基于人工鱼群算法的BP神经网络速度辨识器

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解.将改进人工鱼群算法与BP算法相结合的IAFSA+BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINK进行无速度传感器控制系统的建模仿真实验结果表明,该算法具有良好辨识效果.     

MUSIC空间谱估计并行运算算法

针对多重信号分类(multiple signal classification, MUSIC)算法计算量大不适于实时处理的问题,提出了一种并行处理方案。首先,根据协方差矩阵的Hermite特性简化其构造过程;再通过实值化预处理,将后续运算转换到实数域,通过Householder变换将协方差矩阵简化为三对角矩阵,对三对角矩阵进行QR分解得到特征值和特征向量用于谱峰搜索|最后,各个阶段都适于采用多处理器并行处理。通过理论分析和仿真,验证了该方法在对MUSIC算法性能影响不大的前提下能大大减小运算量,提高算法处理速度,为MUSIC算法的高效化实现提供了一定的理论基础。     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

基于免疫算法的自组织神经网络在效能评估中的应用

针对自组织神经网络自身的局限,将免疫克隆选择算法的克隆和变异机制引入SOM的学习算法中,提出一种免疫自组织神经网络模型,并建立了模型的学习算法。该学习算法用免疫克隆选择算法的克隆算子和变异算子改进自组织神经网络中的邻域大小和权值调整规则,使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化,从而克服了自组织神经网络分类效果受样本输入次序影响的弱点,且在很大概率上保证网络收敛到全局最优解。性能仿真结果说明该学习算法比自组织神经网络学习算法具有更好的分类准确性和泛化性能。将该模型应用雷达电子战装备的作战效能评估中,结果表明免疫自组织神经网络模型比自组织神经网络模型分类更合理。     

基于BP网络和序优化方法的火控攻击方案寻优

火控攻击方案寻优是一个基于仿真的优化问题,针对传统优化方法计算量大而且耗时多的不足,运用序优化理论通过排序比较和目标软化等思想来缩小搜索空间、提高搜索效率。首先建立了以导弹目标截获概率为效能指标的方案评估精确模型,然后用拟合后的基于误差反向传播（back propagation, BP）算法的神经网络作为粗糙评估模型,最后运用序优化搜寻达到一定目标截获概率的较优火控攻击方案。算例分析表明,序优化方法能在确保以足够高的概率寻得足够好方案的同时,有效提高搜索效率。     

基于育种系统管理全局优化算法及其性能

针对遗传类算法收敛精度差和收敛速度慢等问题,本文将育种系统的管理运作思想引入遗传算法,构造了一种新的全局优化算法—育种算法。通过对搜索和进化操作过程进行分析,指出了算法收敛到全局最优的途径和方法,提出了利用简单的随机采样实现全局搜索和采用基因置换技术实现交叉进化的思想策略,建立了算法模型并确定了相应的控制参数和终止准则。实验表明,该算法能够实现精确搜索并实现计算精度和成本之间的平衡,可以避免遗传算法的早熟收敛问题和大量的冗余运算,提高了优化计算的速度和可靠性。     

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。     

一种改进的自组织映射树算法及在组织际关系分类中的应用

分析了自组织映射树各种改进算法的优缺点,改进和实现了一种基于动态二叉树的自组织神经网络(Improved dynamicalbinary-tree based self-organizing neural network, DBTSONN).在改进动态二叉树中神经元节点可以自动生长和剪除,无需在训练前预先确定网络结构.DBTSONN1算法采用单路径搜索最匹配叶节点(获胜神经元),DBTSONN2算法考虑了获胜神经元节点所在自组织二叉树的层次,采用双路径搜索获胜叶节点, 提高了搜索效率.以交易关系的经济和行为维度建立起来的关键中介 变量集为度量指标,使用该算法把组织际关系分为四种类型:双边关系、周期性关系、层级关系以及分散关系, 验证该算法的效率,并分析这种组织际关系分类的实际意义.     

混沌粒子群优化及其分析

通过分析了经典的粒子群优化中单个粒子模型,发现其具有混沌Hopfield神经网络的特点.提出了一种新的粒子群优化模型,该模型不像以往的粒子群算法那样包含随机参数,而是一个确定性的混沌Hopfield神经网络群,其搜索轨道展现了从混沌到周期分岔再到汇的逆周期分岔演化过程.初始混沌式搜索模式展宽了搜索范围,逆周期分岔演化过程决定了搜索的稳定性和收敛性.另外,理论上给出了新的粒子群优化的收敛性结论.最后,通过数值仿真给出了与经典的粒子群优化结果的不同点,并且说明了混沌粒子群优化的有效性.     

