小波分析法解决无线定位跟踪问题

无线定位中,信号的非视距传播（NLoS）很大程度上决定了移动台的定位精度,而小波分析理论在信号处理中有较为明显的优点,提出了一种在蜂窝网络中非视距环境下对移动台（MS）的定位及跟踪算法。利用小波变换对信号的分解和重构,实现了对TDOA测量值误差的修正,再利用经典Chan算法对移动台位置进行估计,配合相应的距离门限值对移动台的位置进行跟踪定位。仿真结果表明,该算法能够有效地实现对移动台位置的静态定位和动态跟踪,并明显优于同等环境下经典算法的仿真结果,有效提高了定位精度。     

一种蜂窝网中的跟踪算法

移动台定位技术是未来移动通信的方向。为了实现动态连续定位跟踪服务和提高定位精度,提出了一种在蜂窝网络中非视距（NLOS,Non-line of Sight）环境下对移动台（MS,Mobile Station）的定位跟踪算法。在用经典定位算法获得定位初始估计值后,利用卡尔曼滤波器对移动台的初始位置估计值进行修正,并配合检测门限对移动台进行跟踪。仿真结果表明,该跟踪算法能够实现对移动台动态定位跟踪,并且取得了良好的效果。     

一种基于场强差的移动台定位改进算法

为了解决传统的移动台定位过程中信号的传播误差对定位精度的影响,提出了一种基于移动台与服务基站之间的场强差来确定移动台位置的改进算法。小波变换在信号消噪处理中可以取得良好的效果,通过选择合适的小波函数和分解层数,对测量得到的场强差进行分解和重构,然后用经典Chan算法确定移动台位置,大大降低了传播误差对定位精度的影响。仿真表明,该算法能很好地抑制传播误差,其定位效果比直接使用Chan算法更加稳定。     

基于隐马尔可夫模型的Cell-ID定位跟踪方法

针对传统基地台识别码(Cell-ID)定位方法精确度不高的问题,提出一种新的Cell-ID定位跟踪算法。该算法利用移动台当前的服务基站信息和相邻基站信息,分别加权计算出似然向量,通过隐马尔可夫模型来获得移动台的运动状态,最后利用最大后验概率准则求出移动台的位置。实验结果表明,该算法复杂度低,在服务基站稳定的区域内定位性能良好,达到通信委员会(FCC)的定位精确度要求。     

神经网络和遗传算法在相关峰判读中的应用

在相干光学目标识别技术研究中,为了更好地判读相关峰,把遗传算法和人工神经网络相结合,以反向传播神经网络和遗传算法为基础,建立了以遗传算法优化神经网络初始权值和阈值的相关峰判读系统,既避免了神经网络训练中容易陷于局部最小值和收敛速度较慢的缺点,又克服了遗传算法局部精确搜索能力的不足,实现其优势互补,从而有利于更好地解决相关峰判读问题。结果表明,改进后的算法充分发挥遗传算法和反向传播算法的优点,达到了较好的判读效果。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上,针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题,提出了一种新型的粒子群优化(PSO)算法与后向传播(BP)神经网络相结合的算法.BP网络算法权值的修正依赖于非线性梯度值,易形成局部极值,同时学习次数较多,需先通过粒子群算法进行优化.为了提高定位精度,首先采用速度常量法滤波处理,然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化,并分析算法的性能.试验中隐层节点个数采用试错法,从12到19变化,以确定合适数目.实验结果表明,与一般加权算法和传统BP算法相比,改进的混合优化算法可大幅改善测距误差对定位误差的影响,同时可使25 m内最小定位误差小于0.27 m.     

基于整合移动平均自回归和遗传粒子群优化小波神经网络组合模型的交通流预测

针对短时交通流数据的非线性和随机性特点,为提高它的预测精度和收敛速度,该文从模型构建和算法两方面提出一种整合移动平均自回归(ARIMA)模型和遗传粒子群算法优化小波神经网络(GPSOWNN)相结合的预测模型和算法。在模型构建方面,将ARIMA模型预测值和灰色关联系数大于0.6的相关性强的前3个时刻的历史数据作为小波神经网络(WNN)的输入,在兼顾历史数据的平稳和非平稳的情况下,进行了模型结构简化。在算法方面,通过遗传粒子群算法对小波神经网络的参数初始值进行最优选取,可使其结果在不易陷入局部最优的条件下加快网络训练收敛速度。实验结果表明,在预测精度方面,该方法的模型明显优于整合移动平均自回归模型和遗传粒子群算法优化小波神经网络,在收敛速度方面,用遗传粒子群算法优化模型明显优于仅用遗传算法优化模型。     

一种基于高维粒子群算法的神经网络结构优化研究

为克服传统BP神经网络在运算过程的不足,提出一种基于高维粒子群算法的神经网络优化方法。通过在高维PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,再将优化好的高维BP神经网络运用到交通事件自动检测中,通过检测训练算法,并对训练后的数据进行分类测试,把分类测试的结果与传统BP神经网络和经典事件检测算法比较。结果显示,经过优化后的高维粒子群BP神经网络的检测率、算法性能均优于BP神经网络算法和经典算法,其中97,50个测试样本中仅有2个测试样本与应该达到的数值不一致,其他样本都满足测试要求,并且平均优化测试时间是传统BP神经网络检测时间的一半,因此,优化后的BP神经网络算法的性能十分优越。     

