基于跳数修正与LM优化的DV-Hop改进算法

针对DV-Hop定位算法在节点分布不均匀的传感器网络拓扑环境下,跳数与跳距估计存在误差的问题,提出了一种名为ILDV-Hop的改进算法。首先基于信标节点间估计距离与真实距离的差值,提出了一种全网络的有效跳距。其次在信标节点与未知节点间多跳计算过程中增添了修正值,同时利用接收信号强度指示(RSSI)值优化单跳值的大小。最后采用列文伯格-马夸尔特算法估计未知节点的最优位置。仿真结果表明,与传统DV-Hop算法以及基于拟牛顿迭代的DV-Hop算法相比,ILDV-Hop算法的定位误差分别减小了23%与10%左右,定位精度有了显著的提高。     

基于粒子群优化神经网络的“煤改电”地区短期负荷预测研究

为提高“煤改电”地区短期负荷预测水平,本文基于北京市大兴区“煤改电”工程,探索利用神经网络算法对“煤改电”地区短期负荷进行预测。本文首先研究了“煤改电”地区负荷的年周期、周周期以及日周期负荷特性,并对负荷预测进行分类,分析得出了负荷预测的主要影响因素,明确了负荷预测的步骤及误差分析方法。其次,本文研究了BP神经网络的构成和运算过程,分析了历史数据处理方法,建立了基于BP神经网络的“煤改电”地区短期负荷预测模型,并对短期负荷预测模型进行检验。最后,为进一步提高预测效果,本文研究利用粒子群算法和列文伯格-马夸尔特算法对神经网络进行优化改进,建立了基于粒子群算法优化的BP神经网络负荷预测模型,满足了预测目标精度要求。     

基于自适应滤波的微弱GPS信号跟踪方法

针对全球定位系统(GPS)传统跟踪算法在接收信号很微弱的条件下跟踪误差大,为保持跟踪精度,提出了一种新的跟踪方法.同时考虑了多普勒频移和码相位偏移量作为观测模型,然后采用自适应卡尔曼滤波算法,有效减轻了系统噪声和观测噪声对信号跟踪的影响;并通过列文伯格-马夸尔特方法,优化迭代过程,进一步提高自适应卡尔曼滤波算法的稳定性和收敛速度.仿真结果显示,利用新的算法对载噪比低至21dB-Hz的微弱GPS信号取得了良好的跟踪精度和极高的灵敏度.     

面向三维重建的自适应列文伯格-马夸尔特点云配准方法

针对三维重建时点云配准过程易受环境噪声、点云曝光、光照、物体遮挡等因素的影响,以及传统ICP配准算法配准精度低、耗时长等问题,提出一种基于自适应列文伯格-马夸尔特迭代式的点云配准方法。首先,对初始点云数据采用统计滤波和体素栅格滤波相结合的方式进行降噪预处理;然后,对滤波后的点云进行分层,剔除位于层外的外点数据,以提高后续点云配准的精度;针对传统点云特征描述方法计算量大的问题,使用平滑度参数提取点云特征,以提升点云配准的效率;最后,根据点云特征建立帧间点到线及点到面的约束关系,采用改进的列文伯格-马夸尔特(Levenberg-Marquardt)方法完成点云配准,构建较理想的三维重建模型。实验结果表明,提出的点云配准方法适用于室内及室外场景的三维重建,环境适应性强,且点云配准精度和效率都有较大提升。     

基于RLM的MEMS三轴磁力计标定方法

针对传统方法标定复杂环境下含野值的MEMS三轴磁力计会出现精度较差的问题,本文提出了一种基于抗差列文伯格-马夸尔特(robust Levenberg-Marquardt, RLM)的三轴磁力计标定方法。首先,对三轴磁力计进行误差模型分析,建立了基于模值估计的误差参数方程;然后利用误差参数方程,设计抗差列文伯格-马夸尔特的标定方法,实现对误差参数的估计;最后,通过仿真与实验测试对本文所提方法进行验证。结果表明,本文所提方法标定含野值的磁力计数据相比于传统方法模值标准差减小了近90%,在标定正常环境下的结果与传统方法则很接近,有效提高了多环境下标定结果的稳定性与准确性。     

一种改进的自适应混合神经网络盲分离算法

传统的前馈神经网络盲源分离算法由于步长固定存在许多缺点,而基于Sigmoid函数的自适应步长算法虽然能够克服固定步长算法的缺陷,但其稳态性能较差。针对这个问题,提出一种改进的自适应步长算法,该算法可灵活地控制步长因子函数的形状,在近零点处变化较Sigmoid函数更加缓慢,性能更加优越;同时针对前馈神经网络的不足,在前馈神经网络结构中引入递归结构,利用改进的自适应步长算法控制学习速率。仿真分析表明该算法具有更快的分离速度和更加优越的分离效果。     

基于弹簧-质点模型曲面展开的改进算法

为了提高现有弹簧-质点模型曲面展开算法的速度和稳定性,提出了自适应时间步长方法.通过计算模型中各质点的惩罚力,实现了三角片翻转区域的整体调整;同时结合了考虑初速度和忽略初速度2种方法的优点;最后对一些参数的计算方法做了改进.实验结果表明,该算法能够有效地消除初始展开及优化过程中出现的翻转三角片,提高了复杂曲面的展开质量.     

