气压传感器神经网络算法及单片机实现

谐振筒式气压传感器测量范围为45~107 kPa,其输出的周期信号与气压呈非线性关系,且受环境温度影响,为了达到准确度要求(±0.05 kPa),提出了应用神经网络算法对周期和温度信号进行数据融合,实现消除温度影响和非线性校正及在单片机上的实现方法。实验结果表明:神经网络算法对气压传感器的数据融合可行有效。     

面向MATLAB神经网络工具箱的图象数据融合算法及实现

采用了ＢＰ神经网络对某岛屿的５幅不同波段的ＳＡＲ图象进行融合处理，以便能够获得更为清楚的图象。因神网络的运算涉及大量的矩阵运算，所以采用了ＭＡＴＬＡＢ这一平台来构造ＢＰ神经网络，取得了良好的效果。实验表明，采用的ＢＰ神经网络的图象数据融合的算法及程序设计是有效的，并有广泛适用性。     

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中，连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题，提出了一种有助于提高BP神经网络逼近精度的方法——基于M!缸。酬逸准则的神经网络学习算法。该算法整体采用传统的BP算法，但在一定条件下依据概率进行连接权的调整，使权值以一定的概率跳跃，跳出局部极小区，最终达到全局极小。仿真结果表明了这一算法的有效性。     

神经网络的多传感器数据融合基于新算法在障碍物识别中的应用

本文提出了一种用于自主式移动机器人的障碍物类型识别的数据融合新方法，有两种不同的神经网络－小脑模型联接控制器和多层前向网分别来自ＣＣＤ摄象机的二维图象和来自超声测距系统的距离信息进行数据融合。     

模糊神经网络语音数据融合算法的研究

针对高嗓音环境中的语音识别问题，提出一种利用模糊神经网络进行语音数据融合的新算法。该算法按一定模糊规则对语音信号的特征参数进行模糊化，并通过神经网络对每个传感器语音信号的模糊特征参数进行分类和融合。仿真实验表明，该算法鲁棒性更强；与单传感器算法相比，语音识别率得到较大的提高。     

神经网络的多传感器数据融合基于新算法在障碍物识别中的应用

本文提出了一种用于自主式移动机器人的障碍物类型识别的数据融合新方法，有两种不同的神经网络——小脑模型联接控制器（ＣＭＡＣ）和多层前向网分别对来自ＣＣＤ摄象机的二维图象和来自超声测距系统的距离信息进行数据融合，而这两种神经网络事先都用围绕障碍物采集的数据集进行过离线训练．为了验证该系统的有效性，我们构造了一系列的仿真实验．实验结果表明，一台个人计算机就能实时地识别出障碍物的类型．     

神经网的自适应学习准则及其算法

无教师学习的网络具有较强强的自适应学习能力。本文讨论神经网络的自适应学习准则，包括误差平方和准则、相关准则和模糊熵准则，同时给出相应的学习算法。     

火灾探测的神经网络融合算法

本文提出了一种火灾控测的数据融合算法，采用神经网络进行数据融合予以实现，并利用MATLAB进行了仿真，验证了算法的可行性。     

基于模糊神经网络的火灾传感器特征参数融合算法

针对现有火灾探测器误报率较高的现状,以CO浓度、烟雾、温度3种火灾特征参量为对象,研究了3种传感器特征参数的模糊神经网络融合决策算法,以模糊控制器为核心研制了复合火灾探测器.以木材阴燃火、棉绳阴燃火、聚氨酯明火、乙醇明火为模拟火灾火源进行了火灾探测响应实验,以香烟、打火机、暖风机、粉尘为干扰源进行了干扰验证实验,实验结果表明,在模拟火灾火源下,复合火焰探测器具有较高的探测精度及抗干扰性能,其中探测器漏报率为0,平均响应时间为20.06 s,误报率为0.3%.     

最小风险准则和遗传算法优化神经网络

提出了一种基于最小平均风险准则的遗传算法优化设计前向神经网络的方法，遗传算法的适应度函数并不采用传统的均方误差准则，而是由平均风险则所决定，这种方法在神经网络输出与期望输出之间误差的同时，还要考虑神经网络对不同类型训练样本产生的这种误差所引起的不同的风险损失。这种方法优化得到的神经网络不仅可以准确地再现训练样本集合的期望输出，对训练样本集合外样本的正确预测能力也有明显的提高。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于正交基神经网络算法的多传感器数据融合方法

为了改善多个同类传感器检测目标参数的性能,提出了一种基于递推最小二乘法的多传感器数据融合的正交基神经网络算法,用基于递推最小二乘法的神经网络算法对各传感器的量测数据进行处理,并用神经网络输出结果的平均值来实现多传感器的数据融合.为了验证算法的有效性,给出了多传感器数据融合的仿真实例.研究结果表明,基于递推最小二乘法的多传感器数据融合的正交基神经网络算法是有效的.     

