改进BP神经网络在木构古建筑中的寿命预测

标准的BP神经网络存在训练速度慢、容易陷入极小点、泛化能力低的特点。文中用附加动量项和改进学习速率相结合的方法对标准的BP神经网络进行了改进,并将其应用在木构古建筑的寿命预测中。仿真结果表明,和标准的BP神经网络相比,改进后的BP神经网络提高了泛化能力,能较准确地拟合训练值,避免了在确定计算参数过程中所产生的计算误差。     

基于最小均方误差的多通道采样及重构

并行多通道采样系统中,由于各通道之间的时间延迟不同,往往会导致产生非均匀采样。现有的重构算法对信号的约束较多,如通道之间的量化步长、信噪比率、相对时间等,且运算量较大,容易使采集性能迅速下降。该文通过对信号的重构误差分析,提出了一种对信号约束较低的重构算法,该方法基于均方误差最小的原则,对信号通道之间的时间延迟进行分析,讨论了在何种条件下可以对信号进行最优重构。