粗神经网络在雷达目标识别中的应用

将粗集理论与神经网络结合起来设计出粗神经网络,用于对雷达目标数据进行融合,特别是对雷达目标进行识别。研究表明这种网络可以接受定性输入,即输入是一个范围或在观测时间内输入是变化的,从而大大提高雷达目标的识别率。粗集理论和神经网络结合起来将在雷达数据融合方面有着很好的应用前景。     

采用粗BP神经网络和D-S证据理论的目标识别

为克服传统的目标识别方法的不足,提高目标识别的实时性和准确性,提出将粗BP神经网络与D-S证据理论相结合的识别模型.在多传感器数据融合中利用粗集理论对大量的传感器数据进行处理,对输入信息进行约简,剔除冗余信息,简化了生成规则和BP神经网络模型结构,提高了网络训练速度和运行速度.以BP神经网络输出作为证据,后端对不同传感器的证据用D-S证据理论进行融合,得到待识别目标的识别概率.实验表明该模型减少了识别的主观因素,简化了BP神经网络结构,提高了运算速度和识别效果.该混合模型有比较好的应用前景.     

基于云模型和矢量神经网络的辐射源识别方法

 矢量神经网络在训练阶段既不能处理语义信息,也没有考虑训练样本本身的可靠性,因而造成辐射源不能正确识别的问题,为此提出了一种基于云模型和矢量神经网络的识别算法.该算法利用云模型来实现定性概念到定量区间值的转换,并利用改进后的矢量神经网络实现区间类型的矢量输入到区间类型型号输出的非线性映射.仿真实验表明,本文方法不仅能处理语义类型的输入矢量,而且能够处理数字类型的输入矢量,并且在测量误差环境中具有较高的识别率.     

一种基于因子分析改进的RBF神经网络算法

针对RBF神经网络在处理大规模多维数据时,网络结构不易设计、收敛时间较长、训练次数较多等不足,在原有的RBF神经网络模型的基础上,结合因子分析算法可以对大规模数据进行降维处理的优点,提出一种FA-RBF神经网络算法.利用该算法首先可以先对输入的数据进行降维处理,将处理后的数据作为神经网络的输入进行网络的训练和仿真.FA-RBF算法可以有效地简化网络结构、提高收敛速度、节省训练时间.将该算法用于私家车保有量的预测中,预测结果显示FA-RBF算法较之于PCA-RBF和RBF神经网络算法,其预测精度有所提高,训练时间及误差平方和都明显降低.     

BP神经网络在汽车动态称重中的应用

公路动态称重仪器测量精度受外界各种因素的影响较大,称重信号与各个影响因素的关系不明确,该文提出了利用神经网络的算法来处理动态称重信号的理论.利用神经网络建立的模型能够将输入的各种信息很好地进行数据融合,能够大大降低外界干扰对输入信号的影响.实验表明,利用神经网络对动态称重信号进行处理,能够满足精度要求.     

红外和神经网络无损分析VC银翘片中二组分含量

应用近红外光谱和BP 神经网络对VC 银翘片进行非破坏定量分析,讨论了神经网络 输入点数的选择和影响神经网络各参数的确定。采用了贝叶斯规范化的网络训练方法,解决了BP 神经网络稳定性较差的问题,提高了网络的预测精度。实验及数据处理结果表明,应用本文方法对VC 银翘片进行非破坏定量分析方法是可行和有效的。     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

数字电路的最优神经网络模型及建立方法

本文研究电路的最优神经网络模型,获得了对任意结构的多输入多输出逻辑电路,都存在一种最优神经网络能表征电路的逻辑功能,通过求解一个线性方程组可以得到这种神经网络的结构.文中也给出了多输入基本门电路的最优神经网络结构及其能量函数的一般表达式.     

模糊汉明神经网络及其实现的研究

由于传统汉明神经网络未解决模式重叠和识别算法是否一定收敛的问题,也未充分利用输入模式与其他神经元之间的靠近程度信息,本文提出一种模糊汉明神经网络.模糊汉明神经网络可接受二值和非二值输入;使用模糊类隶属度子网解决模式重叠问题和充分利用靠近程度信息;采用比较子网保证算法的收敛和减少互连.其模块式的电路设计也便于网络的VLSI实现和扩展.     

