基于匹配追踪的语音压缩感知观测序列的正弦字典建模

压缩感知技术是目前信号处理领域的研究热点.文中针对压缩感知技术实际应用于语音领域时压缩率不高的问题做了研究.首先介绍了压缩感知技术的理论,接着提出了适合建模的观测矩阵的选用标准.在行阶梯观测矩阵下,本文提出了观测序列的一种新模型——基于匹配追踪算法的正弦字典模型,该模型采用稀疏分解的方法对观测序列进行建模.仿真结果表明该建模方法有效地进一步压缩了观测序列,而不明显降低恢复语音的质量.     

基于语音压缩感知观测序列语音能量估计及端点检测方法

根据压缩感知理论,文中分析了基于压缩感知观测序列语音能量估计的理论基础,并对不同压缩比下语音能量估计的准确度仿真结果做对比,然后将得到的语音能量估计做为语音端点检测的基础,分别对粉红噪声、高斯噪声和汽车噪声情况下不同信噪比的语音进行端点检测,并与基于压缩感知观测序列倒谱距离、传统的奈奎斯特采样中能量的语音端点检测方法做对比,减少了计算量.     

非线性时间序列预测的BP神经网络方法及应用

针对在非线性时间序列的BP神经网络建模预测的基本方法中,存在的建模速度慢,计算较复杂等问题,提出一种改进的BP神经网络动态建模与预测方法,并运用该方法对一非线性时间序列进行了仿真,仿真结果表明此方法的实际应用效果较好。     

基于递归网络的混沌时间序列预测

为了能对时问序列充分建模,从混沌的慨念入手,将混沌与神经网络相结合,利用人工神经网络的拟合特性,提出了递归网络的混沌时间序列预测方法。给出了递归神经网络预测的基本理论、数学模型、及具体步骤,并通过由杜芬方程所产生的混沌时间序列对该神经网络进行了模拟实验。仿真结果表明,该方法远好于前馈网络的预测效果,其预测误差在10^-15的数量级上。     

陀螺随机漂移的神经网络预报方法研究

针对惯性导航系统中陀螺仪的漂移特性,在时间序列分析及神经网络理论的基础上提出了一种时间序列神经网络结构,并采用此种网络模型对某捷联惯导系统中所用的陀螺仪漂移数据进行了预报。预测结果表明,这种预测方法对于陀螺漂移建模及预报是可行的。     

基于局部RBF网络的复杂时间序列预测方法研究

针对复杂时间序列全局预测模型建模效率低、预测性能不佳等问题,提出一种基于局部RBF神经网络的新型预测模型.该模型采用K最近邻搜索方法得到待预测样本的K个近邻,用近邻样本进行RBF神经网络建模,用训练好的RBF神经网络对待预测样本进行预测.实验结果显示该模型在复杂时间序列预测上有良好的性能.     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

基于压缩感知的自适应谱减法语音增强算法

针对在压缩感知框架下,噪声的影响会被扩大这个问题,提出了一种新的基于压缩感知的语音增强算法。该方案利用压缩感知下的行阶梯观测矩阵能够保留大部分语音特性的特点,对观测序列进行谱减法消噪,再对得到的观测序列进行基于输入信噪比的自适应重构,最后通过低通滤波器对重构语音进行平滑滤波,除去高频成分。实验结果表明:提出的语音增强方法具有较强的抗噪能力,重构速度快,输出的信噪比高,鲁棒性能好。     

商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

基于混合神经网络的序列推荐算法

为了提高推荐算法的推荐性能,在序列建模过程中,针对循环神经网络(recurrent neural network,RNN)无法并行运算导致建模速度与准确度较低,以及在偏好预测过程中对用户不同阶段偏好没有动态融合的问题,提出了一种基于混合神经网络的序列推荐算法.在算法模型的用户交互序列建模阶段,考虑到用户近期偏好变化频繁,对于时间效率与推荐准确度都有更高的要求,引入时间卷积网络(temporal convolutional network,TCN)对近期交互序列进行建模,解决了循环神经网络建模速度和准确度较低的问题;在用户偏好预测阶段,在考虑用户近期与长期偏好的基础上,基于注意力机制动态融合了用户近期与长期2个交互阶段的偏好,从而提高了推荐的性能.在公共数据集MovieLens10M与LastFM上进行了实验,结果证明了模型的有效性.     

