基于小波神经网络的电涡流传感器非线性补偿

为消除电涡流传感器的非线性误差,提高其测量精度,提出了一种基于小波神经网络和遗传算法的电涡流传感器非线性补偿方法。该方法利用小波神经网络的非线性映射能力,使得传感器的输入与输出线性化,并使用遗传算法搜寻网络的最优初始值,加强网络的非线性逼近能力和收敛能力,显著提高电涡流传感器的非线性补偿效果。实验结果表明,经过补偿后,极大提高了传感器的精度,传感器输出电压最大绝对误差为15.55mV,最大相对误差为1.36%,非线性误差为0.34%。     

基于改进萤火虫算法的小波神经网络短期负荷预测方法

传统的小波神经网络以梯度下降法训练网络,而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题,影响网络训练的精度。文章将萤火虫算法用于训练小波神经网络,在全局内搜寻网络的最优参数。为了提高萤火虫算法参数寻优的能力,在训练过程中自适应调节γ值。同时利用高斯变异来提高萤火虫个体的活性,在保证收敛速度的同时避免算法陷入局部极小。将优化后的小波神经网络用于短期负荷预测,实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。     

小波神经网络模型的改进方法

为了改善小波神经网络(WNN)在处理复杂非线性问题的性能,针对量子粒子群优化(QPSO)算法易早熟、后期多样性差、搜索精度不高的缺点,提出一种同时引入加权系数、引入Cauchy随机数、改进收缩扩张系数和引入自然选择的改进量子粒子群优化算法,将其代替梯度下降法,训练小波基系数和网络权值,再将优化后的参数组合输入小波神经网络,以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明,与WNN、PSO-WNN、QPSO-WNN算法相比,改进的量子粒子群小波神经网络(MQPSO-WNN)算法的运行时间减少了11%~43%,而计算相对误差较之降低了8%~57%。因此,改进的量子粒子群小波神经网络模型能够更迅速、更精确地逼近最优值。     

基于MEC优化BP神经网络的PSD非线性校正

光电位置敏感传感器(PSD),特别是其B区存在非线性误差大、测量精度低的问题.针对现有神经网络校正方法的不足,提出一种基于思维进化计算(MEC)算法优化的神经网络校正模型.该方法首先应用MEC算法搜索最优神经网络初始权值和阈值,再利用LM算法训练BP神经网络,最后将训练好的神经网络用于PSD非线性校正.仿真实验结果表明,所提出的方法校正精度高,收敛速度快,泛化能力强,测试数据的平均误差被控制在0.005 mm以下.经过校正后的PSD在非线性区表现出与线性区相似的线性程度,提高了PSD的测量精度.     

非线性系统辨识方法研究

讨论了利用小波神经网络对非线性系统辨识的新方法。在辨识过程中,为了提高小波神经网络对非线性系统的辨识性能,使用一种改进粒子群优化算法对BP小波神经网络参数进行训练,求得最优值,达到对非线性系统辨识目的。在数值仿真中,与采用标准粒子群优化算法相比,结果显示了提出的方法在收敛性和稳定性等方面均得到了明显的改善。     

非线性函数逼近小波神经网络的优化及仿真

提出一种用于非线性函数逼近的小波神经网络的训练算法。分析了网络的拓扑结构,给出了网络的参数估计方法,即混合递阶遗传算法,该算法是递阶遗传算法和多元线性回归的结合,仿真研究表明该方法逼近精度高,为非线性系统建模提供了一种新方法。     

基于PSO算法的WNN大包线增益调参控制律设计

提出了一种基于粒子群优化算法的小波神经网络大包线调参控制律设计方法.该方法用小波函数代替了Sigmoid函数作为激活函数.由于结合了小波变换良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强逼近非线性函数的能力.为了克服局部极小值问题并进一步提高对非线性函数逼近能力,利用粒子群优化算法对小波神经网络进行参数训练,并利用该网络实现了大包线增益调参.飞行仿真结果表明,所设计的小波神经网络增益调参控制器具有优良的控制性能,不仅能够保证平衡状态下的控制效果,而且在未训练的平衡状态下依然具有良好的控制性能,并且在存在20%的建模误差时,最大超调量仅为6 m,仅是使用常规增益调参方法的18%.     