神经网络应用于模糊综合评价的研究

本文将神经网络理论应用于模糊综合评价, 给出了一种基于三层神经元的多用量化评价方法, 研究了三层神经网络的结构、相应的网络学习过程及其应用于模糊综合评价的计算机实现算法和应用实例。     

加工时间为连续随机变量的Job Shop调度问题

针对实际调度问题中存在的不确定现象,提出了加工时间服从正态分布、最大完成时间的期望值作为目标函数的随机Job Shop问题;然后提出了解决该问题的智能优化算法:采用随机模拟的方式产生输入输出数据,利用遗传算法训练神经网络,将训练过的神经网络嵌入到另一遗传算法中,用该遗传算法来优化Job Shop调度问题;最后给出了仿真实验,通过仿真实验证明,该算法对于解决加工时间为随机变量的Job Shop调度问题是行之有效的。     

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。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

基于嵌入混沌序列的遗传算法

将混沌序列引入遗传算法中，获得了一种新的算法．该算法有效地克服了标准遗传算法中的“早熟”现象，并具有更快的收敛速度．计算机模拟验证了上述特征．同时还将改进了的算法用于多重小波神经网的训练．     

机械手逆运动学神经网络建模与仿真

采用多层前向神经网络来建立机械手逆运动学模型。在分析了用简单遗传算法学习神经网络存在求解速度慢、精度低及有量化误差等缺点的基础上，提出采用改进遗传算法来学习神经网络，用于机械手逆运动学求解。此方法采用实数值编码，并采取动态变异操作。仿真结果表明，该方法有效地弥补了简单遗传算法的不足，能快速达到全局收敛，从而大大提高了机械手逆运动学求解的精度。     

基于新最速下降算法的自适应波束形成

针对阵列信号处理中自适应波束形成技术的抗干扰问题, 提出一种基于新的最速下降法的波束形成算法。新的最速下降法将多元二次凸优化问题转换为一元二次问题, 通过循环迭代的方式使求出的极值点向高维凸优化问题的极值点逼近, 最终使结果收敛到最优解。将这种算法应用于自适应波束形成, 提高自适应波束形成的收敛速度、抗干扰能力和低快拍下工作的能力。经过仿真验证, 与基于最小均方算法以及改进最小均方算法的波束形成方法进行比较, 所提出的波束形成算法具有抗强干扰、收敛速度快、能在低快拍条件下工作的优点。     

用多层前馈神经元网络实现运动点目标图像识别

本文主要讨论了远距离目标(即点目标)的识别问题,提出了一种用二阶神经元网络来识别含噪运动点目标图像的方法,给出了点目标运动轨迹参数与速度参数提取方法和二阶神经网络的改时B—P学习算法。在PC—286微机上对本文提出的方法进行了仿真实验,结果表明这种识别方法具有很好的识别效果。     

基于并行云变异蛙跳算法的梯级水库优化调度研究

本文针对混合蛙跳算法(shuffled frog leaping algorithm,SFLA)早熟收敛的问题,将云模型算法融合于SFLA算法中,形成一种云变异蛙跳算法(normal cloud mutation SFLA,NCM-SFLA),弥补混合蛙跳算法后期容易陷入局部最优的不足.同时利用算法易于并行的特点,在多核环境下基于.NET4的并行拓展库(parallel extensions)进行算法的并行优化.将其应用于梯级水库优化调度中,实例计算表明,与多维动态规划算法(MDP)相比,NCM-SFLA方法具有更好的全局寻优能力和较快的收敛速度,在现有的计算条件下该并行算法能有效缩短程序运行时间,求解梯级水库优化调度问题是合理、有效的.     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

Multiple model tracking algorithms based on neural network and multiple process noise soft switching

A multiple model tracking algorithm based on neural network and multiple-process noise soft-switching for maneuvering targets is presented. In this algorithm, the “current” statistical model and neural network are running in parallel. The neural network algorithm is used to modify the adaptive noise filtering algorithm based on the mean value and variance of the “current” statistical model for maneuvering targets, and then the multiple model tracking algorithm of the multiple processing switch is used to improve the precision of tracking maneuvering targets. The modified algorithm is proved to be effective by simulation.