基于BP神经网络的模塑封材料疲劳寿命预测

根据模塑封材料(EMC)疲劳实验,针对BP神经网络[反向传播神经网络(BPNN)]拟合误差与预测误差关系不稳定的应用问题,结合主成分分析法,"主动"改善网络结构,建立了基于BP神经网络的EMC材料疲劳寿命预测模型,进行了分析,并与一般的BP神经网络模型作了比较。结果表明,该方法得到的BP神经网络经过训练后能稳定表征EMC材料的各种参数与疲劳寿命间的内在关系。当网络拓扑结构为2-4-1时,预测结果稳定,预测误差平方和(SSE)为0.5623～0.0271,拟合误差(MSE)为0.0906～0.0278,具有实用性。     

模塑封器件模塑化合物与铜的界面裂纹扩展

针对环氧模塑化合物(EMC)与铜的界面沿特定路径的准静态界面裂纹扩展问题,利用ANSYS建模仿真了单个位移及循环位移载荷条件下界面裂纹扩展;以界面裂纹扩展的J积分为分析目标,分别在铜材料为线弹性和弹塑性的两种工况下,分析了循环位移载荷对界面裂纹扩展的影响规律。结果表明,在弹性条件下,循环载荷卸载过程裂纹尖端张开角为0,界面闭合;弹塑性条件下,卸载过程裂纹张开角不为0,界面不闭合,且屈服应力越小,两种材料的界面间隙越大,J积分数值越小。     

基于粒子群优化BP神经网络的脉象识别方法

针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题,提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差,以此获得最优粒子的位置向量,并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO-BP算法和GA-BP算法的三种ANN模型用于脉象信号的识别。实验结果表明,在识别脉象时,优化后的算法降低了传统BP神经网络的输出误差,提高了识别精度,PSO-BP算法明显改善了传统BP神经网络的泛化能力。     

基于并行BP神经网络的路由查找算法

结合Bloom-filter算法和并行反向传播神经网络,提出了一种新的基于并行神经网络的路由查找算法(BFBP)。该算法满足路由查找的需求,只需学习路由条目的网络ID,且易于扩展到IPv6地址查询。研究结果表明,相比于己有的神经网络路由查找方法,该算法需要学习的条目数平均减少了520倍,提高了学习效率,为神经网络应用于路由查找创造了有利条件。     

改进BP神经网络的功放有记忆行为模型

提出了一种基于改进误差反向传播神经网络(IBPNN)的具有记忆效应功率放大器(PA)的行为模型。该模型在传统误差反向传播神经网络(BPNN)的基础上利用Levenberg-Marquardt(LM)学习算法和加入动量因子的训练算法更新BPNN的权值和阈值,与传统的BPNN相比只需要更少的训练次数就达到了更高的精度。20MHz带宽三载波WCDMA信号的时域和频域仿真都表明其具有良好的性能,并且由得到的功率放大器(PA)动态特性AM/AM和AM/PM可知,该模型可以很好地描述PA的记忆效应。最后,用16QAM调制的OFDM 20MHz带宽信号的实验证明了该模型具有普遍的适用性。     

BP神经网络在智能家庭网关中的应用研究

随着消费类电子产品技术的成熟,智能化家庭网络概念的深入人心,家庭网关在数字化家庭网络中将会扮演着越来越重要的角色.系统运用模糊神经网络技术提出了一种新型智能家庭网关,该网关运用基于误差反向传播算法优化的模糊神经网络技术,以神经网络输出结果和模糊化判决为依据对家居设备进行智能控制.同时还构造了室内空气质量分析系统,并将实验和仿真的精确度控制在0.1％内,证明了该系统的有效性和精确性.     

基于遗传算法的BP神经网络的LED寿命预测模型

提出了一种新型的基于遗传算法(GA)优化的误差反向传播(BP)神经网络的寿命预测模型.选取不同公司生产的LED,以LED光源光通量维持率测量方法(LM-80-08)测试报告中的电流、结温、初始光通量和初始色坐标作为神经网络的输入,LED在网络输入的应力条件下的寿命为输出,可以预测LED在任意电流和结温下的寿命.研究结果表明,该GA-BP模型相比于LED光源长期流明维持率的预测方法(TM-21-11)更具灵活性,预测误差较传统BP神经网络降低了65.5％,平均相对误差达到1.47％,优于Adaboost模型的54％和3.16％,训练样本相关系数达到99.4％,GA-BP模型预测LED寿命误差更小,普适性更高,在LED的寿命预测中具有实际意义.     

基于神经网络的GaAs HBT器件模型研究

建立精确的模型是使用砷化镓异质结双极晶体管器件（GaAs HBT）设计集成电路的必要基础,传统经验模型建立过程复杂,在输出功率、增益、功率附加效率等功率特性方面的模拟精度不太高,给电路设计带来了一定的难度。本文利用径向基函数(RBF)神经网络算法和反向传播(BP)神经网络算法分别建立GaAs异质结双极晶体管器件的大信号模型。这些模型的训练和测试数据分别来自于测试的双端口散射参数,以及测试的直流特性和功率特性数据。然后将模型数据与实测结果进行对比,结果发现,基于神经网络的器件模型能够精确地模拟器件特性,而且RBF神经网络模型相比BP神经网络模型,误差更小,预测更精确。     

基于BP神经网络的姿态测量系统摄像机标定

针对摄像机标定过程中复杂的成像和畸变模型,利用误差逆传播(BP)神经网络对复杂非线性映射关系的强大逼近能力,对姿态测量系统中的摄像机进行隐式标定,建立了姿态测量中三维空间目标特征点与它在图像平面上像点间的映射关系,使姿态测量系统无须进行复杂的摄像机标定,直接恢复目标特征点的三维信息,从而计算得到目标姿态信息.结果表明,该方法对于空间点坐标恢复的均方根误差小于0.015 mm,可以获得较高的精度.     

