BP神经网络和Elman神经网络在模拟电路故障诊断中的应用

通过分析BP神经网络和Elman神经网络的基本结构和算法,研究了基于神经网络的模拟电路故障诊断方法,并通过仿真实验对比分析了BP神经网络和Elman神经网络的诊断能力。结果表明,BP神经网络的收敛速度相对较慢、训练时间长;Elman神经网络的结构参数调整简单、训练时间短、性能稳定,更适合存在容差、非线性等问题的模拟电路故障诊断。     

基于Elman神经网络110警情预测研究

统计110警情数据,建立警情数据的时间序列,选定网络的输入、输出节点,创建Elman神经网络,利用样本数据对网络进行训练学习,测试数据的仿真实验结果表明,与BP神经网络相比,Elman神经网络对110警情进行短期预测,预测的精度更高。     

Elman神经网络的网络流量预测

研究网络流量准确预测问题,由于网络流量变化具有非线性、突变性,传统网络流量预测是建立在线性模型的基础上,无法准确描述网络流量变化规律,导致预测精度低.为了提高网络流量的预测精度,提出一种Elman神经网络的网络流量预测模型.根据Elman神经网络良好的时变性捕捉能力和非线性预测能力对网络流量变化规律进行建模和预测.实验结果表明,模型具有良好的预测效果,相对于传统ARIMA模型、BP神经网络模型,Elman神经网络模型预测精度更高,误差更小,说明了改进的优化方法对网络流量预测是有效和可行的.     

机器人遥操作系统中信息延时的预测研究

分析了互联网传输时延的组成和特性后,提出了用BP神经网络和Elman神经网络预测网络传输时延,仿真结果表明BP神经网络和Elman神经网络提供了两种有前途的互联网时延预测方法,但Elman神经网络有更好的预测效果.     

BP 神经网络在基金价格预测中的应用研究

研究基金价格变化的准确预测问题.针对基金价格变化规律相当复杂,影响因素间非线性程度相当的高,传统预测方法不能很好反映非线性规律,导致基金价格预测精度不高.为了基金价格预测精度,提出一种基于 BP 神经网络的基金价格预测模型.通过 BP 神经网络优异的非线性逼近能力和自学习能力对基金价格数据进行训练和预测,同时通过自适应学习速率动态地调速 BP 神经网络学习速率,对基金价格进行预测.通过对金泰基金的仿真研究,表明了改进的 BP 神经网络比其它基金价格预测具有更高的精确度,能准确地捕捉基金价格的变化趋势,为基金价格预测提供了参考.     

基于RBF神经网络的CPI预测

采用RBF神经网络的结构、特性和训练算法,根据CPI(消费者物价指数)与其影响因素之间存在的映射关系,应用神经网络建立了多因素非线性时间序列预测模型.最后通过仿真实验和研究,把RBF神经网络与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度更高,结果令人满意.     

基于神经网络的邢台市空气质量预测模型构建研究

随着邢台市空气污染日趋严重,构建基于神经网络的空气质量等级预测模型具有重要意义.文章以邢台市空气主要污染源的排放量、日最高温度、日最低温度、风力及空气质量等级为样本数据,基于MATLAB神经网络的背景,运用BP神经网络、PNN神经网络、Elman神经网络模式识别方法构建空气质量预测模型,通过对比预测空气质量等级和实际等级评价模型,结果表明,BP神经网络正确率41.94％,PNN网络正确率38.71％,Elman网络正确率35.48％,BP神经网络所构建的预测模型效果最好.     

基于LSTM神经网络的区域微网短期负荷预测

针对大电网负荷预测的研究较多而微电网相对较少,因此建立合适的微电网负荷预测模型提高预测的准确度非常重要。本文针对输入变量较少的情况,分析并选用温度、日类型以及多个历史负荷量作为模型的输入变量,选用基于循环神经网络基础下的长短期记忆神经网络进行建模,构建基于LSTM神经网络的微网负荷预测模型。最后,为增强结果的可靠性,采用2组不同时间段的负荷数据分别进行预测,将LSTM神经网络的预测结果与BP神经网络、径向基函数神经网络、Elman神经网络的预测结果进行对比。实验结果表明,LSTM神经网络的预测结果要优于BP神经网络、径向基函数神经网络及Elman神经网络,采用LSTM神经网络负荷预测模型在微电网背景下具有比较好的推广前景。     

一种改进的神经网络模型在故障诊断中的应用

利用粗糙集理论对知识的约简能力及神经网络的自学习、自适应能力,构建了粗糙集-神经网络故障诊断模型,并对BP和Elman两种神经网络比较分析。仿真结果表明,与BP结合的方法更能简化神经网络结构,减少网络的训练时间,提高故障诊断的准确率。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

Implementing probabilistic Neural Networks

A modified PNN training algorithm is proposed. The standard PNN, though requiring a very short training time, when implemented in hardware exhibits the drawbacks of being costly in terms of classification time and of requiring an unlimited number of units. The proposed modification overcomes the latter drawback by introducing an elimination criterion to avoid the storage of unnecessary patterns. The distortion in the density estimation introduced by this criterion is compensated for by a crossvalidation procedure to adapt the network parameters. The present paper deals with a specific realworld application, i.e. handwritten character classification. The proposed algorithm makes it possible to realise the PNN in hardware and, at the same time, compensates for some inadequacies arising from the theoretical basis of the PNN, which does not perform well with small training sets.     

