基于支持向量机的交通安全预测模型及仿真研究

分析了交通安全预测中指标和影响因子的选择,确定了指标体系和影响因子集合,利用支持向量机(svm)建立交通安全预测模型并进行实例仿真验证.将1953年-2006年全国交通安全相关样本数据分为训练集和测试集,通过训练SVM得到交通安全预测模型参数值,对测试集指标进行预测,计算预测误差,并与BP神经网络预测模型进行对比.仿真结果表明支持向量机建立的交通安全预测模型学习速度快,泛化能力强,有着比神经网络预测模型更高的运算速度与预测精度.     

基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

基于EM算法的有监督LVQ神经网络及其应用

针对监督LVQ神经网络存在神经元未被充分利用以及输入样本和竞争单元之间的信息被浪费等问题。通过将EM算法引入到LVQ神经网络中,提出了基于EM聚类算法的有监督LVQ神经网络(即EMLVQ网络),从而弥补了LVQ神经网络的不足且具有EM算法提取样本信息精确的优点。通过参数的简化可以得到EMLVQ算法是软竞争格式(SCS)的一种推广。最后将它们应用于说话人辨识。实验表明,EMLVQ神经网络辨识说话人取得了很好的效果。     

基于神经网络集成的说话人识别算法仿真研究

说话人识别研究中采用的语音信号特征同时包含了语义信息和话者信息,二者相互影响,给识别带来了很大的困难。为解决这个问题,我们将集成思想应用于说话人识别中,针对每个汉语单韵音的特征空间训练一个神经网络实现说话人分类,并使用另一个神经网络对多个单韵音神经网络识别器的识别结果进行结合。该方法可以有效地避免语义信息对说话人识别的干扰,提高识别精度。不仅如此,神经网络集成的识别结果还可以同时给出该帧语音所属的单韵音类型。仿真实验结果表明,集成系统的识别精度高于单一神经网络,并且在与多种算法的对比中也展示了良好的性能,更重要的是,该方法给出了一种从语音特征中分离语义信息和说话人信息的新思路。     

基于神经网络的高超声速飞行器惯导系统精度提高方法

针对目前惯性系统误差补偿模型对静态误差和动态误差处理能力不足的问题,为适应高超声速飞行器长航时、高精度的惯性导航要求,基于神经网络提出一种加速度计拟合模型.在高超声速飞行器飞行前期有准确的卫星导航信息时,收集导航信息和加速度计脉冲信息,利用神经网络强大的非线性拟合能力,在飞行过程中进行在线训练,得到精确的惯性系统模型....     

柔性航天器自适应多层神经网络跟踪控制方法

针对柔性航天器的姿态跟踪以及振动抑制问题,提出了一种自适应多层神经网络控制方法。利用自适应多层神经网络来补偿系统的非线性项,利用光滑变结构项来补偿神经网络逼近误差及外部干扰。柔性航天器为典型的一个中心刚体加柔性附件的结构,假设模型参数未知并且具有任意的有限维。控制器只利用姿态角和角速度信息进行反馈控制,不需柔性附件振动信息。最后,实验表明该方法可以有效地完成姿态跟踪和振动抑制。     

粗集与神经网络的集成技术研究

粗集和神经网络都是处理不确定、不完全信息的软计算方法 ,两者曾在决策支持和知识获取等领域取得了很大的成功并得到初步应用。但两者都有局限性 ,同时在许多方面有互补性。因此粗集和神经网络的集成成为当今智能混合系统的一个重要分支 ,或许也是开发下一代专家系统的主流技术。从认识论的角度分析了粗集和神经网络的特点 ,评述了目前粗集和神经网络集成的理论和方法 ,指出其中存在的主要不足。最后提出了粗集和神经网络进一步集成所需解决的问题。     

加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题，提出了一种加入预测信息的反馈误差学习（P-FEL）模型，该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号，使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明，P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性，同时还具有良好的平衡控制性能和鲁棒性。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

神经网络模型用于多变量综合预测

本文研究神经网络用于多变量时间序列预测的原理与方法，提出组合多种信息的综合预测方法。以股票交易为例，用神经网络组合各类信息，运用信心股价理论对中国股市的发展进行跟踪预测。在此基础上进一步从信息利用的角度说明了神经网络预测方法的特点。结果表明，神经网络模型用于多变王时间序列预测，其精度和趋势均较统计方法有所提高；神经网络综合预测，对中短期股票价格的预测，有实用价值。     

关于前馈神经网络的激活函数与认知能力

讨论了目前前馈神经网络研究中存在的一些问题 ,给出了前馈神经网络的一种数学框架。在这种框架下 ,提出了网络神经元激活函数的选取原则 ,给出了前馈神经网络认知能力的概念 ,证明了静态前馈神经网络的认知能力是有限的。指出了网络的认知能力与激活函数、隐层神经元个数的选取都有关 ,并提出了隐层神经元个数的选取原则。最后 ,给出了前馈神经网络泛化能力的概念 ,指出前馈网络的泛化能力是有条件的。     

基于模糊神经网络的ATM网络连接接纳控制

ATM网络的业务量控制是ATM网络中的关键技术之一.连接接纳控制是业务量控制的一种,对业务源进行预防式控制.本文采用模糊神经网络算法对ATM网络进行连接接纳控制,仿真结果表明它比传统的算法有更好的效果.     

