基于新型CMAC神经网络的复杂系统控制

首先基于离散泰勒级数设计了一种可实现对任意阶多维函数无差逼近的新型CMAC神经网络,给出了其插值算法及训练算法。该系统相对于传统的CMAC神经网络具有学习精度高、收敛速度快、所需内存单元少等优点。并基于新型CMAC神经网络设计了一种复杂系统的高性能实时控制策略。该方案不依赖于系统的数学模型,具有较强的鲁棒性和通用性,仿真结果表明了该方案的可行性与有效性。     

基于CMAC网络的异常入侵检测技术

针对入侵检测系统对异常入侵检测的不足,采用CMAC神经网络,将其应用于对异常入侵行为的检测,并给出了基于CMAC的入侵检测模型.由于CMAC网络是一种联想网络,所以它对未知类型的入侵行为有很好的识别能力.同时,它的学习与修正只涉及很少的神经元,所以其速度很快.最后通过试验证明,应用CMAC神经网络的入侵检测系统相对于传统检测技术,在检测率及误判率上都有所提高.     

基于离散泰勒级数的新型联想记忆系统

基于离散泰勒级数提出一种对任意阶多维函数可实现无差逼近的新型联想记忆系统，详细讨论了该系统的插值算法、训练规则及寻址机制，新型联想记忆系统相对于CMAC具有逼近精度更高、占用存储单元较少、学习速度较快等优点，该系统在信号处理、模式识别、过程建模及高精度实时智能控制等领域具有广泛的应用价值，仿真实例表明了系统的可行性与有效性。     

基于CMAC神经网络的主动磁轴承控制研究

对CMAC神经网络的工作原理进行了简要讨论,针对主动磁轴承具有本质不稳定性和高度非线性动态特性的特点,提出了一种基于CMAC神经网络的非线性控制方案以改善系统的特性.对某单自由度磁轴承的仿真研究表明,CMAC神经网络控制器抗扰动能力强,同时其他控制品质也比传统PID控制器好.     

一种改进的B样条CMAC网络概念映射方法

针对CMAC网络在输入维数高、量化间距小、样本数量多的情况下导致虚拟存储空间过大的问题,提出一种改进的基于多维存储结构的B样条CMAC网络概念映射方法,无需增加虚拟空间到物理空间的hash映射,避免了地址碰撞问题,与其他映射方法相比,由于该方法只映射量化空间中少量的有规律的地址单元,使得该映射方法实际所需虚拟地址空间远小于其他方法,从而在存储空间受限情况下,可以显著提高网络的学习精度和泛化能力.仿真试验结果表明,在新的映射方法下,B样条CMAC比常规CMAC学习精度高,学习速度快,泛化能力强,对相同结构的B样条CMAC网络,新的映射方法在存储空间大小、学习能力和泛化能力等方面明显优于现有的其他方法.     

基于CMAC和图像信息测度特征的边缘检测方法及其应用

CMAC(Cerebellar Model Articulation Controller)网络是一种具有线性结构、算法简单的局部化神经网络,由一个固定的非线性输入层和一个可调线性输出层组成,实质为自适应查表算法.由于信息以分布方式存储,CMAC泛化能力强,学习速度快.通过引入信息测度特征反映图像边缘,以CMAC网络为非线性函数映射器,对配电系统中关键绝缘瓷瓶的远程监控作了应用研究,提出一种利用CMAC网络完成瓷瓶图像信息测度至边缘特征的非线性映射方法;并通过边缘检测前后的正常预处理和异常扫描,实现瓷瓶状态的实时监测.仿真和实际应用均表明该方案具有可行性和有效性.     

基于高斯基的广义CMAC在机器人轨迹跟踪控制中的应用

介绍了基于高斯基的广义小脑模型关节控制器（CMAC）的快速算法，实现CMAC学习速率的自适应模糊调整，使其能根据控制系统的动态特性优化CMAC的学习控制，以适应控制系统工况的变化和不确定因素的干扰，并把它与自适应神经元PID控制器相结合实现前馈反馈复合控制，避免了控制器的输出产生振荡或进入饱和状态，增强了系统的鲁棒性．仿真结果表明：这种控制方案能够准确的实现系统的高精度实时位置跟踪和力的控制．     

一种新型的结构自组织基函数模糊CMAC

为提高CMAC的非线性逼近能力 ,通过引入Gauss基函数和基于相似测量的寻址策略 ,提出一种新的Gauss基函数模糊CMAC网络 (GFCMAC) ,并进一步在对Kohonen的自组织映射算法进行改进的基础上 ,提出了GFCMAC的结构自组织算法 (SOGFCMAC) .仿真结果表明 ,采用Gauss基函数和模糊技术可以显著提高CMAC算法的非线性逼近能力 ,与传统CMAC、广义基函数CMAC和FCMAC等算法相比 ,SOGFCMAC算法在收敛速度、逼近精度和结构自组织等多方面都具有明显的优越性 .     

基于CMAC网络Sarsa(λ)学习的RoboCup守门员策略

针对RoboCup仿真组足球比赛场上状态复杂多变、同时供决策的信息大多为连续变量、智能体利用现有信息通常无法判断当前状态下最优动作的问题,以守门员为例,首先利用CMAC神经网络对连续状态空间泛化,然后在泛化后的状态上,采用Sarsa(λ)学习算法获取守门员的最优策略.通过在RoboCup仿真平台上进行仿真,实验结果表明,采用基于CMAC的Sarsa(λ)学习算法的守门员,经过一定时间的学习后,防守时间显著增长,防守效果明显优于其他算法,验证了本文所提方案的有效性.     

