基于前向对向传播神经网络的信息检索技术研究

提出了一种基于前向对向传播神经网络的信息检索算法。分析了信息检索技术的基本概念、原理、以及检索方式,研究了科技信息检索的流程,研究了前向对向传播神经网络的基本模型和算法,提出了基于前向对向传播神经网络的信息检索的原理和算法,并将这种算法与传统方法通过仿真实验进行对比,在保持100%的查准率的情况下,将查全率由79.63%提高至85.59%,获得了较好的效果。     

基于蚁群算法的模糊神经网络垂直切换算法

提出了基于蚁群算法(ACO)优化的模糊神经网络垂直切换算法ACO-FNN,综合考虑了信号强度、移动速度、可用带宽等因素进行模糊神经网络处理,并采用蚁群算法进行优化,调整隶属度函数的参数。仿真结果表明,该算法能够在减少乒乓效应的基础上更好的保证用户的服务质量QOS。     

基于FPGA的误差校正神经网络算法设计与实现

为了能够在真实硬件平台上进行实现,本文对原有的误差校正构造性神经网络算法进行了优化,并对优化后的误差修正算法进行了FPGA设计与实现。提出算法通过在自动生成一个合适的神经架构的同时对二个参数进行设置来提高算法性能。本文对这种算法实现的所有步骤进行了全面的描述并利用两种基准问题对结果进行了深入分析。结果显示,与标准的基于个人计算机（PC）的实现相比,本文提出的神经网络算法FPGA实现在计算速度方面有着明显的提高,由此证明了FPGA在误差校正算法神经计算任务中的实用性及适用性。     

基于SPDS算法神经网络的CDMA多用户检测

针对基于单参数动态搜索(SPDS)算法的神经网络应用于DS-CDMA通信的多用户检测的问题,先给出了在同步高斯信道下运用三层基于SPDS算法的神经网络解调扩频信号的结构框图,然后给出了SPDS算法的优点和具体实现步骤,并分析了基于这种网络进行多用户检测的理论依据和实际性能。仿真结果表明,无论是抗多址干扰还是抑制远近效应,基于SPDS算法的神经网络接收机都明显优于传统接收机和普通BP神经网络接收机。     

基于免疫遗传算法的神经网络在智能故障诊断中的应用

本文设计了一种基于免疫遗传算法的多层前向神经网络,解决了BP算法在故障诊断中易陷入局部极小值的问题,既有神经网络的学习能力和鲁棒性,又具有免疫遗传算法强的全局随机搜索能力。仿真结果表明,这种神经网络能较好地完成复杂生产过程的故障诊断。     

一种基于高阶矩的神经网络参数估计器

本文提出了一种可控学习的两级多层神经网络模型,由此设计出一种基于高阶矩匹配的神经网络参数估计器;并对该神经网络模型的学习算法进行了研究,提出了一种自适应并行学习算法。仿真结果表明,这种利用神经网络进行模型参数估计的方法是可行的。     

熵优化神经网络及天线建模

将信息熵的概念引入到神经网络中，提出了前馈神经网络的熵优化训练算法，并对这种网络的结构优化和分类能力进行了分析，最后，将之用于微波天线的建模中，说明了这种新型网络的应用前景。     

基于自适应谐振网络的矢量量化研究

简介矢量量化技术,描述了码书设计和码字搜索的原理.分析了自适应谐振网络相对于一般竞争网络的优点.即自适应谐振网络克服了一般竞争网络的"稳定性/可塑性困境"问题.文章归纳了自适应谐振神经网络的一般结构和学习算法.提出了基于自适应谐振神经网络的码书设计算法,并确定了相关的网络参数.基于自适应谐振神经网络的码书设计比一般竞争网络具有更好的效果.     