基于双BP神经网络的室内可见光定位算法

为提高室内可见光定位的精度,提出了一种基于双反向传播(BP)神经网络的单发光二极管(LED)灯室内定位算法.首先在定位区域内使用BP神经网络确定待测目标粗略的位置范围,然后以该位置范围为限制条件,再次使用BP神经网络实现更精确的定位.室内定位系统采用单个LED灯作为发射器,3个水平光电探测器作为接收器接收光功率,避免了...     

电子信息装备维修保障能力的BP神经网络评估

对电子信息装备维修保障能力进行客观、准确的评估是加强装备维修保障系统建设,提高保障能力的重要依据。创新地将BP神经网络应用到装备维修保障领域,首先建立了电子信息装备维修保障能力评估指标体系,确定了关键要素指标,然后详细设计了电子信息装备维修保障能力评估的BP神经网络模型,并对评估模型的算法流程和数据处理等内容进行研究。通过Matlab仿真软件对结果进行了计算分析表明,BP神经网络具有很强的解决非线性问题的能力,同时消除了因专家差异给评价结果带来的不确定性,适用于电子信息装备维修保障能力评估。     

基于量子BP网络的图像压缩技术研究

量子神经网络是一门崭新的学科,是量子理论和人工神经网络结合的产物。它融合了量子计算与神经网络的优点,具有很高的理论价值和应用潜力。本文基于具有量子输入和量子输出的量子神经元模型,利用BP网络用于图像压缩的原理,同时借助复数BP算法提出了QBP算法,构建一种用于图像压缩的3层QBP网络模型,实现了图像压缩与图像重建。仿真结果表明,在与BP网络压缩比相同的情况下,QBP网络不仅获取较好的重建图像质量,而且在最佳学习速率下迭代次数比BP网络少。     

Research of image compression based on quantum BP network

量子神经网络是一门崭新的学科,是量子理论和人工神经网络结合的产物。它融合了量子计算与神经网络的优点,具有很高的理论价值和应用潜力。本文基于具有量子输入和量子输出的量子神经元模型,利用BP网络用于图像压缩的原理,同时借助复数BP算法提出了QBP算法,构建一种用于图像压缩的3层QBP网络模型,实现了图像压缩与图像重建。仿真结果表明,在与BP网络压缩比相同的情况下,QBP网络不仅获取较好的重建图像质量,而且在最佳学习速率下迭代次数比BP网络少。     

基于BP神经网络和遗传算法的刚挠背板设计

选取加强筋宽度等5个关键因素,采用正交设计法采集刚挠背板基频形成训练样本。由试验确定BP神经网络拓扑结构。选用LM算法训练的BP神经网络(BPNN)作为遗传算法目标函数求解器,用于优化抗振结构。结果表明,网络拓扑结构为4-6-1时网络泛化能力强,测试误差小于1.6%;获得最优结构参数组合x1～x5分别为0.0039,0.004,0.0268,0.0242和0.0018m;优化后,基频提高92.7%,振幅降低82.77%,计算误差为0.636%。     

多偏移遥感图像的BP神经网络亚像元定位

提出了一种借助多偏移遥感图像来改进基于BP神经网络(BPNN)的亚像元定位新方法.不同于原BPNN方法使用单幅低空间分辨率观测图像,新方法利用多幅带有亚像元偏移的低空间分辨图像来确定亚像元属于各类的概率,然后根据概率值和地物覆盖比例确定亚像元类别,以降低BPNN定位模型中的不确定性和误差.实验表明,提出方法在视觉和定量评价上,均能获得更高精度的亚像元定位结果,验证了提出方法的有效性.     

基于BP神经网络的磁罗盘误差补偿研究

研制了一款基于磁阻传感器HMC1052/1051Z和MEMS加速度计ADXL203的磁罗盘,介绍了三轴磁阻罗盘的测量原理并分析了磁罗盘工作过程中可能存在的误差及其来源。针对样机的水平状态,利用前馈神经网络算法,建立了以测量航向角为输入、补偿后的航向角为输出的三层BP神经网络模型,并用样机的航向角采样数据进行仿真验证。实验数据表明,采用该BP神经网络补偿算法,可将航向角的精度从±35.73°提高至±0.5°以内,研制的样机可应用于普通导航领域。     

基于改进BP神经网络和粒子群优化算法的图像滤波方法的研究

提出了一种基于改进BP神经网络和粒子群优化算法(PSO)的图像滤波方法.该方法利用双曲正切形式的误差函数代替BP神经网络传统的最小均方误差函数(LMS),并将改进后的BP神经网络利用PSO算法优化,用来减小图像噪声对神经网络精度的影响以及避免神经网络陷入局部极小值点,从而提高神经网络去噪能力.实验结果表明,与传统滤波方法相比,该方法不仅能有效地滤除图像中的高斯噪声而且能很好地保护图像细节.     

基于BP神经网络的温度预测方法

针对环境试验温度测量精度不高,测温延时较大的问题,提出了基于BP神经网络的温度预测方法。该方法通过测量瞬时温度变化率,利用BP神经网络的温度预测模型,对温度进行预测。在MATLAB中仿真表明,该方法对温度测量的精度有了明显的提高,对测温延时有了明显的改善。