递归网络模型在传感器动态补偿中的应用

本文讨论了递归网络模型在传感器动态补偿中的应用 ,给出了递归网络模型的结构及相应的训练算法 ,经过补偿后的传感器具有理想的输入输出特性。试验结果表明 ,应用递归网络对传感器进行动态补偿是一种行之有效的方法。     

基于动态递归神经网络的半主动控制结构响应预测

提出了一种多输入多输出分支动态递归神经网络模型,利用梯度下降法推导了网络权值调整公式。该模型针对结构控制中结构状态变量、控制变量和外激励荷载对结构的响应有不同的影响,采用分支输入递归处理,不但结构响应预测精度好,而且大大提高了动态网络的学习和训练效率。应用该模型对线性结构和非线性结构在变阻尼控制和外荷载激励下结构的响应进行了数值仿真,表明所提的动态递归神经网络可以达到较高的预测精度。该模型为利用神     

基于BP神经网络的冲击波压力传感器组件动态特性分段建模方法研究

受爆炸场中寄生效应的影响,需要采取相应抑制措施对冲击波压力传感器进行改造。为研究冲击波压力传感器组件的动态特性,基于双膜激波管对冲击波压力传感器组件进行动态校准,获得了阶跃响应信号;采用微分法求取了传感器组件动态特性非参数模型;根据冲击波压力传感器组件动态特性非参数模型变化规律,在频域内对其进行合理分段,并基于BP神经网络分段建模方法得到传感器组件动态特性模型;通过实例分析与比较,证明了基于BP神经网络的分段建模方法能够有效提高模型精度和建模效率。     

改进PSO算法结合FLANN在传感器动态建模中的应用

将改进的粒子群优化（PSO）算法和函数联接型神经网络(FLANN)相结合,实现传感器的动态线性建模。利用传感器的动态标定实验数据,首先训练FLANN神经网络,网络训练结束后的权值作为粒子群中某个粒子的初始值,而后利用改进的PSO算法继续寻优,得到的全局最优值即为所求的传感器动态模型的系数。实验结果表明,该方法结合了PSO和FLANN两者的优点,建模精度高。     

利用拼音特征的深度学习文本分类模型

针对人-机器人语音交互中经过语音识别的文本指令,提出了一种利用汉语拼音中声韵母作为特征的深度学习文本分类模型。首先,以无人驾驶车语音导航控制为人机交互的应用背景,分析其文本指令结构并分别构建单一意图与复杂意图语料库;其次,在以字符作为文本分类特征的基础上,结合汉语拼音与英文单词的区别,提出了一种利用拼音声韵母字符作为中文文本分类的特征表示方法;然后,用门控递归单元(GRU)代替传统递归神经网络单元以解决其难以捕获长时间维度特征的不足,为提取信息的高阶特征、缩短特征序列长度并加快模型收敛速度,建立了一种结合卷积神经网络及GRU递归神经网络的深度学习文本分类模型。最后,为验证模型在处理长、短序列任务上的表现,在上述两个语料库上对提出的模型分别进行十折交叉测试,并与其他分类方法进行比较与分析,结果表明该模型显著地提高了分类准确率。     

基于注意力机制的TDNN-LSTM模型及应用

在大数据规模下,基于深度学习的语音识别技术已经相当成熟,但在小样本资源下,由于特征信息的关联性有限,模型的上下文信息建模能力不足从而导致识别率不高。针对此问题,提出了一种嵌入注意力机制层（Attention Mechanism）的时延神经网络（Time Delay Neural Network,TDNN）结合长短时记忆递归（Long Short Term Memory,LSTM）神经网络的时序预测声学模型,即TLSTM-Attention,有效地融合了具有重要信息的粗细粒度特征以提高上下文信息建模能力。通过速度扰动技术扩增数据,结合说话人声道信息特征以及无词格最大互信息训练准则,选取不同输入特征、模型结构及节点个数进行对比实验。实验结果表明,该模型相比于基线模型,词错误率降低了3.37个百分点。     

多维线性模型参数估计的神经网络方法

本文提出一种用于多维线性模型（ＡＲ，ＡＲＭＡ）参数估计的神经网络方法和相应的递归预测误差算法。本文在分析多输入、单输出，含一个隐含和多层神经网络的输入输出关系的基础上，提出了首先将理想输出Ｘｉ进行预畸变（Ｆ（Ｘｔ））作为神经网络的训练目标。当神经网络训练完毕后，网络的连接权就是待估计的线性模型参数。本文提出方法的优点是网络结构简单，估计结果准确。仿真模拟结果表明，本文所提出的神经网络方法估计多维线性模型参数是有效的。     

基于神经网络的弹性对象的动态压力控制

基于神经网络的弹性对象压力控制方法,研究出动态递归神经网络间接自适应控制器的结构和数学模型,利用实验数据离线设计了神经网络辨识器与神经网络控制器,并应用到出口自行车手闸和脚闸性能测试的静负荷实现的控制中.实用结果证明了该方法的有效性.     

