器检测方法,以确保试验的全面性和准确性。 最后,对车内异味样本集处理及分析。对获得的样本数据进行了基线校准——放大和均值滤波降噪处理两种预处理,得到了响应程度良好且无明显信号噪声的数据。提取样本集的三种特征,包括高斯曲线拟合(GCF)、多项式曲线拟合(PCF)和指数曲线拟合(ECF)。使用支持向量机(SVM)、随机森林(RF)和K邻近(KNN)三种模式识别算法,对数据进行了训练测试分类。在PCF-RF条件下,不同车内零部件的识别率为95.37%。在PCF特征值条件下,SVM与RF模式识别算法对不同零部件气味浓度的识别率在94%以上。 研究结果表明,电子鼻能够有效地区分不同零部件及其浓度梯度,为解决车内零部件导致的车内空气污染问题提供了有力支持,为改善车内环境质量提供了新的解决方案。

关键词： 模糊最小最大神经网络   卷积神经网络   模式识别   高斯核函数  

摘要： 传统的模糊最小最大神经网络拥有较强的分类能力和在线学习能力,因此在分类识别领域具有广泛应用前景。但是该神经网络存在超盒输入顺序、扩展系数以及超盒收缩规则的影响,为了克服上述局限性,本文通过重构超盒的设计方法提出两种不同的神经网络模型,并应用于图像识别领域。其创新点如下: 1.提出模糊超盒神经网络的构造方法。通过重新设定超盒中心的方式来重构超盒,利用超盒中心在重叠检测的区域来确定超盒的扩展操作和收缩操作,并在经典的模糊最小最大神经网络中添加一层网络结构来构造四层结构的神经网络。模糊超盒神经网络训练过程首先在超盒层中直接对初始超盒进行创建,来消除对超盒样本输入顺序的影响;然后在自定义层中通过划分、自定义重叠重组、组合等操作后有效克服对扩展系数的影响;最后在输出层进行输出结果,实验结果表明该神经网络提高了分类的性能。 2.提出模糊高斯核超盒神经网络的构造方法。通过重新构造超盒核函数的方式来重构超盒,将高斯核函数与隶属度函数相结合构造高斯核隶属度函数,利用超盒质心到重叠区域的欧式距离来选择收缩以消除重叠。模糊高斯核超盒神经网络在收缩操作时提出一个自定义系数,用于控制超盒之间的收缩程度,避免过度收缩对最终分类性能的影响。实验结果表明提升了分类的性能,并降低网络复杂度。 3.提出图像识别的卷积模糊超盒多层神经网络模型。由于卷积神经网络并不具备在线能力,因此通过将卷积神经网络与模糊高斯核超盒神经网络相结合构造卷积模糊超盒多层神经网络,使得该模型拥有这两种神经网络的优点。在图像识别中,首先利用卷积神经网络提取图像特征,然后使用模糊高斯核超盒神经网络进行分类,最后结果表明该模型具有较好的分类性能和在线学习能力。