一种预测节日短信峰值发送量的方法

介绍了时间序列预测常用的遗传算法和神经网络算法相关理论.在此基础上,提出了改进的基于遗传算法结合LM优化算法的神经网络训练方法.该方法分两阶段使用遗传算法改善网络训练质量,首先通过遗传算法进行粗调得到一个全局的近似解.以此为初值,再采用遗传算法和LM优化算法交替训练神经网络.最后,阐述了将该方法实际应用于春节当天六忙时短信息发送量峰值的预测.     

多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析,提出了一种新的改进方法——权值平衡算法,充分发挥各权值对网络训练的作用.仿真结果表明,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度,对适合运用本算法的神经网络结构作了探讨.     

基于自编码特征提取及弹性学习的手写数字识别

针对自编码算法提取输入特征能更好地发现样本间的相关性的优点,以自编码算法提取待识别样本特征作为多层前向网络的输入,以弹性BP算法训练网络,并用MNIST手写数字数据库样本测试。从正确率、拒识率、错误率和可靠率4项性能指标方面与逐像素方法进行了综合对比测试。研究表明,采用自编码特征提取、多层前向神经网络作为分类器以及弹性BP算法进行训练的手写数字识别,具有更快的收敛速度和更高的识别可靠率。     

粗糙集-遗传神经网络在挖掘机故障诊断中的应用研究

针对当前单一的故障诊断方法不能满足实际需求的问题,提出了一种粗糙集-遗传神经网络分类器模型,实现对挖掘机故障分类.该模型首先利用粗糙集理论对神经网络的输入进行属性约简,以减少神经网络的工作量;利用遗传算法优化BP神经网络,解决神经网络易陷入局部极小和收敛速度慢的问题;最后利用约简结果和优化的BP网络进行网络训练.实验结果验证了该方法用于故障诊断的有效性.     

基于神经网络的某型飞机发动机故障诊断研究

航空发动机故障诊断技术对避免飞行事故和降低飞行器运行成本是十分重要的。提出一种BP网络对某型飞机发动机进行故障诊断,但是由于BP网络收敛速度较慢而且容易陷入局部极小值,特别是BP网络通常只能给出一个解,受训练样本病态影响大。因此通过对BP网络的改进,建立了L-M算法神经网络的飞机发动机故障诊断模型。实验表明,该网络在一定程度上克服了BP网络存在的的问题,在逼近能力、分类能力和学习速度等方面均优于BP网络。为机务人员提供了有效的、科学的发动机故障诊断方法,该种评估手段较好地解决了发动机故障诊断问题,在飞行安全中发挥着越来越大的作用。     

基于GA与L-M优化算法的变压器故障诊断研究

利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。     

多层前向神经网络的一种改进BP算法

在介绍传统BP算法的基础上,提出了一种改进算法,该算法通过对权值调节量的修改,提高了网络训练过程效率。最后,通过仿真结果可以看出,这种算法改进了BP算法的训练过程。     

小波神经网络在电磁无损检测中的应用

在基于正交小波变换的小波神经网络模型构造的基础上,选取B-小波为小波基提出了一种小波神经网络新算法。通过选取典型训练样本集的方法提高了该小波神经网络诊断的准确性,并运用该小波神经网络对钢丝绳电磁无损检测信号进行了压缩与重构,试验结果证明了小波神经网络能够较为理想地完成缺陷信号的智能化检测,采用小波神经网络算法比传统的断丝识别方法准确率提高了很多。     

Neural networks for vector quantization of speech and images

Using neural networks for vector quantization (VQ) is described. The authors show how a collection of neural units can be used efficiently for VQ encoding, with the units performing the bulk of the computation in parallel, and describe two unsupervised neural network learning algorithms for training the vector quantizer. A powerful feature of the new training algorithms is that the VQ codewords are determined in an adaptive manner, compared to the popular LBG training algorithm, which requires that all the training data be processed in a batch mode. The neural network approach allows for the possibility of training the vector quantizer online, thus adapting to the changing statistics of the input data. The authors compare the neural network VQ algorithms to the LBG algorithm for encoding a large database of speech signals and for encoding images     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。