关于系统级故障诊断的烟花-反向传播神经网络算法

为了更快速且精确地诊断出大规模多处理器系统中的故障单元,该文首次将改进的烟花算法和反向传播(BP)神经网络相结合,提出一种新的系统级故障诊断算法—烟花-反向传播神经网络故障诊断算法(FWA-BPFD)。首先,在烟花算法中引入双种群策略、协作算子以及最优算子,设计新的适应度函数,优化变异算子、映射规则和选择策略。然后,利用烟花算法全局搜索能力和局部搜索能力的自调节机制,优化BP神经网络中的权值和阈值的寻优过程。仿真实验结果表明,该文算法相较于其他算法不仅有效地降低了迭代次数和训练时间,而且还进一步提高了诊断精度。     

WSNs中基于通用回归神经网络的目标跟踪算法

基于接收信号强度指示(RSSI)的移动目标定位和跟踪常采用三边或角度测量定位技术。尽管该技术简单,易实施,但由于RSSI值与距离间的非线性关系,它们容易导致较大的定位误差。通用回归神经网络(GRNN)能够快速训练稀疏数据集。提出基于GRNN的移动目标跟踪(GMTT)算法,该算法依据GRNN处理RSSI与目标位置间的非线性关系,利用卡尔曼滤波(KF)修正目标位置。仿真实验结果表明,相比于RSSI+KF,GMTT算法可以有效地降低目标定位的根均方误差。     

GA-BP神经网络在雷达目标跟踪中的应用研究

目标的运动过程一般是非线性过程,神经网络具有很强的非线性拟合能力,可映射任意复杂的非线性关系,以神经网络为基础的模型能够很好地反应目标的非线性运动趋势。本文在分析传统的BP神经网络的基础上,引入GA遗传算法来优化神经网络的初始权值和阀值,同时将GA-BP神经网络模型运用于对雷达目标的跟踪过程中,并通过仿真验证该模型的精度较高。     

基于GA的BP神经网络在多目标优化中的应用

针对传统多目标优化的求解方法通常存在目标权值主观性大,优化目标仅为各目标加权和以及在求解过程中各目标优化的不可操作性等问题,文中提出了一种新颖的多目标优化算法,其将改进后的遗传算法与BP神经网络融合,提出了基于遗传算法的BP神经网络融合算法。该算法将遗传算法与BP神经网络算法相结合,充分发挥遗传算法的全局搜索能力优势和BP算法的局部搜索能力特点,使得多目标优化问题得以求解,加快收敛速度,从而提高了收敛精度。     

基于萤火虫BP神经网络的轴承故障诊断研究

针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题,提出将具有全局寻优的萤火虫算法,结合BP算法共同训练神经网络。在本质上,萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练,避开局部极值点,得到优化后的神经网络初始权值后,利用BP算法的局部寻优特性对网络做进一步精细训练。轴承故障实验表明,萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升,故障识别率最高达到99.47%。     

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。     

遗传算法优化BP神经网络的大功率LED结温预测

将遗传算法(GA)与BP神经网络相结合,对研发的120W LED双进双出的射流冲击水冷散热系统中LED阵列的结温进行预测。采用GA优化BP网络的权值和阈值,利用BP算法训练网络,改善了单独使用BP网络容易陷入局部极小值和收敛速度慢的缺点。并且在训练过程中为了使网络输出有足够长的空间,改进了GA的数据处理。结果表明,经GA优化的BP神经网络较使用Levenberg-Marquardt(LM)算法优化的BP神经网络的大功率LED结温预测精确度提高了14.14%,且预测效果较稳定。GA和BP神经网络相结合的结温预测模型较传统的结温测量方法更能掌握散热结构设计的主动性,对大功率LED寿命的延长有较高的实用价值。     

基于遗传算法优化神经网络的藻类繁殖状态软测量方法

为了提高BP神经网络模型对海洋藻类生长状态软测量的准确性,提出了一种基于遗传优化算法优化BP神经网络的软测量方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,再将该预测结果与传统BP网络预测模型的预测结果进行对比.对仿真结果进行有效性验证后,结果表明,通过这种软测量方法,经遗传算法优化后的BP神经网络可以在更短的时间里创造更高的预测准确性,大大提高了对海洋藻类生长状态预测的效率.     

基于GA与L-M优化算法的变压器故障诊断研究

利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于遗传算法的BP神经网络在图像压缩中的应用

以神经网络和遗传算法为代表的进化算法都基于智能信息处理的理论,但是各自都存在一些缺陷.设计并实现了基于遗传算法的BP神经网络算法BP-GA,该算法将遗传算法和BP算法相结合,用基于实数编码的遗传算法优化神经网络的权值后,应用于图像压缩.实验证明,利用此混合神经网络进行图像压缩,压缩比高,图像恢复质量效果好.     

基于GA-BP神经网络的矿用刮板输送机故障诊断

针对矿用刮板输送机的故障诊断问题,提出一种基于GA-BP神经网络的故障诊断方法。为了避免BP神经网络易陷入局部最小值、隐含层节点数难确定等问题,这里首先根据经验公式缩小隐含层节点数范围,在小范围里寻找最优的隐含层节点数;进而根据遗传算法具有全局寻优的特点,用遗传算法优化BP神经网络训练的初始权值阈值。研究表明经经验公式寻找最优隐含层节点数后,再将遗传算法与BP神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最小等问题,提高了刮板输送机传动部的故障诊断精度。通过仿真实验验证了文中方法的有效性。