耦合神经网络中脉冲信号传输的噪声增强研究

对积分发放神经元耦合网络中脉冲信号传输的噪声增强现象进行了研究。通过权矩阵控制神经元间耦合强度和网络结构,网络中脉冲刺激信号激励靶神经元,而网络内各神经元都受到内部噪声的驱动。研究表明,随着噪声强度的增加,神经网络输出发放率与离散脉冲信号发放率的互相关系数不断增加并达到极值,证实了脉冲信号传输中耦合神经网络中存在噪声增强现象。还进一步分析了门限电势、网络结构以及噪声类型对输入输出发放率之间互相关系数的影响。这些研究结果为进一步将随机共振理论应用到神经系统中脉冲信号传递问题提供了实际依据。     

不对称信息条件下抵押品的信号作用分析

主要研究两个方面的内容 :1 )不对称信息条件下 ,当企业追求机会利益时 ,贷款利率和企业拖欠还款概率的变化对银行期望利润的影响 ;2 )当企业具有多个连续投资项目时 ,在不对称信息条件下 ,贷款利率的变化对企业项目平均成功概率的影响 .研究结果表明 ,如果企业提供的抵押品价值越少 ,银行信贷资金所面临的风险越大 ,逆向选择风险增大 ;如果企业提供的抵押品价值越多 ,银行信贷资金所面临的风险越小 ,逆向选择风险减少 .     

采用神经网络同步器对混沌信号分类的研究

提出了一种用神经网络同步器对混沌吸引子进行分类的方法。该方法对每一类混沌吸引子都训练一个相应的神经网络同步器 ,采用同步测量法实现驱动与被驱动网络的渐近同步 ,所以这种测试方法与系统内部状态的初始值无关。最后通过对Lorenz和R ssler混沌吸引子进行分类证实了所提分类方案的可行性。     

兴奋性神经群体的非周期信息传输研究

研究了FitzHugh-Nagumo(FHN)可兴奋性神经元的小世界网络模型中非周期信息传输的问题.此小世界网络模型的每个节点都是一个FHN神经元,每个神经元的输入为具有一定相关时间的高斯非周期信号,而内部噪声为强度相同但相互独立的高斯白噪声.数值结果表明,随着噪声强度的增加,输入输出信号的相关系数出现了非周期随机共振现象.连接度对于非周期信号传输性能影响有限.对于两个不同小世界网络的互相关进行了分析以期提高信息传递率.这些研究结果对于复杂系统信号处理理论具有重要意义.     

刺激引起的小世界生物神经网络同步

同步现象广泛存在于脑神经活动中.本文构造了一个具有小世界连接特性的生物神经网络,数值模拟研究了外加刺激频率引起的放电同步现象.同时考虑网络结构对同步的影响,取网络耦合强度作为参量来研究它对网络同步的影响.研究发现,在某一个特定的共同外加刺激频率下,生物神经网络会出现尖峰同步放电现象.当网络的耦合强度增大时,使网络产生同步现象的频率点将会逐步增多.仿真结果表明不同的生物神经网络结构对输入信号的频率具有不同的选择性.     

决策层时空信息融合的神经网络模型研究

融合目标识别可以获得比任意单传感器更加准确的目标识别结果。决策层融合由于其在信息处理方面具有很高的灵活性,成为信息融合研究的一个热点。针对传统融合算法环境适应性较差的缺点,提出了一种决策层时空信息序贯融合的神经网络模型,讨论了利用各传感器所处环境和专家知识等先验信息确定网络初始权值的方法,研究了网络权值的在线学习算法。仿真实验证明该网络模型的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

基于IFOA-SA-BP神经网络的雷达信号识别

为提高雷达信号的识别率,提出一种改进的果蝇优化算法(improved fruit fly optimization algorithm, IFOA)和模拟退火(simulated annealing, SA)算法相融合并用于优化反向传播(back propagation, BP)神经网络的雷达信号识别算法。首先,该算法提取雷达信号的调和平均盒维数、信息维数和差分近似熵特征作为信号识别的三维特征。然后,改进果蝇优化算法的寻优步长并添加逃脱系数以修改适应度函数,同时引入三维空间的搜索概念扩大果蝇的搜索范围,再对果蝇算法所求解的接受机制通过SA算法进行修正。最后,将融合后的算法IFOA-SA用于优化BP神经网络得到网络最优的初始权值和阈值,并用此网络进行雷达信号的分类识别。通过与BP和FOA-BP进行对比,结果表明IFOA-SA-BP能够提高雷达信号的识别率,证实了该算法的有效性。     

Ka频段卫星移动信道中信号传输体制设计与仿真

设计并仿真了适合Ka频段卫星移动信道的信号传输体制，仿真结果为最终实现方案提供了可靠的数据。同时，针对所设计的Turbo编码和GMSK调制相结合的信号传输体制，提出了迭代信道估计算法，明显改善了系统的误码率BER性能。     

流体神经网络在非规范条件下的应用研究

流体神经网络是近年来发展起来的一种新兴智能搜索方法,特别适合于求解各种路径优化问题．本文运用遗传算法进行参数选择,克服了传统流体神经网络的权值矩阵对称等限制,拓宽了这种智能搜索方法的应用领域     

大规模虚拟试验网间信息传输评价模型研究

大规模虚拟试验系统往往需要基于异构网络环境互连的方法搭建,以满足不同试验实体间通信的实时性要求.针对不同互连方法多为经验总结、缺乏理论分析的现状,在已有的同构网络虚拟试验信息传输延迟理论基础上,建立了大规模虚拟试验系统网间实体信息传输延迟模型,定义了以实时感知度和高频感知度为尺度的大规模虚拟试验网间通信评价指标.对典型的四种实时网络与RTI跨协议互连方案分别进行分析,为具体的试验系统搭建提供依据.应用结果表明,该方法对大规模虚拟试验系统的跨协议互连方案的分析与选取具有指导意义.     