单帧图像超分辨率重建的深度神经网络综述

随着硬件计算能力的显著提升,深度神经网络广泛应用于计算机视觉和图像处理的各个领域,获得了突出成果,受这种方法启发,单帧图像超分辨率重建(Super-resolution Reconstruction, SR)也引入深度学习思想,并且重建效果远远超越传统算法,成为研究的热点并迅速成为主流技术。将对深度神经网络的单帧图像超分辨率重建技术分为两类(基于传统深度神经网络的单帧图像超分辨率重建和基于生成对抗网络的单帧图像超分辨率重建和)进行阐述,以此为基础,对单帧图像超分辨率技术的发展趋势进行展望。     

基于信噪比分类网络的调制信号分类识别算法

针对传统降噪算法损伤高信噪比(SNR)信号而造成信号识别准确率下降的问题,该文提出基于卷积神经网络的信噪比分类算法,该算法利用卷积神经网络对信号进行特征提取,用固定K均值(FK-means)算法对提取的特征进行聚类处理,准确分类高低信噪比信号。低信噪比信号采用改进的中值滤波算法降噪,改进的中值滤波算法在传统中值滤波的基础上增加了前后采样窗口的关联性机制,来改善传统中值滤波算法处理连续噪声效果不佳的问题。为充分提取信号的空间特征和时间特征,该文提出卷积神经网络和长短时记忆网络并联的卷积长短时(P-CL)网络,利用卷积神经网络和长短时记忆网络分别提取信号的空间特征与时间特征,并进行特征融合与分类。实验表明,该文提出的调制信号分类模型识别准确率为91%,相比于卷积长短时(CNN-LSTM)网络提高了6%。     

一种基于噪声估计的语音激活检测算法

针对当前语音激活检测算法在低信噪比和复杂噪声模型的环境下性能损失的问题,提出了一种基于噪声估计的语音激活检测算法,通过对背景噪声进行自适应估计,得到准确的信噪比门限,同时利用估计背景噪声对短时谱进行白化处理,从而使得谱熵判决准则得以适用于复杂噪声模型的环境。实验证明,算法在低信噪比和复杂噪声模型下性能优于G.729B和AMR中的语音激活检测算法。     

一种新的语音和噪声活动检测算法及其在手机双麦克风消噪系统中的应用

针对现有双通道语音活动检测(Voice Activity Detection, VAD)算法依赖于固定阈值难以在多种噪声环境下准确地检测语音和噪声,应用于手机消噪系统会造成语音失真或噪声消除不好等问题,该文提出一种基于神经网络的VAD算法,该算法以分频带能量差和归一化互通道相关为特征,采用神经网络对语音和噪声进行分类。在此基础上,将神经网络VAD与基于互通道信号功率比值的VAD相结合,提出一种新的适用于手机消噪系统的语音和噪声活动检测算法分别对语音和噪声进行检测,并以此进行噪声抑制处理,减少了消噪系统因VAD误判而造成的性能下降。实验结果表明,该处理方法在抑制背景噪声和减少语音失真等方面优于现有的消噪算法,对于方向性语音干扰也有很好的抑制效果。     

基于RBF神经网络的相关干涉仪测向方法

提出了一种新的基于径向基(RBF)神经网络的相关干涉仪测向方法,实现了自组织学习选取中心、正交最小二乘法及基于遗传算法的进化优选算法等训练方法,经训练后的RBF神经网络可用于多源信号波达角(DOA)估计。仿真结果表明,在一定范围内,该方法对信道噪声不敏感,测向精度与传统相关干涉仪相当,且测向处理时间和测向设备的存储量大大降低。     

Environment-adaptation mobile radio propagation prediction usingradial basis function neural networks

This paper investigates the application of a radial basis function (RBF) neural network to the prediction of field strength based on topographical and morphographical data. The RBF neural network is a two-layer localized receptive field network whose output nodes from a combination of radial activation functions computed by the hidden layer nodes. Appropriate centers and connection weights in the RBF network lead to a network that is capable of forming the best approximation to any continuous nonlinear mapping up to an arbitrary resolution. Such an approximation introduces best nonlinear approximation capability into the prediction model in order to accurately predict propagation loss over an arbitrary environment based on adaptive learning from measurement data. The adaptive learning employs hybrid competitive and recursive least squares algorithms. The unsupervised competitive algorithm adjusts the centers while the recursive least squares (RLS) algorithm estimates the connection weights. Because these two learning rules are both linear, rapid convergence is guaranteed. This hybrid algorithm significantly enhances the real-time or adaptive capability of the RBF-based prediction model. The applications to Okumura's (1968) data are included to demonstrate the effectiveness of the RBF neural network approach     