基于卡尔曼滤波的二次型神经网络学习算法及收敛性分析

提出了二次型多层前馈神经网络的卡尔曼滤波学习算法，并证明了该算法的收敛性。与文献［２，３］中的学习算法和经典的误差反向传播学习算法相比，新的学习算法具有更快的学习速度、良好的泛化能力，并且对学习率有很好的鲁棒性，不容易陷入局部极小点。仿真实验结果表明了新算法的有效性。     

基于OLS算法的RBF神经网络高速公路事件探测

高速公路事件是指破坏正常交通流并造成交通阻塞的非重现随机发生的事件。事件发生后对其进行快速可靠的探测对减少交通延误、保障道路安全、减少环境污染具有十分重要的意义。文中提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法，同时改进了用于RBF神经网络训练的OLS(正交最小二乘)选择算法。仿真实验证明，改进的OLS选择算法大大提高了RBF神经网络的训练速度，同时具有无须事先确定RBF中心的优点，将之运用于公路事件探测可以获得满意的性能。     

一种基于神经网络的非线性自适应滤波器

提出了基于Ａｄａｌｉｎｅ－ＭＬＰ递归神经网络的非线性自适应滤波器。这种新的滤波器运用了自适应ＩＲ滤波器理论，具有神经网络分布式并行信息处理，较好的容错特性和鲁棒效应等优点，且比传统的滤波器有更好的收敛特性，并可方便地实现非线性滤波。此外，还给出了Ａｄａｌｉｎｅ－ＭＬＰ递归网络在线滤波算法及其在非线性自适应噪声抵消器中的应用。最后进行了计算机仿真。     

基于模型跟随的神经网络非线性重构控制

针对歼击机在结构故障下的动力学方程 ,提出了一种基于径向基函数 (RBF)神经网络的模型跟随非线性重构控制策略。该方法不必精确已知系统故障的位置及其损伤程度 ,可直接对故障系统实施重构控制 ,使其输出能精确跟踪期望参考模型的输出。该方法在模型跟随重构控制的基础上 ,引入了神经网络控制器 ,以补偿故障引起的非线性因素的影响。理论分析和仿真验证表明 ,所提方法可保证闭环系统具有良好的重构性能和很强的鲁棒性 ,且算法高效简单 ,易于计算机在线控制。     

模糊系统与人工神经网络的交叉综合及应用

模糊系统与人工神经网络是目前智能控制中使用的两种主要方法，它们在求解系统具有不确定性的问题时，表现出了一定的互补性和可结合性。本文从这两种方法的求解机制出发，研究了它们的互补性和可结合性，概述了现有的基于模糊系统与神经网络智能控制系统的一些理论和应用研究成果，并在文中作了进一步的研究展望。     

用模糊BP神经网估算小卫星成本

提出了用BP神经网对卫星成本进行二维估算 ,即先求出样本点集扩散到控制点集中的模糊数 ,然后将对应同一控制输出变量的控制输入变量的模糊数作为学习样本 ,让BP神经网进行学习。学习后的BP神经网就能在给定输入变量的情况下 ,估算出输出变量。最后 ,给出了小卫星成本的质量和定点精度模糊BP神经网估算的实例 ,取得了满意的结果。     

激光制导炸弹的神经网络鲁棒控制

针对激光制导炸弹滚转控制通道的时变特性，基于神经网络具有定性和定量多模态控制能力能够实现多个常规控制器的功能，融合炸弹投放过程中的多种工作状态参数信息，设计了非线性神经网络控制器，给出神经网络控制器与常规控制器的功能等价性分析。该控制器具有鲁棒性，能适应时变系统参数大范围的变化，而且方法简单，实现容易。利用该方法对某型激光制导航空炸弹进行仿真，并与炸弹的变结构控制器相比，从根本上解决了变结构控制器的抖振问题，结果表明，该神经网络控制器具有良好的控制性能。     

非线性挠性结构的神经网络变结构控制

针对非线性挠性结构的模态截断 ,模型不精确与不确定性 ,以及非线性特性 ,采用了神经网络与变结构相结合的控制方法 ,针对线性化部分设计变结构控制器 ,把模型不确定性以及非线性部分作为干扰 ,用神经网络辨识切换函数的实际值与理想值之差 ,该差值反映了模型与实际系统的差别。该方法对摄动具有很强的鲁棒性 ,大大减小了系统在切换面上的抖动。针对挠性结构的模态不可测性 ,以及传感器的失误概率随其数量的增大而迅速增大的特性 ,采用了神经网络观测器观测系统状态。