基于小波变换与双线性插值图像配比算法研究

插值算法常用在图像缩放中的像素点处理,目的是为了减少图像的失真和模糊.插值缩小技术可以使图像用小的信息量涵盖原图像的重要信息.插值放大技术可以使图像的分辨率提高,但同时容易出现块状和锯齿现象.为了尽量使复原图像更接近原始图像,它分析现有的常用三种插值算法(最近邻点插值、双线性插值、双三次插值),同时结合小波变换思想,提出了一种小波变换与插值的图像复原配比新方案.大量实验表明与传统的直接双线性插值复原图像以及小波与双线性插值结合重构图像相比,新方案的峰值信噪比、像素差值比、均方差都具有更为突出的优势.这种方案能有效提高图像复原的效果,并且具有普适性和灵活性,适合各类格式及尺寸图像处理.     

基于牛顿插值和神经网络的时间序列预测研究

在时间序列法基础上应用插值理论和神经网络建立一种新的预测模型。首先采用插值法拟合历史 销售数据并求出大量的数据训练神经网络, 弥补了历史数据缺乏的问题;然后用训练好的神经网络代替传统的最小 二乘法拟合时间序列因素, 从而求出预测值。仿真结果表明, 此模型能够有效地改善模型的拟合能力并提高预测精 度。     

RPROP神经网络的电力系统谐波分析

将RPROP(Resilient Propagation)神经网络运用到电力系统的谐波分析中,能够提高其精度以及速度.与BP(Back Propagation)不同,RPROP算法能够调整可变参数,因此能够避免一阶偏导数幅值信息对参数调整的影响,并且能够提高谐波分析的精确度以及收敛速度.通过对RPROP神经网络与BP神经进行比较,验证了基于RPROP神经网络的电力系统谐波分析具有的高精度以及收敛速度快等特点.     

基于神经网络动力系统DEM高程微分方程内插方法研究

分析了DEM神经网络的基本问题,对神经网络动力系统进行多层感知,形成DEM高程微分方程内插算法,从而能够在图像修复、语音识别、控制工程领域得到应用。通过高程微分方程的动态对象分析,可以对数据聚类,形成系统模型优化方案,保证网络性能得到优化。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法。首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中的一氧化碳和乙烯混合气体的实验数据中。实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高,误差更小,为电子鼻系统气体种类检测提供了一种新的方法。     

压气机特性的高斯变换多层感知器预测方法

使用BP( back propagation)神经网络进行压气机特性预测时,容易出现外插精度低和系统稳定性差的问题.根据压气机特性图中等转速线线形分布特点,提出一种新型的多层感知器神经网络,利用高斯函数对数据样本进行变换,提取特性图中各条等转速线间的相似度关系.分析结果表明,该神经网络在预测精度、网络稳定性和逼近能力等方面优于BP神经网络.利用该神经网络对某型压气机特性进行预测,结果表明该神经网络对于样本数据内插值和外插值预测都有比较理想的精度.     

求解多峰优化问题的改进布谷鸟算法

布谷鸟算法是一种简便而高效的元启发式算法.然而,布谷鸟算法在求解复杂的多峰优化问题时通常存在易陷入局部最优解的缺点.针对布谷鸟算法的这种缺点,结合神经网络算法和布谷鸟算法的特性,提出一种基于神经网络的布谷鸟算法.该算法的核心思想是借助改进神经网络算法的强大全局搜索能力和动态种群策略来平衡布谷鸟算法的全局搜索能力和局部搜索能力,从而减少布谷鸟算法陷入局部最优的可能性.该算法首先将种群中的个体依照适应度值的优劣进行排序,然后对种群中最好的一半个体通过布谷鸟算法进行优化,对种群中最差的一半个体通过改进的神经网络算法进行优化,最后将所有个体组成一个新的种群,并从中筛选出最优解.采用24个复杂基准测试函数检验所提出算法求解多峰优化问题的性能,并将优化结果与神经网络算法,布谷鸟算法以及一些改进的布谷鸟算法所获取的优化结果相比较.实验结果表明:所提出的算法充分地展现了神经网络算法和布谷鸟算法的优势,其在求解质量,求解效率以及求解稳定性上均显著优于其它算法.     

基于U-Net的颅内出血识别算法

针对颅脑计算机断层成像（CT）影像中脑出血的分析和识别，提出采用神经网络模型U-Net与轮廓识别相结合的方法提取脑实质区域，通过阈值分割算法分析血块的图像纹理特征，并过滤软组织、脑组织和脑脊液等无关生理组织结构，实现对颅内出血点的精确定位，最后采用插值方法将出血区域进行三维重建，对血块的三维形态作出评估.在天津市某医疗机构提供的500例颅脑CT数据上进行了验证测试，实验结果表明，该算法达到97.4%的目标识别准确率，能够为脑出血诊断提供参考.     

RBF神经网络算法及其应用

在径向基神经网络学习算法的基础上,提出了一种新的RBF神经网络学习算法,该算法将变长度染色体遗传算法和最小二乘法相结合,能够同时确定径向基神经网络的结构和参数。用此方法建立热电厂热负荷预测模型,并与BP神经网络和增长型结构学习算法的RBF神经网络方法相比较,结果表明可以取得更好的效果。     

基于遗传优化的神经网络盲均衡算法

传统前馈神经网络盲均衡中神经网络的初始权重的确定缺乏理论依据,收敛速度慢,容易陷人局部极小值.为有效克服这些缺陷,提出了遗传优化神经网络的盲均衡算法.算法用遗传算法对前馈神经网络的网络权重进行优化,为神经网络提供一个全局较优的局部搜索空间;再利用传统神经网络在这个局部空间进行更精确地搜索,最终实现盲均衡.计算机仿真结果表明:与传统神经网络算法相比,新算法达到了更好的收敛特性和均衡效果,剩余稳态误差减少30%以上,收敛速度加快约20%,误码率也有明显降低.