汽车半主动悬架的神经网络控制

针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的 阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。为了证明其实效性,设计了汽车半主动悬架神经网络控制器。结果证明,该算法便捷、实用、有效。     

一种实用的神经网络方法在液压泵故障诊断中的应用

针对传统BP神经网络训练中收敛速度较慢的缺点,将一种基于L-M算法的神经网络应用于液压泵故障诊断,并建立了基于该算法的故障诊断模型;论述了液压泵的故障特征频率,研究基于LabVIEW的频率提取与后期神经网络的处理方法.仿真结果表明:该方法和模型显著缩短了训练时间,运用神经网络方法进行液压泵故障诊断是有效的.     

基于分布式卷积神经网络的车型识别算法研究

本文利用Spark分布式计算框架,提出了一种基于分布式卷积神经网络的车型识别算法。该算法通过改进卷积核参数和丢弃相似特征图来优化网络,通过改进分布式梯度下降来减少master和slave同步通信量,从而提高了收敛速度和性能。试验结果表明,该算法可有效提高车型分类的速度和精度。     

基于改进PSO-NN的径流水位预报研究

为了提高河流日径流水位预报的精确度,针对粒子群算法和神经网络存在的缺陷,提出一种新的粒子群算法进化三层前馈神经网络的连接权系和阈值,并以此建立逐日径流水位预报模型.该算法采用跟随变异粒子扰动变化的惯性权重和学习因子来提高粒子群算法的局部、全局搜索性能和收敛速度.实验仿真结果表明,在收敛速度和预测的精确度上,该模型明显优于其他对比模型,为获得更高预测精度的径流水位预报提供了一种有效的建模方法 .     

基于神经网络算法的谐波参数估计

研究基于神经网络算法的谐波参数估计方法.采用递推最小二乘法（RLSM）作为学习算法,提高神经网络的收敛速度并避免局部极小问题.为验证该算法的有效性,给出利用该算法进行间谐波分析的仿真实例.仿真结果表明,提出的间谐波分析方法具有计算精度高、训练速度快的特点,因此在电力系统间谐波分析中具有较大的应用价值.     

基于改进BP神经网络算法的云环境异常检测技术研究

为提高云计算环境异常检测的准确率,改进算法性能,提出一种基于分组梯度下降以及变动学习速率的BP神经网络算法。通过将样本按照一定规律分组,改进梯度下降法的表现,再自动调整学习速率以加快收敛速度。实验表明,该算法可有效提高神经网络学习速度,能准确将云环境异常检测数据分类,具有较高的检测率和较低的误报率。     

基于改进BP神经网络算法的云环境异常检测技术研究

为提高云计算环境异常检测的准确率,改进算法性能,提出一种基于分组梯度下降以及变动学习速率的BP神经网络算法。通过将样本按照一定规律分组,改进梯度下降法的表现,再自动调整学习速率以加快收敛速度。实验表明,该算法可有效提高神经网络学习速度,能准确将云环境异常检测数据分类,具有较高的检测率和较低的误报率。     

自底向上加快神经网络学习的算法

介绍了一种加快神经网络学习的改进算法.这种改进算法结合采用快速自底向上构造神经网络算法和动态优化学习参数算法.首先,快速自底向上构造神经网络算法自动地构建神经网络的优化结构;随后,动态优化学习参数算法动态地调整和选取优化的学习参数.实验结果显示,这种改进算法能自动有效地构造网络的优化结构,与其它算法相比,具有更好的分类性能、优化的网络结构和更快的学习速度.     

基于RBF神经网络的总产值预测模型研究

介绍了径向基函数（RBF）神经网络的工作原理和训练算法．根据生产总值与投资分配之间存在的映射关系，应用RBF神经网络建立了投资预测模型，并进行了仿真试验．与BP模型相比，该模型在预测精度和收敛速度方面具有显著的优点．结果表明，用RBF神经网络进行投资预测得到了十分满意的结果．     

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.     

神经网络算法在非线性系统中的应用研究

研究了一种非线性系统分析的神经网络算法,提出并证明了该算法的收敛性定理,为学习率的取值范围提供了理论依据.解决了BP算法存在局部极小的问题,并给出了该算法的应用实例.研究结果表明,对于随机给定的初始点,该算法都能稳定收敛到它的一个实根,计算精度可控,而且能得到高精度解,因此,该算法是有效的.此外算法还可以用来解多元非线性方程和线性方程组.     

