基于量子小波神经网络的传动装置模式识别

针对传统神经网络收敛精度低,以及用于故障模式识别能力差的问题,提出了将量子神经网络与小波理论相结合的量子小波神经网络模型.该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,给出了网络学习算法,并以某型传动装置监测信号的小波能量谱为训练样本,识别传动装置带有缺损的齿轮故障征兆.仿真结果表明,量子小波神经网络能够提高神经网络训练精度和故障征兆识别精度.     

基于遗传小波神经网络的冷轧轧制力预报研究

依据小波函数的非线性逼近能力和神经网络的自学习特性，提出一种适合高维输入的小波神经网络建模方法，这种网络结构类似于多层感知器，不同的是隐层神经元的激励函数为小波基函数．为使小波神经网络具有更高的学习精度和更快的收敛速度，将遗传算法、小波神经网络和梯度下降算子结合起来，提出一种遗传小波神经网络．将该网络应用于冷轧轧制力的预报，仿真结果表明预报精度大为提高．     

连续小波过程神经网络及其仿真研究

在小波分析和过程神经网络理论的基础上，提出了连续小波过程神经网络模型，其隐层为过程神经元，隐层激活函数采用小波函数．该网络结合了小波变换良好的时一频局域化性质及过程神经网络可以处理连续输入信号的特点，因而学习能力强，精度高．给出了小波过程神经网络学习算法，并以航空发动机滑油系统状态监测为例，分别利用传统BP网络和小波过程神经网络进行预测．结果表明，小波过程神经网络收敛速度快，精度高，优于BP网络的预测能力，同时也为航空发动机滑油系统状态监测问题提供了一种有效的方法．     

一种量子衍生神经网络模型

为提高神经网络的逼近能力,通过在普通BP网络中引入量子旋转门,提出了一种新颖的量子衍生神经网络模型. 该模型隐层由量子神经元组成,每个量子神经元携带一组量子旋转门,用于更新隐层的量子权值,输入层和输出层均为普通神经元. 基于误差反传播算法设计了该模型的学习算法. 模式识别和函数逼近的实验结果验证了提出模型及算法的有效性.     

基于快速确定隐层神经元数的BP神经网络算法

根据多项式理论构造一种以正交多项式作为隐层神经元激活函数的PP神经网络模型。针对该网络提出一种算法,即一种隐层的激励函数为正交多项式及其神经元数目可快速确定的算法。首先通过数学证明从理论上验证了该算法的有效性。然后利用计算机对该算法进行仿真与校验,并与传统的PP算法进行比较。结果表明该算法不仅突破了传统PP神经网络的局限性,如收敛速率慢、最佳隐神经元数难确定等,而且能够达到更高的工作精度,从而从实验上验证了该算法的有效性。     

采用变参数激励函数的人工神经网络

隐层神经元采用相同的激励函数会限制网络的非线性表达能力,因此,提出变参数激励函数,在学习中同时调整网络权值和激励函数的参数,增强网络的表达能力。并使用遗传算法与MBP结合的学习算法训练网络,此方法具有全局收敛能力和很高的精度。     

基于Tanh多层函数的量子神经网络算法及其应用的研究

该文提出一种新的改进激励函数的量子神经网络模型。首先为了提高学习速率,在网络权值训练过程中引入了动量项。然后为了有效实现相邻类之间具有覆盖和不确定边界的分类问题,新网络采用区分度更大的双曲正切函数的叠加作为其隐层激励函数。最后将该算法用于字符识别,将双曲正切激励函数的量子神经网络应用于数字、字母和汉字样本的多次实验,并且与原多层激励函数量子神经网络和BP网络的实验效果进行比较,发现改进后量子神经网络不仅具有较高的识别率,而且在样本训练次数上相对原多层激励函数量子神经网络有明显减少。仿真结果证明该方法的优越性。     

基于小波神经网的SAR图像识别算法

针对SAR图像的自动目标识别问题,研究了基于小波分析和神经网络的识别算法.由非线性小波基作为网络中神经元的激励函数,隐层结点数由小波分解次数和处理目标类别数决定,输出层由目标的类别数决定,同时利用目标的方位角来限定被识别目标的范围.实验结果表明,该方法有效降低了训练和识别的难度,取得了优于BP网络的识别结果,具有广阔的应用前景.     

Fourier三角基神经元网络的权值直接确定法

根据Fourier变换理论,本文构造出一类基于三角正交基的前向神经网络模型。该模型由输入层、隐层、输出层构成,其输入层和输出层采用线性激励函数,以一组三角正交基为其隐层神经元的激励函数。依据误差回传算法(即BP算法),推导了权值修正的迭代公式。针对BP迭代法收敛速度慢、逼近目标函数精度较低的缺点,进一步提出基于伪逆的权值直接确定法,该方法避免了权值反复迭代的冗长过程。仿真和预测结果表明,该方法比传统的BP迭代法具有更快的计算速度和更高的仿真与测试精度。     

基于量子门线路的量子神经网络模型及算法

提出一种量子神经网络模型及算法.该模型为一组量子门线路.输入信息用量子位表示,经量子旋转门进行相位旋转后作为控制位,控制隐层量子位的翻转;隐层量子位经量子旋转门进行相位旋转后作为控制位,控制输出层量子位的翻转.以输出层量子位中激发态的概率幅作为网络输出,基于梯度下降法构造了该模型的学习算法.仿真结果表明,该模型及算法在收敛能力和鲁棒性方面均优于普通BP网络.     

