基于鲁棒成本函数的随机模糊神经网络参数学习算法

为了解决采用最小方差型的误差成本函数进行输入含噪系统参数学习时的随机模糊神经网络(SFNN)参数不能收敛至真值的问题,将包含噪声方差的误差成本函数推广到多入单出系统,并根据鲁棒统计学理论和目标函数在参数学习中的导向作用,对目标函数进行修正,使之对于不服从统计分布的粗大误差也能有效处理.在此基础上提出了SFNN的鲁棒参数学习算法,并且输入输出数据中的噪声方差也通过学习而得到,从而避免了需要多次测量的要求.结果表明,SFNN的鲁棒参数学习算法能抑制粗大误差和系统噪声.最后,通过仿真对比验证表明了该方法的有效性.     

基于小波预处理的神经网络字符识别方法

提出了一种基于小波变换预处理的神经网络法的字符识别法,利用小波变换对字符进行了预处理,提取文字字符的主要能量特征,减少了字符特征识别的维数,与直接采用神经网络方法进行字符识别相比,所用的神经网络规模小,收敛速度快,能有效识别含有噪声的低质量模糊文字字符.     

基于TD-BP网络的噪声滤除

为更好地消除噪声,提出TD-BP神经网络拟合未知的噪声信道滤波器,讨论了它的模型与学习算法及其通用逼近性.基于TD-BP神经网络的噪声消除器具有神经网络分布式并行信息处理能力,利用TD-BP逼近噪声,然后抵消噪声得到有用信号,具有较好的鲁棒性和除噪性能.     

一种基于神经网络的谐波电流抑制方法

在传统谐波注入法基础上提出一种神经网络自适应谐波电流抑制方法，根据自适应噪声抵消技术运用人工神经网络的自适应和自学习特性检测出谐波电流并注入电力系统，达到抑制谐波的目的。通过对一典型正弦电流的仿真研究结果表明，该方法是可行和有效的，它不但有较高的精测精度，而且能跟踪检测，根据环境的变化能自适应地调整神经网络的权值，以便正确地检测出线路的谐波电流。     

基于神经网络补偿的多传感器航迹融合

针对多传感器环境的条件提出了一种基于神经网络补偿的航迹融合方法.各传感器的测量值用线性卡尔曼滤波器进行处理并将获得的局部航迹传送到融合中心.首先对局部航迹进行融合,然后引入神经网络来减少因共同过程噪声而导致的融合估计误差,其中神经网络采用Dan Si-mon提出的网络结构,并对神经网络权值的优化采用无痕卡尔曼滤波(UKF).仿真结果表明,这种融合方法对跟踪具有过程噪声的目标非常有效,而且过程噪声发生变化时该方法仍是有效的,从而使得它在很多实际应用中具有潜在的价值.     

用于干涉型光纤陀螺温度漂移辨识的RBF神经网络改进算法

针对干涉型光纤陀螺(IFOG)温度漂移的辨识,推导了径向基神经网络(RBFNN)中隐含层神经元、网络的抗噪声性能和拟合精度三者之间的关系,并在此基础上提出了一种新的径向基函数神经网络辨识学习规则.该方法具有很强的抗噪声性能,网络输出不会被陀螺噪声所污染,同时能动态地确定神经元数,辨识精度高,有效地避免了传统RBF网络学习算法中事先固定网络结构可能存在的盲目性.实验结果表明,该方法能够快速、准确地辨识IFOG的温度漂移.     

基于自编码器的图像去噪设计与实现

文章主要针对自然图像中存在的噪声问题,研究基于神经网络的去噪方法,使之能够更快速地对混合有多种噪音的图像进行有效去噪,从而达到改善图像视觉效果的目的。首先,文章设计一个能够对图像进行编码、解码的神经网络。其次,介绍神经网络的详细结构和网络参数,并针对常见的图像噪声介绍制作训练样本的方法和神经网络的训练流程。最后,展示实验结果。实验表明,文章提出的方法可以有效地去除图像噪声,达到预期效果。     