Video Coding Based on Compressive Sensing via CoSaMP

Compressive sampling matching pursuit （CoSaMP） algorithm integrates the idea of combining algorithm to ensure running speed and provides rigorous error bounds which provide a good theoretical guarantee to convergence. And compressive sensing （CS） can help us ease the pressure of hardware facility from the requirements of the huge amount in information processing. Therefore, a new video coding framework was proposed, which was based on CS and curvelet transform in this paper. Firstly, this new framework uses curvelet transform and CS to the key frame of test sequence, and then gains recovery frame via CoSaMP to achieve data compress. In the classic CoSaMP method, the halting criterion is that the number of iterations is fixed. Therefore, a new stopping rule is discussed to halting the algorithm in this paper to obtain better performance. According to a large number of experimental results, we ran see that this new framework has better performance and lower RMSE. Through the analysis of the experimental data, it is found that the selection of number of measurements and sparsity level has great influence on the new framework. So how to select the optimal parameters to gain better performance deserves worthy of further study.     

A Multilayer Recurrent Fuzzy Neural Network for Accurate Dynamic System Modeling

A multilayer recurrent fuzzy neural network （MRFNN） is proposed for accurate dynamic system modeling. The proposed MRFNN has six layers combined with T-S fuzzy model. The recurrent structures are formed by local feedback connections in the membership layer and the rule layer. With these feedbacks, the fuzzy sets are time-varying and the temporal problem of dynamic system can be solved well. The parameters of MRFNN are learned by chaotic search （CS） and least square estimation （LSE） simultaneously, where CS is for tuning the premise parameters and LSE is for updating the consequent coefficients accordingly. Results of simulations show the proposed approach is effective for dynamic system modeling with high accuracy.     

人工神经网络在星载散射计海面风场反演建模中的应用

地球物理模型函数(GMF)是散射计风场反演的基础及算法有效运行的前提条件。采用传统的统计方法建立GMF往往需要大量的、多种参数条件下的雷达后向散射测量数据。以圆锥扫描散射计SeaWinds为例,根据其特点,建立了一个两种极化方式下统一的神经网络模型函数(NN GMF),并对风速、相对风向采样间隔和测量值数目对模型精度的影响进行了详细分析。通过与Qscat-1模型进行比较,发现该神经网络模型在采样间隔较大或测量值数目较少的情况下,仍能较好地体现SeaWinds散射计的海面后向散射特性。     

基于RES理论的岩爆倾向性预测方法

从工程地质因素、复杂环境因素和人为开挖因素3个方面分析了岩爆启动的主要影响因素,在此基础上,提出了一种基于RES理论的岩爆智能预测模型,并论证了人工神经网络的参数分析原理.此外,采用改进的前馈神经网络BP算法对交互作用矩阵进行编码以及对参数的相对交互作用强度进行了分析.研究结果表明:运用该岩爆智能预测模型,不仅使岩爆倾向性的预测具有动态特性,同时又可以方便地对岩爆启动的主控因素进行分析.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

基于RBF神经网络的数控车床热误差建模

对于数控车床而言，热误差是其最大的误差源，而其中最困难的是热误差建模．现有BP算法的神经网络模型存在学习收敛速度慢，容易陷入局部极小点的缺点．文中使用径向基函数理论建立了基于RBF神经网络的数控机床热误差数学模型．讨论了RBF网络参数的初始化及学习；给出了两种建模方式的RBF网络建模算例，将其建模性能指标与经典最小二乘法建模指标进行综合对比，可知RBF网络各项指标均优于经典最小二乘方法．最后验证了RBF网络建模的鲁棒性．结果表明：径向基神经网络模型与经典最小二乘线性模型相比，拟合性能更好，预测补偿能力强且建模时间短．     

基于递归神经网络的TVS电磁脉冲响应建模

针对传输线脉冲(TLP)测试方法实施过程工作量较大、测试结果与实际情况相符程度较差的问题,提出一种基于递归神经网络建模的电磁脉冲响应预测方法。该方法基于TLP测试系统,增加机器模型静电放电和人体金属模型静电放电两类注入电磁脉冲,分别建立Elman,Jordan神经网络以及它们的组合Elman-Jordan神经网络对NUP2105L型瞬态抑制二极管(TVS)进行建模,预测不同脉冲条件下TVS的响应。仿真结果表明,递归神经网络建模效果好、运算效率高。     

实时最小二乘算法的神经网络实现

本文提出了一种求解最小二乘问题的神经网络模型。理论分析和模拟结果表明：该网络是稳定的并且能在电路时常数数量内获得近似解。