基于子带二次谱熵的语音端点检测

为了提高在强噪声环境下语音端点检测的准确度,提出基于子带二次谱熵的端点检测算法.该算法把子带二次谱熵作为端点检测新的特征参数,首先计算每帧语音信号的二次谱,再多子带分析,计算二次谱熵;引入顺序统计滤波对二次谱熵平滑处理;将有限状态机判别方法与子带二次谱熵相合,形成新的语音/噪声判别算法,有效地解决单门限法易出现的两类误判.实验表明:与传统的两种方法相比,提出的端点检测算法具有准确性高、抗噪性强等优点.     

基于中值滤波的红外焦平面阵列非均匀性神经网络校正

统的神经网络校正算法存在收敛速度慢和校正精度低的缺点。当背景噪声较大时,它更难以获得令人满意的校正效果。 针对其不足之处, 提出一种基于中值滤波的红外焦平面阵列(IRFPA)非均匀性神经网络校正算法。该算法首先利用中值滤波对强噪声进行预处理,在此基础上 采用改进的神经网络校正算法对IRFPA非均匀性进行自适应校正。实验结果表明,该算法与传统的神经网络方法相比具有收敛速度快和校正精 度高等特点,并且使图像的峰值信噪比至少提高了10dB。     

Sparse Representation with Optimized Learned Dictionary for Robust Voice Activity Detection

Traditionally, most of voice activity detection (VAD) methods are based on speech features such as spectrum, temporal energy, and periodicity. The robustness of these features plays a critical role on the performance of VAD. However, since these features are always directly generated from observed signal, the robustness of these features would be significantly degraded in non-stationary noise environments, especially at low level signal-to-noise ratio (SNR) condition. This paper proposes a kind of robust feature for VAD based on sparse representation with an optimized learned dictionary. To do so, a speech dictionary and a noise dictionary are first learned from speech corpus and noise corpus, respectively. Then an optimization algorithm is designed to reduce the mutual coherence between the two learned dictionaries. After that the proposed feature is generated from the optimized dictionary-based sparse representation, and a VAD method is derived from the proposed feature. The proposed method is evaluated over seven types of noise and four types of SNR level, experimental results show that the optimized dictionary is important for enhancing the robustness of the proposed method, and the proposed method performs well under non-stationary noise, especially at low level SNR condition.     

基于概率密度并联距离的话音检测算法

该文提出了一种基于概率密度并联距离的话音激活检测算法。算法根据语音信号和噪声信号的Mel域子带能量概率密度的不同特性,引入并联距离定义构造判决函数,通过判断该函数的值来进行语音激活检测。实验结果表明,在不同信噪比情况下,该文算法性能优于G.729B VAD算法。     

一种混合神经网络在颗粒图像边缘检测中的应用

本文提出了一种应用混合神经网络进行颗粒图像检测的方法。混合神经网络由用于对边缘候选图像的二值输入模式进行聚类特征提取的自组织竞争子网络（ＡＳＣＳＮＮ）和用于获取颗粒图像边缘矢量信息的ＢＰ子网络（ＢＰＳＮＮ）组成,边缘候选图像是通过采用基于灰度极小值算法提取的边缘候选象素获得。神经网络以边缘候选图像中的边缘候选象素及其邻域象素的二值模式作为训练样本。对经过噪声污染的图像进行实验表明,该方法获得的边缘图像封闭性好、边缘描述真实,抗干扰能力较强,适用于颗粒图像的边缘检测。     

一种基于高阶循环累积量的改进型VAD算法

根据语音信号的短段循环平稳(CycloStationary, CS)特征,该文提出了一种应用于复杂背景噪声条件下的基于高阶循环累积量的改进型VAD(Voice Activity Detection)算法,算法采用MA(Moving Average)模型对语音信号建模,并选择平均幅度差(Average Magnitude Difference Function,AMDF)的方法来估算循环频率以降低算法复杂度。经VoIP(Voice over Internet Protocol)平台测试,算法对高斯(白色或有色)噪声以及其它平稳噪声自适应能力强、检测性能突出, 且恢复后语音质量损失较小,对于非对称噪声也具备可检测能力。