用于振动噪声分析的模糊神经网络故障诊断测试仪的研制

以８０Ｃ１９６ＫＢ为核心,基于模糊神经网络的多功能便携式振动噪声分析仪对振动和噪声信号检测,在复数范围内进行１０２４点浮点快速付立叶变换,从而得到被测信号频谱图,通过对传统谱图分析,提出一种简单、有效的分析方法,并与神经网络和模糊理论相结合,用已建立的模糊神经网络对谱图进行模式识别或故障诊断．     

橡胶硫化泛“噪声”控制模型及仿真

针对硫化工艺智能控制过程中的精确和实时性问题，提出了一种基于人工智能的新型控制模型，并将硫化过程中出现的所有噪声统一为一种噪声模型——“泛”噪声，系统控制过程中对该噪声进行自适应学习．该控制策略的目的是提高硫化控制的精确性和控制的实时性，同时为大规模、集群化硫化制品生产提供一条智能控制的途径．该控制模型由两部分组成：神经网络对输入参数进行预分类，动态系统对控制过程中的参数进行自适应学习．模型的动态系统仿真结果表明自适应控制方式对于处理硫化过程中的噪声是有效的．     

柔性脚踝康复机器人自适应迭代学习控制

为解决气动肌肉驱动的脚踝康复机器人实际控制中,无模型自适应迭代学习控制在系统噪声干扰下或初始拟伪偏导选择不当会导致算法收敛速度过慢、控制效果差的问题,提出一种基于高阶拟伪偏导整定的无模型迭代学习控制方法,并设计基于零化神经网络误差递归的迭代学习控制律．通过引入系统观测数据对初始拟伪偏导进行修正,减少拟伪偏导初始值的选取对于算法收敛速度的影响;通过设计抗噪声零化神经网络控制律,减小系统噪声对控制性能的影响,进而实现噪声环境下柔性康复机器人的高性能轨迹跟踪．仿真实验结果表明在噪声环境下能够利用较少的迭代轮次降低最大跟踪误差．机器人实际控制实验结果表明：该方法能够在7次迭代后使气动肌肉平均跟踪误差控制在2%以内,并且在不同初始拟伪偏导条件下均能获得较好的收敛性和轨迹跟踪性能．     

一种基于神经网络的结构参数识别方法

提出了一种基于神经网络的结构参数识别方法,该方法以残余力向量作为结构参数识别的网络输入。针对训练样本在数据空间分布不均匀的问题,采用ＧＳＬ变换对训练样本数据进行预处理。从而提高了网络收敛速度及参数识别精度。本文算例说明了方法的有效性。     

信号盲分离及在过程控制系统中的应用

实际过程控制系统中常混有随机噪声（白噪声），影响控制质量，利用HJ神经网络具有的信号盲目分离的功能消除随机噪声对过程控制系统的影响，以提高系统的控制质量。通过对含噪的一阶延迟系统的仿真表明，该方法是有效的。     

一种基于卷积网络的地震探测数据随机噪声去除方法

为有效提高地震数据信噪比,通过卷积神经网络(convolutional neural network,CNN)的方法研究了地震勘探数据去除随机噪声问题.该方法包含17个卷积层,使用线性整流(rectified linear unit,ReLU)激活函数避免梯度消失,使用批量标准化(batch normalization,BN)提高网络的泛化能力.所构建的网络应用残差学习策略,即输入为含噪地震正演叠前数据,输出为CNN网络学习获得的随机噪声.然后从地震记录中减去网络预测的噪声数据,从而达到去除随机噪声的目的.同时,根据地震勘探数据振幅随探测时间衰减的规律,在网络训练过程中进行深度加权,使得CNN对于深部噪声的学习效果更好.网络在PyTorch框架下训练,应用图形处理器并行计算可以有效提高网络训练速度.利用训练好的网络进行去噪实验,结果表明与传统的时空域预测滤波法相比,该网络能更好地压制随机噪声.可见针对地震勘探数据,CNN能够有效提取含噪数据中的噪声信息,证明了该方法在去除随机噪声方面的合理性与有效性.     