基于小波神经网络的木材干燥窑内传感器建模研究

针对木材干燥系统具有非线性、强耦合的特性,难以建立准确的数学模型,提出一种基于小波神经网络的建模方法。通过木材干燥窑内木材含水率传感器、温度传感器和湿度传感器采集的数据建立小波神经网络模型,并通过模型预测木材含水率传感器的测量值。小波神经网络将BP神经网络在非线性问题上自学习的能力与小波表征信号局部信息的能力相结合,具有很强的自适应分辨性和容错能力。利用实际木材干燥过程中采集的数据作为训练样本进行仿真实验。结果表明：小波神经网络方法建立的模型能够预测木材含水率传感器的测量值,模型泛化能力强,预测精度高于BP神经网络建立的模型,验证了小波神经网络对木材干燥窑内传感器建模的可行性和有效性。     

基于IA-BP算法的GPS高程拟合误差补偿方法

BP算法是校正GPS高程拟合误差的常用手段,但传统BP算法易陷入局部极小,使测量结果的精度稳定性差。提出一种基于免疫算法(IA)和BP神经网络结合的优化算法,利用IA进行全局搜索,然后,调用BP算法进行局部搜索。实验结果表明:该优化算法在训练多层前向神经网络时可有效地避免传统BP算法易陷入局部极小,并可保持其高预测精度,收敛速度快,具有寻优的全局性和精确性,进而提高了测量精度,且神经网络的GPS高程拟合误差与标准值间的相对误差均方差小于0.042 2,相对误差均值小于0.047 2,相对误差最大值小于0.050 3。     

基于LLE-FOA-BP模型的煤与瓦斯突出强度预测

针对目前煤与瓦斯突出强度预测精度低、稳定性差及训练速度慢等问题,提出了一种基于局部线性嵌入法-果蝇优化算法-BP神经网络(LLE-FOA-BP)模型的煤与瓦斯突出强度预测方法。借助LLE算法的非线性数据特征提取优势,提取煤与瓦斯突出影响因素原始数据的本质特征,形成重构有效因子,降低数据间的冗余信息及噪声;利用FOA算法较强的全局寻优能力优化BP神经网络的权值和阈值,避免陷入局部极小,提高参数寻优效率;将重构有效因子输入优化后的BP神经网络进行训练,实现煤与瓦斯突出强度快速、准确预测。测试结果表明,LLE-FOA-BP模型的平均相对误差为8.06%,相对误差的方差为3.69,经过24次迭代训练就达到10~(-8)的训练精度,能够在保证预测精度的基础上,提高鲁棒性和学习效率。     

改进粒子群优化Takagi-Sugeno模糊径向基函数神经网络的非线性系统建模

针对复杂非线性系统建模的难点问题,提出了一种基于改进的粒子群优化算法（PSO)优化的T-S模糊径向基函数（RBF）神经网络的新型系统建模算法。该算法将T-S模糊模型良好的可解释性及RBF神经网络的自学习能力相结合,构成T-S模糊RBF神经网络用于系统建模,并采用动态调整惯性权重的改进的PSO算法结合递推最小二乘算法实现网络参数的优化调整。首先,利用所提算法进行了非线性多维函数的逼近仿真,仿真结果均方差（MSE）为0.00017,绝对值误差不大于0.04,逼近精度较高;又将该算法用于建立动态流量软测量模型,并进行了相关的实验研究,动态流量测量结果平均绝对误差小于0.15L/min,相对误差为1.97%,基本满足测量要求,并优于已有算法。上述仿真及实验研究结果表明,所提算法对于复杂非线性系统具有较高的建模精度和良好的自适应性。     

基于改进卡尔曼滤波的陀螺仪误差补偿算法

针对基于卡尔曼滤波的MEMS陀螺仪误差补偿算法中量测噪声方差选取不准确的问题,提出一种基于改进卡尔曼滤波的陀螺仪误差补偿算法.卡尔曼滤波通常采用统计特性估计得到固定的量测噪声方差,无法自适应地估计不同环境下陀螺仪噪声特性.该算法将卡尔曼滤波与神经网络相融合,使用卡尔曼滤波新息矩阵作为神经网络输入,通过神经网络得到新息协方差矩阵,以此自适应地估计卡尔曼滤波量测噪声方差.将该算法应用到陀螺仪信号误差补偿中,使用Allan方差分析法对原始信号以及误差补偿后的陀螺仪信号进行分析,实验结果表明该算法能够有效地抑制陀螺仪随机误差,提高MEMS陀螺仪的精度.     

超声波热量表流量计量中温度补偿算法研究

针对超声波热量表采用时差法测量流量时,因受温度影响而存在的非线性问题,提出了分别基于曲面拟合和BP神经网络的温度补偿算法。两种算法通过建立温度与流量之间的非线性映射关系,达到补偿流量测量的目的。建模与仿真可知, BP神经网络补偿算法表现出更好的数据融合及预测能力。验证实验表明,相对于现有查表修正算法和曲面拟合补偿算法,BP神经网络补偿算法补偿效果更佳,补偿后流量测量误差在±2.2%以内,绝对误差方差最大值为0.68,补偿效果显著,具有较高的工程应用价值。     

基于时空图卷积神经网络的管网产量模拟计算

针对原油集输管网的流量计测量数值偏差大, 模拟仿真软件人工校正繁琐、自适应差的问题, 提出一种自适应时空图卷积神经网络的产量计算方法, 实现原油集输管网产量的模拟计算. 以潜油电泵井为节点, 输油管道为边构建管网拓扑图. 使用图卷积神经网络提取井分布空间信息, 时间卷积神经网络获取产量数据的时间序列特征, 计算得到准确的产量模拟计算结果. 在某油田原油集输管网系统上进行了实验验证, 结果表明本文方法能够准确对管网系统内各电泵井的产量进行计算, 与其他基准网络模型相比, 各项误差指标均有下降, 平均绝对误差降至0.87, 平均绝对百分比误差降至4.45%, 均方误差降至0.84, 证明了提出方法的有效性和准确性.     

