多媒体通信中智能化媒体内同步机制

本文提出了一种智能化视频流量的预测和同步机制（ＩＦＳＭ）,它由ＢＰ神经网络流量预测器（ＢＰＮＮ）、输出缓冲区和基于模糊神经网络（ＦＮＮ）的输出速率决策器所组成。ＢＰＮＮ采用一种在线训练的ＢＰ神经网络预测在将来的一定时间间隔（ＦＩ）内的平均分组速率,ＦＮＮ决策器根据预测的流量特性和缓冲区中的分组数动态地调节下一个分组输出的时间。仿真结果表明：与窗口机制相比,ＩＦＳＭ能够使视频流量取得较高的连续性和较低的时延,并且由于ＦＮＮ的学习能力,ＩＦＳＭ可以自适应地调节相应参数以满足不同的服务质量的要求。     

一种基于RBM的深层神经网络音素识别方法

为提高连续语音识别中的音素识别准确率,采用深可信网络提取语音音素后验概率进行音素识别.首先利用受限玻尔兹曼机的学习原理,对深可信网络进行逐层的预训练;然后通过增加一个“软最大化（softmax）”输出层,得到用于音素状态后验概率检测的深层神经网络,并采用后向传播算法进行网络权值的精细调整;最后以后验概率为HMM发射概率,使用Viterbi解码器进行音素识别.针对TIMIT语料库的实验结果表明,该系统的音素识别率优于GMM/HMM,MLP/HMM和TANDEM系统性能.     

一类大规模系统神经网络自适应控制方案设计

针对一类大规模非线性机械系统,如自动化高速公路汽车空位调节和连续搅拌反应釜等系统,设计了一套基于前向神经网络的分散自适应控制方案以实现对其有效控制．作为直接自适应控制器,神经网络被用于逼近未知函数,所设计的两个鲁棒控制项分别用于消除互连效应和干扰项．系统稳定性得到严格证明,通过仿真进一步验证了方案的有效性．     

基于IPSO-BP神经网络的变压器故障诊断方法

标准粒子群优化(PSO)算法对惯性权重采取简单的线性衰减方案, 无法获得全局最优点. 为了弥补该方法的缺陷, 提出了一种改进的粒子群优化(IPSO)算法, 并将该算法与误差反向传播神经网络(BPNN)相结合, 进而提出一种基于IPSO-BPNN的变压器故障诊断新方法. 该方法将单个粒子连续被选为最优解的次数作为自适应变量, 并根据粒子的性能分类结果, 自适应地调整各粒子的惯性权重, 从而达到平衡局部和全局搜索能力的目的. 大量仿真表明该算法性能明显优于基于BPNN和PSO-BPNN的变压器故障诊断系统,     

基于Map-Reduce并行构架和AE的大数据指纹监控识别算法

传统的指纹识别监控方法在应用到以海量、在线和增量为特征的大数据环境中时,不能自动高效地进行识别;由此设计了一种基于Map-Reduce并行框架和AE的大数据智能监控指纹识别算法;首先,设计了基于AE和BP神经网络的识别模型,采用AE进行指纹图像自动特征提取,然后提出了一种基于比较差异算法对AE进行参数初始化的训练算法,采用BP神经网络进行具体识别;最后,将识别过程分解为Map函数和Reduce函数;在Map-Reduce并行框架下对FVC2004中的指纹数据库进行实验,实验结果表明了文中方法能自动、高效地进行指纹识别。     

基于自适应学习率BP神经网络的火点定位模型

为了解决传统BP （Back Propagation）神经网络收敛较慢的问题,通过BP神经网络搭建火点预测模型,采用一种自适应学习率的方法改进BP神经网络,经比较该算法收敛较快,模型输出可达到预期效果.同时利用现场可编程逻辑门阵列（FPGA）的动态可重构技术实现了改进后的神经网络,通过仿真和结果测试,该设计在预测结果的基础上又大大减少了预测时间,为环保预测、检测轨迹规划提供了一定的理论基础.     

基于竞争学习的稀疏受限玻尔兹曼机机制

针对受限玻尔兹曼机（RBM）无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机（SRBM）难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法。首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似度;然后在训练过程中对不同样本选择出基于距离度量的最优匹配隐单元;其次根据最优匹配隐单元激活状态计算对其他隐单元的稀疏惩罚度;最后执行参数更新并依据深度模型训练过程,将竞争稀疏应用于深度玻尔兹曼机（DBM）的构建中。通过手写数字识别实验证明,与误差平方和正则化因子相比,基于该稀疏机制的DBM分类准确率提高了0.74%,平均稀疏度提高了5.6%,且无需设置稀疏参数,因此,该稀疏机制可提高RBM等无监督训练模型的训练效率,并应用于深度模型的构建中。     

基于改进对比散度的GRBM语音识别

对比散度作为训练受限波尔兹曼机模型的主流技术之一,在实验训练中具有较好的测试效果。通过结合指数平均数指标算法和并行回火的思想,提出一种改进对比散度的训练算法,包括模型参数的更新和样本数据的采样,并将改进后的训练算法应用于高斯伯努利受限玻尔兹曼机( GRBM)中训练语音识别模型参数。在TI-Digits数字语音训练和数字测试数据库上的实验结果表明,采用改进的对比散度训练的GRBM明显优于传统的模型训练算法,语音识别率能够达到80%左右,最高提升7%左右,而且应用改进算法训练的其他GRBM对比模型的语音识别率也都有所提高,具有较好的识别性能。     

深度学习应用技术研究

本文针对深度学习应用技术进行了研究性综述。详细阐述了RBM（Restricted Boltzmann Machine）逐层预训练后再用BP（back-propagation）微调的深度学习贪婪层训练方法,对比分析了BP算法中三种梯度下降的方式,建议在线学习系统,采用随机梯度下降,静态离线学习系统采用随机小批量梯度下降;归纳总结了深度学习深层结构特征,并推荐了目前最受欢迎的5层深度网络结构设计方法。分析了前馈神经网络非线性激活函数的必要性及常用的激活函数优点,并推荐ReLU （rectified linear units）激活函数。最后简要概括了深度CNNs(Convolutional Neural Networks), 深度RNNs(recurrent neural networks), LSTM(long short-termmemory networks)等新型深度网络的特点及应用场景,并归纳总结了当前深度学习可能的发展方向。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.