基于BP神经网络的传感器非线性补偿

由于传感器本身的非线性特性以及传感器在测量过程中外界环境因素的影响,使得传感器的输入输出特性呈现出非线性.讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法训练神经网络,具有收敛速度快、收敛精度高的特点.试验结果表明,应用神经网络对传感器的非线性进行动态补偿是一种行之有效的方法.     

基于递归定量分析与高斯混合模型的齿轮故障识别

针对递归图只能对信号进行定性分析,不利于其深入应用的缺点,应用递归定量分析方法对各种故障模式振动信号进行定量分析.采用确定率和层流率组成齿轮故障识别的特征向量,并结合高斯混合模型实现齿轮故障模式识别.以齿轮故障实验台上所测取的实验数据为对象,分别采用Re-substitution检验法,Jackknife检验法和Independent dataset检验法对提出的方法和RBF人工神经网络分类算法进行检验.结果表明,递归定量分析与高斯混合模型相结合应用于齿轮故障模式识别具有更高的识别率.     

BP神经网络在测试系统动态补偿中的应用

测试系统的非线性动态补偿是仪器技术的一个重要方面．采用BP神经网络对测试系统进行动态补偿．BP神经网络的结果决定于网络输入、隐层和输出节点．由于其非线性映射特性,BP神经网络完全能够反映测试系统的动态响应特性．采用了收敛速度较快的递推预报误差算法训练神经网络．试验结果表明,BP神经网络的特性完全能够满足测试系统的动态补偿要求．表明本文的方法是有效的．     

压电智能悬臂梁神经网络预测控制

对表面粘贴压电元件的压电智能悬臂梁进行有限元建模和分析,获取了结构的动力响应数据。根据神经网络的非线性逼近能力,用动态递归神经网络对压电振动系统进行了系统辨识,建立了系统的预测模型。以此预测模型来代替传统广义预测控制算法中的受控自回归积分滑动平均模型,对压电智能悬臂梁进行振动主动控制的研究,并优化了控制系统参数。对一单输入单输出压电智能悬臂梁系统进行了仿真分析,控制效果良好,为智能算法在智能结构中应用有一定的指导意义。     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

基于神经网络模型的动载荷识别

依据结构动力学理论推导了在时域中用于神经网络算法的自回归函数，相应建立了具有时延反馈的神经网络动载荷识别模型。阐明了这种网络的基本学习算法和回忆算法。数值仿真和试验件的验证试验表明该神经网络模型用于动载荷识别时具有精度高、无累积误差、抗干扰能力强等优点，并且适用于各种类型的动载荷，尤其对冲击载荷的识别更具有独特的优势。该模型在动标学习过程中要求信息量小，试验成本低，是一种非常值得在工程中推广应用的新型动载荷识别方法。     

基于前向神经网络的时变非线性结构系统辨识快速递推最小二乘法

针对基于前向神经网络的普通递推最小二乘估计存在着自适应跟踪慢和精度低的问题，提出了一种可对非线性时变系统进行快速辨识的新方法，因该方法有类似递推最小二乘算法的形式，称其为基于前向神经网络的快速递推最小二乘算法。该算法对传统的递推最小二乘算法的递推方式进行了改变，以更好的跟踪非线性时变系统的动态特性。针对典型的系统辨识仿真算例，通过与现有常用方法的比较研究显示了这种算法具有计算简单、收敛速度快和辨识精度高的良好性能。最后将方法用于一个三自由度时变非线性振动系统，结果同样验证了方法的良好特性。     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost(output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断。采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号进行分解、降噪、信号重构。设计OHF Elman方法在Elman神经网络的基础上增加输出层对隐含层的反馈,提高了其对动态数据的记忆功能。选择OHF Elman神经网络作为弱回归器,结合AdaBoost算法集成出一种新的强回归器:OHF Elman-AdaBoost算法。实验结果表明,该算法不仅对滚动轴承不同故障时期具有很好的诊断效果,而且提高了对全样本数据的诊断准确度,为滚动轴承故障诊断提供了新型工具和有效方案。     

关于颜色空间转换的RBF网络动态子空间自动划分辨识方法研究

以RGB与CIEL*a*b*颜色空间转换为例,采用径向基函数(RBF)神经网络,研究了颜色值在不同颜色空间之间的转换。利用基本采样数据集建立了颜色空间转换RBF网络模型,并通过增加样本数据,采用动态规划颜色子空间的方法,提高了模型转换精度。研究结果显示,该方法的转换速度和精度都优于基于动态子空间自动划分的BP神经网络颜色空间转换方法。