计算机网络安全综合评价的神经网络模型

灰色评价法、模糊综合评价等需确定隶属函数、各指标权重,明显受人为因素的影响。尝试应用神经网络技术进行网络安全的综合评价,并通过在单指标评价标准范围内随机取值方法,生成建立神经网络模型所需的训练样本、检验样本和测试样本,在遵循BP网络建模基本原则和步骤的情况下,建立了可靠、有效的网络安全综合评价模型。16个实例研究表明：提出的样本生成方法、建模过程是可靠的,并能有效地避免出现“过训练”和“过拟合”现象,建立的BP模型具有较好的泛化能力,不受人为因素的影响,各评价指标与网络安全等级之间存在明显的非线性关系,网络安全策略对网络安全的影响最大。     

改进神经网络煤矿安全评价模型仿真研究

研究煤矿安全评价准确性问题。煤矿生产安全问题一直是国内外研究的热点,针对传统的安全评价算法难以评价出煤矿安全生产中出现的情况,评价预测准确率低等问题,提出了基于BP神经网络算法煤矿安全评价模型。采用BP神经网络的特点是可以逼近任意的非线性函数,但是BP神经网络并非完美的神经网络,采用遗传算法优化BP神经网络可以克服其缺点,将改进的算法应用于煤矿系统安全评价之中,仿真结果表明,基于改进的BP神经网络煤矿安全评价模型方法有效性和实用性,能够正确评价安全生产状态。     

基于回归神经网络的多变量在线预测方法

该文给出了一种基于状态回归神经网络的单次在线调整神经网络权重和实施预测的方法,同时考虑到用于预测的历史的实际测量值不易获得,而提出了相应计算解决方案。实验证明,所述预测方法将离线学习所得的网络结构与在线自适应网络调整结合起来,能够得到理想的实时预测结果。     

基于改进BP神经网络的围岩自稳能力评估模型

指挥防护工程是国家防护工程体系的重要组成部分。为提高其建设水平,采用改进的前馈 (BP)神经网络,对指挥防护工程围岩自稳能力进行评估。结合指挥防护工程围岩的特点,设计评估网络拓扑结构。针对BP网络原始模型的缺陷改进,引入动量项、自适应调节学习率、陡度因子、可变隐层节点等,并采用遗传算法（GA）寻找最优的初始权值和阈值。最后结合实例对算法进行验证。结果表明,该模型科学可靠,具有较好的工程应用价值。     

改进型Elman网络用于网络流量预测

为了更好地预测网络流量,提出了一种改进型Elman网络模型,并用文化算法对该模型进行了优化,获得了更佳的拟合度和预测性能。     

改进自适应遗传神经网络在混合气体识别中的应用

BP神经网络和遗传神经网络是混合气体识别中常用的方法,但在实际应用仍然存在一些缺陷与不足。针对存在的问题,提出了1种改进自适应遗传算法,该算法根据进化过程种群中未产生更优解的代数,自适应调整变异率和变异量。利用该改进自适应遗传算法优化BP神经网络的连接权和阈值,构成改进自适应遗传神经网络,并应用于混合气体的识别中。实验结果表明:改进自适应遗传神经网络收敛成功率由40%提高到80%,平均识别误差H₂S由4.66 mL/m³降为3.69 mL/m³,CH₄由17.14 mL/m³降为15.77 mL/m³,CO由4.38 mL/m³降为4.19 mL/m³。     

基于改进BP网络的当前非法出入境活动发展趋势预测

提出了基于BP神经网络的当前非法出入境活动发展趋势预测方法,以某年相关原始数据为依据,通过Matlab编程对当前非法出入境活动的发展趋势进行了预测和分析,为有关部门的正确决策与规划提供一定的指导和依据.     

基于BP网络模型的立项评估研究与应用

在项目管理立项评估数据的基础上,通过科学设计BP神经网络模型结构,结合Matlab7.0软件将BP算法的评估模型首次应用在科研项目的立项评估中。通过科研项目立项评估模型的实际运行,证明了该评估算法的有效性,有力提高了科研部门的立项评估水平。     

一种提高神经网络泛化性能的罚项最优脑外科模型*

最优脑外科过程是一种训练后网络剪枝算法,计算的复杂度非常高,通过把剪枝条件以惩罚项的形式纳入神经网络的训练目标函数中,把正则化方法的结构优化蕴涵于网络训练过程,构建面向最优脑外科过程的计算模型,实现网络训练过程和最优脑外科过程并行剪枝,既保持了最优脑外科过程的准确性,又具有正则化的高效性,提高了神经网络模型的泛化性能。该模型在理论上具有收敛性,其有效性和可行性通过给出的Levenberg-Marquardt方案仿真实验也得到了说明。     

一种基于灰色神经网络的网络流量预测模型

网络流量是衡量网络运行负荷和状态的重要参数,也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中,流量模型用于评价接入控制机制和预测网络性能。灰色模型和神经网络在反映数据的趋势性变化上效果明显,随着灰色神经网络的发展及其广泛应用,越来越多的方法已经被提出。文中利用神经网络补偿器获得误差补偿信号,则最终的预测值为灰色神经网络模型的预测值加上误差补偿。仿真结果验证了所提方法的有效性。     

基于补偿器的灰色神经网络流量预测模型

为衡量网络运行负荷和运行状态,对网络进行合理规划,在对目前网络流量预测模型进行了研究的基础上,结合灰色模型和神经网络模型在反映数据的趋势性变化上的明显效果,以及神经网络补偿器,提出了基于补偿器的灰色神经网络流量预测模型,仿真结果验证了所提方法的有效性。     

BP网络与RBF网络在感官评估中应用比较

介绍BP网络与RBF网络的方法原理以及二者在感官评估中的应用.利用企业提供的单料烟感官数据设计建立BP网络和RBF网络模型,并利用模型预测单料烟感官质量指标,然后通过行业专家提供的符合度公式对建立的模型进行评估,评估结果以百分比的形式展示.实验结果表明:在感官评估应用中,RBF网络模型预测性能优于BP网络模型.