关键词： 复合材料安全压杠   无损检测   声发射   机器学习   损伤模式识别  

摘要： 大型游乐设施是人民追求美好生活的重要载体,广泛分布在各大旅游景区和游乐园,年体验超过7亿人次,在我国被纳入特种设备进行安全管理。随着大型游乐设施不断向高参数、大型化的方向发展,急需开展关键结构材料轻量化及安全评价技术研究。安全压杠作为大型游乐设施束缚乘客的关键结构,直接影响乘坐的安全性和舒适性。近些年,美国迪士尼、环球影城已在最先进的产品上开展复合材料安全压杠的探索,其应用大幅减轻了结构重量,也减少了连接构件的磨损,具有良好的推广前景。但是大型游乐设施复杂的运行工况增加了复合材料安全压杠损伤诊断与预测的难度,故有必要对其开展无损检测与损伤模式识别方法研究。声发射技术在复合材料损伤表征方面具有一定优势,但声发射信号的复杂性和非平稳性造成时频域特征冗杂,影响损伤诊断结果的可比性和普适性。此外,现有基于声发射技术的损伤模式表征和分类模型特异性较强,关联参数与波形特征提取的方法成为了当前的研究热点。因此,本文以大型游乐设施碳纤维复合材料安全压杠为研究对象,开展结合声发射响应特性和机器学习的损伤模式表征与分类研究,通过数字图像相关技术、红外热成像技术、显微CT多种无损检测技术验证损伤识别结果,为碳纤维复合材料安全压杠的服役评价提供技术支撑,为我国大型游乐设施的轻量化研究奠定基础1。本文的主要研究内容如下: (1)提出了基于希尔伯特边际谱的动态窗口能量特征提取方法。以声发射参数分析法与波形分析法为依据,利用主成分分析的无监督机器学习算法和线性判别分析的监督机器学习算法实现信号特征参数降维,利用基于希尔伯特-黄变换和小波包变换提取波形量化特征,建立基于支持向量机的损伤信号识别模型。在此基础上,创新设置了原始波形希尔伯特边际谱的频率窗口及窗口的移动步长,实现任意窗口内能量特征的量化提取。研究确定了以50 k Hz为频率窗口和5 k Hz为窗口移动步长能有效区分各类损伤模式能量特征,解决了小波包分解频率范围划分受限的难题,发展了希尔伯特边际谱量化特征提取方法。 (2)建立了基于线性判别分析法和K-近邻算法的复合材料损伤模式识别模型。实验获取碳纤维复合材料典型损伤模式(基体开裂、层间损伤、纤维断裂)声发射信号,通过线性判别分析法将上述信号的频率、幅值等重要特征参数降维,形成新的特征参数并建立基于线性判别分析法的损伤识别模型。以新的特征参数为输入,建立基于K-近邻算法的损伤模式识别模型。通过对不同载荷阶段的声发射特征参数进行降维处理并输入以上两种模型,利用本文提出的声发射信号特征提取方法验证上述两个模型的分类结果,基于K-近邻算法的损伤模式识别模型的准确率达83%。更重要的是,建立的损伤模式识别模型关联了信号的参数特征和能量特征,提高了复合材料损伤模式的声发射信号识别能力。 (3)研制了碳纤维复合材料安全压杠,发明了模拟实际服役状态的测试装置及方法。根据大型游乐设施安全压杠现行标准的设计要求,研制了一种满足使用强度的碳纤维复合材料压杠,与传统金属压杠相比重量减轻66.7%。利用仿真软件建立了碳纤维复合材料安全压杠有限元仿真模型,计算其应力分布情况。根据仿真计算结果,搭建了模拟实际服役状态的安全压杠测试装置,开展声发射监测下的静力破坏与循环加载实验。利用本文提出的声发射信号特征提取方法和损伤模式识别模型,识别了完整的循环加载测试过程的声发射信号集,结果未出现与纤维断裂相关信号簇,证明了碳纤维复合材料安全压杠在模拟实际服役状态下的结构稳定性;阐明了复合材料安全压杠损伤演化机制,为碳纤维复合材料安全压杠的设计优化和服役评价提供依据。 (4)利用多种无损检测技术验证了基于声发射的损伤模式识别方法。利用数字图像相关技术获得局部应变信息,研究碳纤维增强复合材料的应变场变化规律,通过观察到由分层损伤诱发的表面应力集中现象,佐证了声发射损伤分类模型对层间损伤信号识别的准确性。通过红外热成像技术监测碳纤维复合材料试件和结构由于应力流动的温度信息变化,以温度的升高及分布情况推测其与近表面中层间损伤、基体开裂、纤维断裂等损伤机制。此外,利用显微CT技术对内部损伤形貌进行图像投影,观察到的损伤主要是由于变形造成的层间损伤和应力集中造成的纤维断裂,在多种损伤模式的共同作用下最终造成了安全压杠的失效,验证了声发射信号表征损伤模式的可靠性。

关键词： 周界安防   超弱光纤光栅阵列   特征提取   模式识别   卷积神经网络  

摘要： 与传统的周界安防技术相比,基于光纤传感原理的周界安防技术具有不受电磁干扰、灵敏度高、绝缘性好、耐腐蚀、受环境干扰影响小等优点。随着光纤传感技术的快速发展,人们对光纤传感网络的复用容量等要求也越来越高,基于超弱光纤光栅(Ultra-weak Fiber Bragg Grating,UWFBG)阵列的周界安防系统因其所具有的分布式和大规模复用等优点,在周界安全领域的应用也越发广泛。本文从光栅阵列传感基本理论、周界安防系统搭建、信号特征提取及模式识别、振动信号识别测试四个环节入手,通过研究入侵振动信号处理方法来提高周界入侵信号识别率。 首先本文在研究光栅阵列基本原理和传感理论的基础上,搭建了基于UWFBG阵列的周界安防系统,通过对几种信号分解算法进行分析对比,提出一种VMDMFE周界安防入侵事件识别方法,该方法使用变分模态分解(Variational Mode Decomposition,VMD)对采集的信号进行分解,利用信号相关性原理选择最佳分量并提取其多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE),结合信号过零率(Zero Crossing Rate,ZCR)共同组成特征向量,最终将所得特征向量输入到Sigmoid函数拟合的支持向量机(Support Vector Machine,SVM)进行分类识别,通过与其他几种信号分解方法以及不同分类器输出的分类结果进行对比,证明了该入侵信号识别方案的有效性。 其次针对周界安防系统中入侵信号特征提取环节存在的流程复杂、依赖专家知识以及浅层结构特征学习能力不足等问题,提出了ms CNN-LSTM振动信号识别方法,该方法首先使用改进的多尺度卷积神经网络(ms CNN)提取信号的多尺度结构特征,在每一层的结尾将提取的多尺度特征进行融合并对其重标定,最后将重标定的特征输入到长短期记忆(Long Short-term Memory,LSTM)神经网络中分析时间依赖性并输出分类结果。所提方法既能提取振动信号的多尺度结构特征又能分析其时间依赖性,可以更准确的识别入侵行为。 最后构建了入侵信号数据集,采集包含五种入侵事件的12730组信号,利用该数据集对ms CNN-LSTM模型进行训练与测试,并在测试集中将其与1D-CNN、CNN-LSTM、MS-CNN-LSTM以及分布式声传感(Distributed Acoustic Sensing,DAS)系统中两种模型的识别结果进行了对比。测试结果表明:本文提出的ms CNN-LSTM模型能有效识别五种典型入侵行为,10次随机测试平均识别准确率达到97.84%,其性能优于其他三种对比模型以及DAS中的两种模型。