相位噪声补偿新技术

文章介绍了两种补偿相位噪声的新技术,分别是补偿激光器相位噪声的数字前馈载波恢复算法和补偿非线性相位噪声的数字反向传播算法.其中数字前馈载波恢复算法能有效地提高能够容忍的激光器线宽;数字反向传播算法减少了非线性噪声,并能够大幅提高发射功率,以提高信噪比.     

用非线性折射产生时间反演的波前

我们叙述一种几乎同时产生任何单色光波的时间反演波前的非线性方法。这种方法使用了在均匀、透明、非线性介质中任何波前的入射光束与反向传播“抽运”平面波的相互作用。证明了用现有的激光抽运源，能在该介质内部高效地产生时间反演波。     

基于反向传播算法神经网络的谐波源模型分析

采用反向传播算法神经网络建立稳态频域的谐波源模型。在模型中,各次谐波电流的幅值和相角与各次谐波电压的幅值和相角以及负荷特征参数的非线性映射关系通过一种新颖的反向传播算法网络进行建模。该网络的学习算法是并行的。算例计算表明,该模型具有训练时间少、精度高等优点,是谐波源建模的有效方法。     

反向通道非线性分析及测量

本文对非线性产物的二次、三次谐波点进行了分析计算，对用TEK2714测量CTB设置差拍频点进行了初步探讨。在保证反向激光器不过载的前提下。实验了反向通道上适当提高信号源的输出电平，不但可以提高通道的NPR值。而且还可以改善反向通道的非线性指标。     

基于延时反向传播算法的低复杂度滤波器研究

为了进一步减少管状双线性递归神经网络的计算复杂度,在管状双线性递归神经网络中采用了延时反向传播算法。延时反向传播算法使用了阶次微分,误差函数对权值微分进行后向计算。后向计算顺序降低了初始化要求,减弱了网络对初始化条件敏感性并降低了计算的复杂度。该网络采用了模块化设计,各个模块以并行的方式执行任务,改善了计算效率。基于管状双线性递归神经网络的结构与神经元的数学模型,提出了具体的延时反向传播算法实现方案。同时进行了仿真来评估滤波器在非线性系统辨识方面的性能。实验结果表明基于延时反向传播算法的管状双线性递归神经网络提供了相当好的性能。     

基矛模糊控制的水下潜器沉浮控制方法

针对水下潜器实际工作的需求和水下沉浮运动特征,提出一种基于自适应模糊控制的水下潜器自主沉浮控制方法。该方法从优化隶属函数入手,采用多层前向神经网络的误差反向传播（EBP）算法对它的参数进行在线修正．并采用Delta—Bar—Delta学习规则对学习速率进行在线调整,使EBP算法具有较快的收敛速度,同时避免了局部极小值问题。仿真实验表明,对于水下潜器自主沉浮运动的不能精确建摸、干扰严重的非线性与时变情况,这种自适应模糊控制是一种较好的控制方式。     

场扫描上下线性补偿电路的理论依据

电视机的场扫描由于多种原因产生非线性失真,这些失真总的效果是使锯齿波产生上凸,如图1。为了校正这个非线性失真,必须让扫描信号产生一个反向下四的预失真,如图2。实现这个预失真,一般采用上线性补偿电路(图3)和下线性补偿电路(图4)。改变R_2可以产生预失真效果,设输入电压u_1为线性锯齿电压(如图5)。扫描     

基于模糊控制的水下潜器沉浮控制方法

针对水下潜器实际工作的需求和水下沉浮运动特征,提出一种基于自适应模糊控制的水下潜器自主沉浮控制方法.该方法从优化隶属函数入手,采用多层前向神经网络的误差反向传播(EBP)算法对它的参数进行在线修正,并采用Delta-Bar-Delta学习规则对学习速率进行在线调整,使EBP算法具有较快的收敛速度,同时避免了局部极小值问题.仿真实验表明,对于水下潜器自主沉浮运动的不能精确建摸、干扰严重的非线性与时变情况,这种自适应模糊控制是一种较好的控制方式.     

基于误差变化率的自适应反应传播算法及其应用

本文针以ＢＰ算法存在收敛速度慢的特点，提出了一种基于网络动态训练误差变化率自动校正学习步长和冲量因子的自适应反向传播算法，异或问题，非线性系统和参数波动系统辨识的结果表明，该方法具有较快的收敛速度。     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

基于神经网络的MEMS陀螺标定与补偿

针对微机电系统(MEMS)陀螺低转速区间上非线性性能很强,采用传统方法对其标定误差较大,满足不了实际应用的问题,因此,采用了一种基于误差反向传播(BP)的神经网络的标定与补偿方法。设计了一组基于优先数的速率点,利用三轴转台进行12组速率实验,用最小二乘法求出在传统数学模型下的待标定系数;将三轴MEMS陀螺的输出和转台的实际转速作为样本,对BP神经网络进行训练,得到神经网络的补偿模型,并对比两种方法的补偿效果。结果表明,传统方法和BP神经网络都对MEMS陀螺的输出进行了有效的补偿;但在低转速区间上,神经网络的补偿效果比传统方法提高了3倍左右。     