Neural Networks in Non-Euclidean Spaces

Multilayer Perceptrons (MLPs) use scalar products to compute weighted activation of neurons providing decision borders using combinations of soft hyperplanes. The weighted fun-in activation function may be replaced by a distance function between the inputs and the weights, offering a natural generalization of the standard MLP model. Non-Euclidean distance functions may also be introduced by normalization of the input vectors into an extended feature space. Both approaches influence the shapes of decision borders dramatically. An illustrative example showing these changes is provided.     

基于有序神经网络的神经模糊预测控制

本文使用有序神经网络和改进的模糊控制器构成了一种新型的神经模糊预测控制方法，有序网络学习速度快，所需神经数目少，用事先训练好的有序网络代替传统的预测模型，以期增强输出预测的准确性；同时，用一种改进的模糊控制器原有的PID控制器，增强系统的鲁棒性。仿真结果表明，所提出的神经模糊预测控制方法可以获得理想的控制效果。     

Computer Generated Holograms for Optical Neural Networks

While numerous artificial neural network (ANN) models have been electronically implemented and simulated by conventional computers, optical technology provides a far superior mechanism for the implementation of large-scale ANNs. The properties of light make it an ideal carrier of data signals. With optics, very large and high speed neural network architectures are possible. Because light is a predictable phenomenon, it can be described mathematically and its behavior can be simulated by conventional computers. A hologram is in essence a capture of the light field at a particular moment in time and space. Later, the hologram can be used to reconstruct the three dimensional light field carrying optical data. This makes a hologram an ideal medium for capturing, storing, and transmitting data in optical computers, such as optical neural networks (ONNs). Holograms can be created using conventional methods, but they can also be computer generated. In this paper, we will present an overview of optical neural networks, with emphasis on the holographic neural networks. We will take a look at the mathematical basis of holography in terms of the Fresnel Zone Plate and how it can be utilized in making computer generated holograms (CGHs). Finally, we will present various methods of CGH implementation in a two layer holographic ONN.     

神经网络水印技术研究进展

随着深度神经网络的推广应用,训练后的神经网络模型已经成为一种重要的资产并为用户提供服务.服务商在提供服务的同时,也更多地关注其模型的版权保护,神经网络水印技术应运而生.首先,分析水印及其基本需求,并对神经网络水印涉及的相关技术进行介绍;对深度神经网络水印技术进行对比,并重点对白盒和黑盒水印进行详细分析;对神经网络水印攻击技术展开对比,并按照水印攻击目标的不同,对水印鲁棒性攻击、隐蔽性攻击、安全性攻击等技术进行分类介绍;最后对未来方向与挑战进行探讨.     

Fault Diagnosis Using Wavelet Neural Networks

Wavelet neural networks are a class of neural networks consisting of wavelets. This paper presents a novel universal tool for fault diagnosis and algorithms for wavelet neural network construction are proposed. Using the model of wavelet neural networks, we can not only extract the features of system but also predict the development of the fault.     

改进型B样条模糊神经网络

提出了一种改进型B样条模糊神经网络,用以增加B样条函数在作为模糊神经网络控制器实际应用中的抗干扰能力,通过指出常规B 样条模糊隶属函数构造中存在的不足,提出了针对性的改进措施,从而既满足了B样条本身的性质,又从理论设计上避免了使系统不稳定的因素,在实际电机速度控制系统的对比实验中证明了所提改进方法的有效性和实用性,文中给出了改进型B样条网络的设计过程及实验结果。     

前馈神经网络和循环神经网络的鲁棒性验证综述

随着智能时代的到来,部署了深度神经网络的智能系统应用已经渗透到了人类生活的各个方面.然而,由于神经网络具有黑盒特性和规模庞大的特点,其预测结果难以让人完全信服,当应用于自动驾驶等安全攸关的领域时,如何保证其安全性仍然是学术界和工业界面临的巨大挑战.为此,学术界针对神经网络一种特殊的安全性——鲁棒性展开了研究,并提出了很多鲁棒性的分析和验证方法.目前为止,验证前馈神经网络的方法包括精确验证方法和近似验证方法,已经发展得比较繁荣;而对于其他类型的网络,如循环神经网络的鲁棒性验证研究还处于起步阶段.回顾深度神经网络的发展以及部署到日常生活中面临的挑战;详尽地调研前馈神经网络和循环神经网络的鲁棒性验证方法,并对这些验证方法间的内在联系进行分析和比较;调研循环神经网络在现实应用场景中的安全性验证方法;阐明神经网络鲁棒性验证领域未来可以深入研究的方向.     

一种自组织模糊神经网络控制器

采用一种具有结构和参数学习能力的自组织模糊神经网络控制器设计方法。这种控制器无需事先确定模糊控制规则，能在控制过程中通过神经网络的结构及参数学习在线调整模糊神经网络的结构、产生模糊控制规则、调整规则的参数。仿真表明该控制器能用于一定纯滞后时变对象的控制，具有良好的控制性能。