车载牵引变压器智能故障诊断技术新研究

车载牵引变压器故障诊断的方法是将人工智能算法和油中气体分析法(DGA)相结合,但溶解气体由于再生、取样、色谱分析的原因,其数据存在许多的不确定性。提出将电气量与一种新的小波神经网络模型相结合的新方法来诊断牵引变压器故障。将电气量信号作为新网络模型的输入,网络的隐藏层采用具有正交性的Daubechies函数作为激函数,学习优化算法则采用引入量子计算和免疫算法的混合粒子群算法。试验结果证明,提出的智能故障诊断算法拥有更快的诊断速度和更高的准确率。     

基于Hermite神经网络的动态手势学习和识别

为提高动态手势学习速度和识别准确率,本文提出一种基于Hermite正交基前向神经网络的动态手势识别方法。利用Camshift算法实时跟踪手势运动轨迹,提取手势特征向量作为神经网络的输入;以Hermite正交基函数作为隐含层激励函数构造三层前向神经网络,并给出一种基于伪逆的直接计算权值方法和根据网络目标精度要求自适应确定隐含节点数目方法;运用训练好的Hermite神经网络识别动态手势。测试结果表明:Hermite神经网络能够提高网络的学习训练速度和精度,提高手势学习速度和识别准确率,而且在手势识别方面具有较好的鲁棒性和泛化能力。     

一种量子神经网络模型及改进学习算法

提出一种量子BP网络模型及改进学习算法,该BP网络模型首先基于量子学中一位相移门和两位受控非门的通用性,构造出一种量子神经元,然后由该量子神经元构造隐含层,采用梯度下降法进行学习。输出层采用传统神经元构造,采用基于改进的带动量自适应学习率梯度下降法学习。在UCI两个数据集上采用该模型及算法,实验结果表明该方法比传统的BP网络具有较好的收敛速度和正确率。     

A multi-resolution wavelet neural network approach for fouling resistance forecasting of a plate heat exchanger

A new framework regarding wavelet neural network, termed a multi-resolution wavelet neural network (MRWNN), is composed based on the theory of multi-resolution wavelet analysis and orthogonal multi-scale spaces. The hidden layer of the network is divided into two parts, neurons with the Meyer scaling activation function and the Meyer wavelet activation function which is orthogonal to the scaling function. Neurons with the scaling function approximate the contour of the aimed function for its lentitude, and neurons with the wavelet function approximate the details of the aimed function for its sensitive trend. Hidden neurons are mapped to different resolution spaces by redefining the network frame depending on the multi-resolution wavelet analysis theory. By incorporating the Gradient Descent Algorithm, the network can be optimized with less interaction within hidden neurons, and thus, it will acquire a further error convergence state when all the correspondent parameters are adjusted in different resolution spaces. When applied to fouling forecasting of a plate heat exchanger, the MRWNN achieved better performance than other neural networks (NNs) when applied to simulations, proving that the MRWNN is effective in nonlinear function approximations.     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

Novel wavelet neural network algorithm for continuous and noninvasive dynamic estimation of blood pressure from photoplethysmography

This paper proposes a novel wavelet neural network algorithm for the continuous and noninvasive dynamic estimation of blood pressure(BP). Unlike prior algorithms, the proposed algorithm capitalizes on the correlation between photoplethysmography(PPG) and BP. Complete BP waveforms are reconstructed based on PPG signals to extract systolic blood pressure(SBP) and diastolic blood pressure(DBP). To improve the robustness, Daubechies wavelet is implemented as the hidden layer node function for the neural network. An optimized neural network structure is proposed to reduce the computational complexity. Further, this paper investigates an inhomogeneous resilient backpropagation(IRBP) algorithm to calculate the weight of hidden layer nodes. The IRBP improves the convergence speed and reconstruction accuracy. Multiparameter intelligent monitoring in Intensive Care(MIMIC) databases, which contain a variety of physiological parameters captured from patient monitors, are used to validate this algorithm. The standard deviation σ between reconstructed and actual BP signals is 4.4797 mm Hg, which satisfies the American National Standards of the Association for the Advancement of Medical Instrumentation. The reconstructed BP waveform can be used to extract the SBP and DBP, whose standard deviations σ are 2.91 mm Hg and 2.41 mm Hg respectively.     

Radial basis function neural network-based face recognition using firefly algorithm

This paper presents an adaptive technique for obtaining centers of the hidden layer neurons of radial basis function neural network (RBFNN) for face recognition. The proposed technique uses firefly algorithm to obtain natural sub-clusters of training face images formed due to variations in pose, illumination, expression and occlusion, etc. Movement of fireflies in a hyper-dimensional input space is controlled by tuning the parameter gamma (γ) of firefly algorithm which plays an important role in maintaining the trade-off between effective search space exploration, firefly convergence, overall computational time and the recognition accuracy. The proposed technique is novel as it combines the advantages of evolutionary firefly algorithm and RBFNN in adaptive evolution of number and centers of hidden neurons. The strength of the proposed technique lies in its fast convergence, improved face recognition performance, reduced feature selection overhead and algorithm stability. The proposed technique is validated using benchmark face databases, namely ORL, Yale, AR and LFW. The average face recognition accuracies achieved using proposed algorithm for the above face databases outperform some of the existing techniques in face recognition.

     

基于遗传小波神经网络的白酒识别电子鼻

为研究不同品质白酒快速识别的电子鼻技术,利用自制的电子鼻采集四种白酒样品的气味数据,建立了BP神经网络分类模型。针对BP算法普遍存在的收敛速度慢、易陷入局部极小且网络参数需要人工设定的缺陷,提出一种将遗传算法的自适应全局优化搜索能力、小波分析的非线性逼近能力和BP算法自学习能力结合在一起的遗传小波神经网络白酒识别模型。仿真结果表明,与BP神经网络和小波神经网络相比,GA-WNN分类模型的收敛速度和分类准确率都得到了较大提高,可应用于白酒识别电子鼻。