离散时间细胞神经网络的收敛性条件

神经网络的收敛性是网络各种应用的基础。主要研究了离散细胞神经网络的收敛性 ,并给出了几个新的网络收敛性条件。如果细胞网络的模板不是互补的 ,则给出一个网络在细胞格子非相互作用演化方式下的收敛性结果 ,所获结果推广了已有的结论。如果模板是互补的 ,且是行占优的 ,则网络按细胞格子行方式进行演化是收敛的。如果模板是互补的 ,且是列占优的 ,则网络按细胞格子列方式进行演化是收敛的。     

BH RTI中可靠传输机制的研究

组播是大规模分布交互仿真中的主要技术之一,仿真中数据的可靠传输要求使可靠组播成为其中的重要问题.在多对多可靠组播RMMS系统研究的基础上,改进TCP单播备份机制,提出了可靠单播恢复丢失的组播备份报文的报文备份机制,消除了TCP备份带来的瓶颈,提高了可靠组播的性能.介绍了可靠组播集成到BH RTI的设计.实验结果表明,集成可靠组播的BH RTI在时延、吞吐量、多对多传输方面具有良好的性能.     

带约束的卷积语音信号频域盲分离方法

在实际的室内环境中,多通道的语音混合是一个卷积混合信号,在频域利用ICA进行分离时,不同频点上分解出的源信号的次序不确定,需要用后处理方法确定源的对应关系。提出了一种利用波达方向(DOA)作为约束条件的频域盲源分离方法,可以在线地解决频域中的次序不确定性,并且不需要已知传感器及源信号位置等先验知识。仿真结果表明,该方法能够有效地分离卷积混合语音信号,比现有相关的方法更精确。     

基于状态信息的条件剩余寿命建模研究

根据监测到的设备状态信息预测其条件剩余寿命一直是基于状态维修中的关键问题。利用滤波理论,建立了基于状态信息的剩余寿命预测通用模型,并推导出采用极大似然估计法下参数估计的通式,使得在已知寿命服从其他任何分布形式时直接代入通式便可快速地得出其模型,从而预测其剩余寿命,省去了复杂繁琐的迭代过程。通过案例发现模型能够根据状态信息很好地预测其剩余寿命,并在不断更新状态信息的条件下越来越精确地预测其剩余寿命。     

直扩信号的谱检测和神经网络估计

论述了二次谱理论、谱相关理论和神经网络方法在直接序列扩频(DS/SS)信号的检测与估计中的应用,提出了利用谱分析结合神经网络的方法来实现对低信噪比DS/SS信号的参数及其伪码(PN)序列的估计.计算机模拟结果表明,该方法在较低的输入信噪比条件下能良好地工作.     

话者识别系统中语音特征参数的研究与仿真

在说话者识别系统中，提取反映说话者个性的语音信号特征参数是系统的关键问题之一．研究并提取了几种重要的语音特征参数，包括线性预测倒谱系数、美尔倒谱系数、语音动态参数等，对这些参数进行了分析和比较，并研究了将多种参数组合使用对识别系统性能的影响．通过仿真和实验，证明混合参数识别方法能使话者识别系统的正确识别率有明显的提高。     

基于卷积神经网络的超短波特定信号谱图识别

针对超短波通信中特定信号的识别问题,提出一种将时频谱图和卷积神经网络相结合的超短波特定信号识别方法。该方法首先对特定信号进行短时傅里叶变换得到时频谱图,然后使用时频谱图对改进的卷积神经网络模型进行训练,最后测试网络模型,实现超短波特定信号识别。实验结果表明,该方法对特定信号的识别率能达到98%,在信噪比为0 dB时仍能达到97%的识别率,并且在混叠50%时识别率达到了90%。相比传统算法,该方法具有更好的抗低信噪比和抗混叠干扰能力,验证了卷积神经网络在特定信号识别领域的有效性,为该领域的后续研究奠定了基础。     

基于神经网络最佳分类器通信信号的调制识别

提出了基于最优决策理论的最佳分类器用神经网络实现的方法,并对通信信号的调制类型进行自动识别。这种方法以使类域最大分离为目标,利用神经网络良好的非线性和自适应性,把最优准则下的自学习功能引入训练过程,结合快速训练和修剪算法,克服了一般神经网络分类器的不足,实验证明其性能良好。     

基于改进的模糊ART的语音信号端点检测与切分

分析并讨论了模糊ART在处理样本数较大的分类问题时出现的连接权向量的"饱和"问题及某些特定情况下分类不准确的问题,在此基础上提出了改进的IFART算法,并将其运用于语音信号的端点检测与切分,实验结果表明该算法在不同的噪声环境下都能获得较好的分类效果。