基于组合神经网络的语义省略“的”字结构识别

针对语义省略“的”字结构识别任务, 提出一种基于组合神经网络的识别方法。利用词语和词性, 通过双向LSTM (long short-term memory)神经网络, 学习“的”字结构深层次的语义语法表示。通过Max-pooling层和基于GRU(gated recurrent unit)的多注意力层, 捕获“的”字结构的省略特征, 完成语义省略“的”字结构识别任务。实验结果表明, 所提模型在CTB8.0(Chinese Treebank 8.0)语料中, 能够有效地识别语义省略的“的”字结构, F1值达到96.67%。     

Edge detection of range images using genetic neural networks

Due to the complexity and asymmetrical illumination, the images of object are difficult to be effectively segmented by some routine method. In this paper, a kind of edge detection method based on image features and genetic algorithms neural network for range images was proposed. Fully considering the essential difference between an edge point and a noise point, some characteristic parameters were extracted from range maps as the input nodes of the network in the algorithm. Firstly, a genetic neural network was designed and implemented. The neural network is trained by genetic algorithm, and then genetic neural network algorithm is combined with the virtue of global optimization of genetic algorithm and the virtue of parallel computation of neural network, so that this algorithm is of good global property. The experimental results show that this method can get much faster and more accurate detection results than the classical differential algorithm, and has better antinoise performance.     

残余力向量结构损伤诊断的神经网络方法

以残余力向量作为结构参数识别的网络输入,针对训练样本在数据空间分布不均匀的状况,提出了一种基于残余力向量结构参数识别的神经网络方法,并采用GSL变换对训练样本数据进行预处理,从而提高网络收敛速度及参数的识别精度,文中算例证明了该方法的有效性。     

一种基于径向基函数神经网络的语音降噪方法

采用径向基函数神经网络在时域上对含噪语音信号进行降噪处理.针对语音信号的短时平稳性以及噪声的随机性,对语音信号进行分帧预处理;用分帧后的纯净语音信号作为径向基函数网络的教师信号,并利用Matlab神经网络工具箱设计和训练网络.实验结果表明,径向基函数网络作为语音信号滤波器,可有效地抑制语音信号中的白噪声,具有良好的降噪性能.     

降噪分层映射算法在多维聚类分析中的优化研究

为了在多维聚类分析中运用有效的深度特征选择方法排除冗余和无关的特征属性,学习数据元素的非线性关系提取最佳特征,提出一种降噪分层映射算法(DHM).首先,基于降噪自动编码器构建非循环神经网络,容错数据经过隐藏层加权和激活函数的训练获取输入数据的非线性关系得到特征空间,实现特征重构选取最佳特征.其次,特征空间用于调整自组织特征映射神经网,通过计算最小化加权平方欧式距离寻找匹配的获胜神经元.最后,结合特征选择网络和无监督聚类网络为降噪分层映射神经网,通过整体模型迭代训练,使权重参数和偏差向量同时得到优化,实现有效的无监督聚类方案.在真实数据集上的实验结果表明,同AESOM,DCSOM和S-SOM算法相比,DHM算法在提高聚类质量及准确性方面有更好的表现.     

利用神经网络自适应逆控制消除干扰和噪声

神经网络的自适应逆控制具有对鲁棒性高、自适应能力强和难以精确建立数学模型的工业对象,尤其是大滞后、非线性、不确定性及时变的对象.利用BP神经网络构成逆控制器,提出一种基于神经网络的模型参考自适应逆控制系统.仿真实验表明,此系统具有良好的消除对象干扰和敏感噪声的作用,可以在工业控制中广泛应用.     

非高斯噪声背景下的自适应信号提取方法研究

为实现对非高斯背景噪声干扰条件下用信号的提取,将BP神经网络作为自适应噪声对消滤波器,以与干扰噪声强相关的噪声源作为参考噪声,实现对背景噪声的抑制,达到了有用信号提取的目的。BP神经网络自适应噪声对消技术不仅适用于线性相关参考噪声,同时也适用于非线性相关参考噪声,可以有效提高信号传递和接收的信噪比。