A Mixture of Experts Network Structure Construction Algorithm for Modelling and Control

This paper introduces a new fast, effective and practical model structure construction algorithm for a mixture of experts network system utilising only process data. The algorithm is based on a novel forward constrained regression procedure. Given a full set of the experts as potential model bases, the structure construction algorithm, formed on the forward constrained regression procedure, selects the most significant model base one by one so as to minimise the overall system approximation error at each iteration, while the gate parameters in the mixture of experts network system are accordingly adjusted so as to satisfy the convex constraints required in the derivation of the forward constrained regression procedure. The procedure continues until a proper system model is constructed that utilises some or all of the experts. A pruning algorithm of the consequent mixture of experts network system is also derived to generate an overall parsimonious construction algorithm. Numerical examples are provided to demonstrate the effectiveness of the new algorithms. The mixture of experts network framework can be applied to a wide variety of applications ranging from multiple model controller synthesis to multi-sensor data fusion.     

MAGA-WNN模型在明胶浓度软测量中的应用

胶液浓度的测量在明胶的生产过程中是一项很重要的任务,为解决明胶浓度胶液手工检测中存在的滞后时间长、测量误差大等实际问题,将软测量技术应用到明胶的浓度测量中。通过对明胶生产工艺的分析,采用小波神经网络建立软测量模型,利用混合变异自适应遗传算法对模型参数进行优化。用现场采集并归一化后的120组数据做仿真实验,其中80组作为训练,40组作为预测。仿真结果表明,该算法迭代67次后误差平方和低于0.01并趋于稳定。证明混合变异自适应遗传算法可增强小波神经网络模型的鲁棒性和提高收敛速度。所以该算法用于明胶浓度的软测量中是可行的。     

基于概率模型的实时修正IMM目标跟踪算法

针对传统的IMM算法采用固定测量噪声协方差矩阵和Markov转移概率矩阵导致模型切换缓慢,跟踪精度下降的问题,提出了一种具有模型概率实时修正的IMM机动目标跟踪算法。该算法在监控区域上建立无线电指纹库,利用支持向量回归算法训练得到观测模型。引入模糊神经网络,在模型交互输出阶段自适应地调整测量误差协方差矩阵。根据IMM子模型中连续时间点之间的模型概率的比值,对Markov转移概率进行修正。仿真结果表明,提出的方法在实时性、跟踪精度方面具有良好的性能。     

基于贝叶斯统计的测量系统误差控制方法仿真

针对传统误差控制方法存在耗时较长、误报率较高以及误差控制精度较低等问题,提出了一种基于贝叶斯统计的测量系统误差控制方法。通过含有区间灰数的模糊子集所处的故障状态,得到测量系统产生误差的条件,利用贝叶斯网络推理算法以及相关的区间运算规则,对规划模型求解,获取测量系统产生误差的概率以及相关部件的重要特征信息。根据求解结果以及相关的空间交汇原理构建待测点坐标、待测距离以及有关于经纬仪观测角的数据模型,通过分析测量系统产生误差的原因,选取满足误差存在条件的数据对网络进行训练,令其逼近非线性函数,完成对测量系统误差的有效控制。实验结果表明,所提方法能够快速、准确地对测量系统产生的误差进行控制。     

A robust multimedia surveillance system for people counting

Closed circuit television cameras (CCTV) are widely used in monitoring. This paper presents an intelligent CCTV crowd counting system based on two algorithms that estimate the density of each pixel in each frame and use it as a basis for counting people. One algorithm uses scale-invariant feature transform (SIFT) features and clustering to represent pixels of frames (SIFT algorithm) and the other uses features from accelerated segment test (FAST) corner points with SIFT features (SIFT-FAST algorithm). Each algorithm is designed using a novel combination of pixel-wise, motion-region, grid map, background segmentation using Gaussian mixture model (GMM) and edge detection. A fusion technique is proposed and used to validate the accuracy by combining the result of the algorithms at frame level. The proposed system is more practical than the state of the art regression methods because it is trained with a small number of frames so it is relatively easy to deploy. In addition, it reduces the training error, set-up time, cost and open the door to develop more accurate people detection methods. The University of California (UCSD) and Mall datasets have been used to test the proposed algorithms. The mean deviation error, mean squared error and the mean absolute error of the proposed system are less than 0.1, 16.5 and 3.1, respectively, for the Mall dataset and less than 0.07, 5.5 and 1.9, respectively, for UCSD dataset.