一种改进的径向基神经网络预测算法

神经网络是数据挖掘的常用的方法之一,主成分分析方法是统计学多元分析中的一种分析多个变量间内在关系的方法。将主成分分析预处理方法与神经网络结合起来使用,可以分析原始变量间关系,将原始数据降维,减少数据规模。对神经网络算法和主成分分析相关理论进行了研究,在此基础上,结合大量的气象数据和北京的传染病数据,提出了一种改进的基于主成分分析预处理结合神经网络算法的数据挖掘方法。通过对比实验测试,本文提出的组合算法在收敛速度及预测准确性方面的性能有了很大程度提高。结合国家重大专项疾病预测项目,将该方法应用于其中的流行性传染病的预测上。     

结合信息融合和BP神经网络的决策算法

针对网络输入信息复杂多变,固定的 BP(Back-Propagation)网络结构难以发挥其优势的情况,提出了结合信息融合和BP神经网络的决策算法。即根据输入的变化情况,利用D-S证据理论(Dempster-Shafer,D-S)对BP神经网络的结构进行优选。同时使用粒子群(PSO, Particle Swarm Optimization)算法来确定BP神经网络的初值,以改善其收敛速度慢和容易陷入局部极小值的问题。仿真结果显示,结合信息融合和 BP 神经网络的决策算法和BP神经网络相比,有效提高了BP神经网络训练的时间及预测的准确率,在适应复杂多变的输入信息时具有一定的优势。     

一种新的模糊神经元网络学习方法

提出了一种模糊神经元网络的学习算法即利用多 层多层模糊IF/THEN规则表达专家知识的神经网络学习方法，在以此构造的基于多源信息融合的分类系统中，采用了多层模糊IF/THEN规则进行分类。为了处理模糊语言值，提出了一种能够控制模糊输入矢量的神经网络体系结构。该方法能够对非线性实间隔矢量和模糊矢量进行分类，工程实验表明，此学习算法是切实可行的。     

一种回归神经网络的快速在线学习算法

针对回归神经网络BP学习算法收敛慢的缺陷,提出了一种新的快速在线递推学习算法.本算法在目标函数中引入了遗忘因子,并借助于非线性系统的最大似然估计原理成功地解决了动态非线性系统回归神经网络模型权系数学习的实时性和快速性问题.仿真结果表明,该算法比传统的回归BP学习算法具有更快的收敛速度.     

基于神经网络技术的流量测量方法研究

流体的流量直接反应设备的运行状况,在现代化的工业生产中,连续准确地监视流体的流量对于设备的安全、经济运行至关重要。鉴于流量测量的复杂性,将神经网络数据融合技术应用于流量测量,研究提高流量测量精度的方法。在此研究基础上,针对差压式流量测量的特点,设计出了基于神经网络数据融合技术的流量测量模型。     

基于神经网络的传感器动态补偿算法及DSP实现

为了改善传感器的动态响应特性,对其输出结果进行动态补偿是一个有效方法;讨论了基于自适应神经网络的传感器动态逆建模方法,采用网络分块训练和可变学习因子的方法来提高训练的精度,缩短收敛时间;研究了在加入不同信噪比的随机噪声下应用该模型实现传感器动态补偿的可行性;对典型的压电传感器模型进行了仿真,仿真结果表明补偿后传感器模型的响应速度加快,同时还可以抑制噪声;研制了基于数字信号处理器的数据采集及补偿系统并运用该系统对传感器模拟器输出的数据进行了采集,试验结果表明该系统能够准确的采集存储数据,同时还能够修正由传感器模拟器引起的动态误差。     

小规模数据集的神经网络集成算法研究

研究了小样本数据集的神经网络分类器集成,提出了适合于小样本数据集的神经网络分类器集成方法Novel\\-NNE,通过生成差异数据提高神经网络集成中个体的差异性,从而提高集成学习的泛化性能;最后应用不同的融合技术针对UCI标准数据集进行了实验研究.结果表明,在集成算法Novel\\-NNE中,使用相对多数投票与贝叶斯融合方法的性能优于行为知识空间融合方法.