三维激光扫描技术下杂散光大数据预处理系统设计

杂散光的产生会降低图像对比度与信噪比,影响扫描测量结果准确性,基于此,提出三维激光扫描技术下杂散光大数据预处理系统。通过三维激光扫描系统原理与工作流程,分析杂散光点源透射比、双向散射分布函数与基本传输方程,建立6种杂散光传输路径模式;利用小数定标规范方法对三维激光数据做规范化处理,确定神经网络模型,将最速下降BP算法作为学习方式对神经网络训练;将神经网络引入到系统设计中,将系统结构从整体上分为格式转换子系统与预处理算法实现环境子系统,完成杂散光大数据预处理系统设计。仿真结果表明,杂散光大数据经过预处理后可以有效抑制杂散光对激光扫描的影响,成像信噪比一直保持在200左中右,测量精准度达到98%。     

基于自适应神经网络的P2P流量检测研究

针对基于神经网络的P2P流量检测问题面临检测精度与样本训练时间相互矛盾的问题,提出了基于自适应的神经网络检测模型。通过对神经网络训练过程中的误差分析,改进神经网络的学习,动态调整神经网络的学习速率,以满足神经网络对预期结果的快速收敛性。详细阐述了应用于P2P流量检测的自适应神经网络构建过程,给出了自适应学习速率的相关计算公式。通过实验测试,结果表明采用自适应的神经网络具有训练速度快,检测精度高的特点,对7种典型P2P的识别精度基本达到了90%以上。     

一个符号神经网络的学习算法

本文首先根据神经科学和认知科学的研究，提出了一种符号神经网络结构，该结构溶符号机制和神经网络于一体，然后在此基础上研究了其学习算法，该算法结合神经网络ＢＰ学习算法和符号机制中学习算法的特点；最后通过实验，证实该算法的可行性和先进性。     

一个基于符号神经网络的知识获取系统

本文提出了一种基于符号神经网络的知识获取方法，该方法首先用传统的机器学习方法获取关于某领域的粗略知识，然后把这些知识映射到神经网络结构。     

基于负相关神经网络集成的货币识别算法研究

为了提高货币识别率,提出了用负相关学习算法来提高神经网络集成的泛化能力.将紫外光照射下的纸币图片作为实验样本,将负相关学习法的集成神经网络用于分类器设计,选择6种面额纸币在不同噪声下的样本共300个作为训练样本,对单个神经网络分类器和神经网络集成分类器进行了MATLAB仿真,并对仿真所得的可靠性、识别率进行对比.实验结果表明,基于负相关学习的神经网络集成对货币识别分类有很好的效果,与应用单个神经网络的系统和独立训练个体网络的集成神经网络相比,它的识别率平均可以高出4％.     

一种可扩展BP在片学习神经网络芯片

基于0.6μm标准CMOS工艺,设计并实现了一种可扩展BP在片学习神经网络芯片.该芯片包含8个神经元和64个突触.提出了一种新颖的可扩展拓扑结构,使得利用该芯片构成完整的神经网络系统时,不需附加额外的神经元误差计算芯片;将L个芯片层叠起来就可以得到一个L层的神经网络.该芯片采用模拟电路,利用电容进行电荷存储,在片学习本身可用于权重刷新以保证权重值的正确性.奇偶校验实验证明了该神经网络芯片具有在片学习的能力.     

Adaptive neuro-fuzzy control of a flexible manipulator

This paper describes an adaptive neuro-fuzzy control system for controlling a flexible manipulator with variable payload. The controller proposed in this paper is comprised of a fuzzy logic controller (FLC) in the feedback configuration and two dynamic recurrent neural networks in the forward path. A dynamic recurrent identification network (RIN) is used to identify the output of the manipulator system, and a dynamic recurrent learning network (RLN) is employed to learn the weighting factor of the fuzzy logic. It is envisaged that the integration of fuzzy logic and neural network based-controller will encompass the merits of both technologies, and thus provide a robust controller for the flexible manipulator system. The fuzzy logic controller, based on fuzzy set theory, provides a means for converting a linguistic control strategy into control action and offering a high level of computation. On the other hand, the ability of a dynamic recurrent network structure to model an arbitrary dynamic nonlinear system is incorporated to approximate the unknown nonlinear input–output relationship using a dynamic back propagation learning algorithm. Simulations for determining the number of modes to describe the dynamics of the system and investigating the robustness of the control system are carried out. Results demonstrate the good performance of the proposed control system.     

一种改进的Elman神经网络模型

本文首先详细地阐述了Elman神经网络的结构、原理和学习算法.为了进一步提高Elman神经网络的逼近能力和动态特性,我们提出了一种改进的Elman神经网络模型.这种新的Elman神经网络在关联节点与输出节点之间又增加了一组可调权值,利用误差回馈原理推导出了其相应的学习算法.仿真实验结果表明,改进的Elman神经网络比原来的网络具有更好的动态性能,对于贯序输入输出数据的逼近收敛速度更快.     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。