高阶微分器优化设计研究

提出了一种基于BP算法的正弦基函数神经网络模型，研究了该数神经网络算法与线性相位数分器幅频特性的关系，提出了该神经网络算法的收敛条件，给出了高阶微分器的优化设计实例。计算机仿真结果表明了该神经网络算法不仅是有效的而且是高效的。与传统的窗口函数法和雷米兹化设计方法相比，本优化设计方法不需要计算矩阵的逆，因而解决了雷米兹优化设计方法求高阶矩阵逆的困难。由于微分器是一种特殊的4型FIR线性相位滤波器，只要求出脉冲响应序列，就可以用软件方法实现数字微发运算，也可以通过CPLD复杂可编程器件或DSP数字信号处理芯片实现硬件数字微分运算，因此，设计出性能指标优异的微分器是高阶微分器具有十分重要的实际意义。     

基于神经网络的常微分方程数值计算方法

科学与工程应用中常用微分方程来建模,提出了一种基于余弦基神经网格的计算微分方程的新方法,其基本思想是以神经网络的输出来近似初值问题中的解析解.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为神经网络学习率的选择提供了依据.通过实例证明了该算法的有效性.     

多层前馈人工神经网络结构研究

研究表明，由多层FNN的BP算法误差函数构成的非线性方程组的独立方程个数和FNN的待求未知变量的个数应该相等，该方程组才能有唯一组解．由此导出网络结构方程式，进而导出隐层层数判别式和每层神经元个数判别式．依据Kolmogorov定理，由该判别式得出求解FNN隐层层数和每个隐层神经元个数的具体算法．计算机仿真结果表明该方法简明实用．     

2型FIR高阶数字滤波器优化设计

研究了2型FIR线性相位滤波器的幅频特性与激励矩阵为CTB的神经网络并行算法之间的关系,提出并证明了该神经网络算法的收敛性定理,给出了FIR高阶数字滤波器优化设计实例.计算机仿真结果表明了该神经网络并行算法在FIR高阶数字滤波器优化设计领域的有效性.     

神经网络理论在FCS安全性评价中的应用研究

将神经网络理论应用于评价FCS的安全性,在标准BP网络原理基础上,提出BP网络的一种改进算法:即采用带非线性动量项自适应变步长的BP算法(NASBP),并提出一种用神经网络理论评价FCS安全性的实现方法.通过仿真验证该方法的可行性和有效性.     

基于神经网络并行算法的海尔伯特变换器优化设计

研究了一种基于神经网络并行算法的海尔伯特变换器优化设计方法，提出并证明了冲经网络算法的收敛性定理，给出了海尔伯特变换器优化设计实例，仿真结果表明用该算法设计的海尔伯特变换器具有高的计一算精度和快的收敛速度，因而是有效的。     

基于神经网络误差修正的灰色广义预测控制

提出一种基于神经网络误差修正的多步灰色广义预测控制算法,采用神经网络对灰色系统的建模误差进行预测,同时根据新信息优先的原则,用最新预测误差不断更新神经网络建模数据,对新出现的误差具有动态补偿动力,最终预测值为模型预测值与预测误差之和,有效地抑制模型误差的影响,增强灰色广义预测的鲁棒性.仿真结果验证了该算法的有效性.     

基于在线训练RBF神经网络的混沌系统辨识研究

讨论混沌系统的在线辨识问题,给出了RBF神经网络的一种在线训练算法,对这种在线训练算法所涉及到的各个方面进行了分析,并把这种在线训练算法用在混沌系统的辨识中.仿真表明该算法是非常有效的.     

一种用于地应力分析的改进型BP神经网络方法

地应力测量及分析研究,对地应力活动方式、构造体系的研究以及岩土工程与结构的设计和稳定性,都具有重大的理论意义和实用价值.BP神经网络算法比较成熟,已被广泛应用,但一般BP神经网络算法存在训练学习速度较慢、样本泛化能力差的问题,通过引入动态学习因子和惯性因子以及模拟辅助样本,对神经网络进行了改进.通过调节动态学习因子和惯性因子以及对样本集数据处理等手段,对样本的学习、训练进行优化处理,通过实例验证,将优化好的网络样本训练结果与一般结果进行比较,结果表明对三层BP神经网络进行的优化,在提高计算精度的同时也提高了网络的收敛速率,证明改进的算法能够很好用于地应力分析.