摩托车声品质评价的神经网络方法

针对声品质评价过程中线性回归模型评价结果的不足,采用BP神经网络对人的主观评价结果进行预测.采集摩托车在不同发动机转速下驾驶员耳旁的声信号样本,采用分组成对比较法进行主观评价试验,选取了响度、尖锐度、粗糙度作为神经网络模型输入参数,结合主观评价结果对模型进行训练与检验,并与线性回归模型输出结果进行比较.结果表明,选取驾驶员双耳响度、尖锐度、粗糙度作为模型输入能够较为准确地反映人耳对摩托车噪声的主观感觉.     

泄漏检测信号滤波技术比较

通过泄漏检测模型试验分析测量信号中的噪声来源，在对比研究传统小波去噪、改进神经网络去噪、最小二乘拟合去噪等方法在实测数据中去噪效果的基础上，借鉴神经网络反向传播学习算法的思路，提出了信号预滤波结合闽值自学习小波去噪的综合滤波方法。该方法通过对恒定状态下带噪压力信号阈值自学习使得重构信号与期望输出均方误差最小来获得单一工况下的最佳去噪阈值，再将此阈值用于同一工况下整个时间段的去噪，这样根据不同工况下得到的最佳阈值可以获得最优输出。数值计算结果比较表明该方法对噪声的抑制作用明显，比传统小波去噪、改进神经网络去噪等方法效果更好。     

基于时变AR模型的重叠信号分量盲分离方法

提出一种利用时变AR模型对单信道时频重叠的多个信号分量的瞬时频率和瞬时幅度进行估计，从而进行信号分量分离的方法．通过利用长椭球序列作为基函数对时变AR模型系数进行展开，将时变模型转化为时不变模型后利用一种递推方法进行模型系数估计．该方法计算简单，不需要知道信号的先验信息．仿真结果证明了方法的有效性和优异性能。     

基于脉冲耦合神经网络的椒盐噪声图像滤波

通过对脉冲耦合神经网络(PCNN)工作机理的分析, 指出由其神经元的阈值衰减特性和网络局部链接特性所带来的神经元的点火捕获特性本身就具有很好的对椒盐噪声污染图像的噪声定位作用, 并基于此提出了一种对图像噪声进行定位、仅对噪声像素进行类中值滤波的思想, 实现了图像的强自适应滤波, 并针对随机椒盐噪声和极端椒盐噪声两种不同的噪声情况, 分别给出了相应的滤波器. 经该方法滤波的图像有无任何畸变(对非噪声像素)、模糊小(对噪声像素)的特点, 较传统的基于窗函数滤波的方法(如中值滤波法)有明显的优越性, 实验及与其他方法的比较验证了其良好的滤波性能.     

脉冲噪声滤波的无监督鲁棒递归最小二乘方法

在未知期望信号的条件下,提出一种能够抑制脉冲噪声的鲁棒递归最小二乘自适应滤波方法.与传统最小二乘法的代价函数不同,通过引入饱和非线性约束,降低可能出现的脉冲噪声对滤波器权值更新的影响.此外,提出一种多步预测器来重构滤波器的输入信号,通过比较判断滤波器输入信号可能受到脉冲噪声干扰时,采用预测值来替代原始观测信号.实验结果表明,提出的无监督鲁棒递归最小二乘自适应滤波方法在未受到脉冲噪声干扰时与传统的递归最小二乘法具有相近的收敛性能;在脉冲噪声条件下,传统递归最小二乘法和其他的无监督自适应滤波方法性能都变得很差,但本文提出的方法几乎未受到脉冲噪声的影响.     

基于模糊神经网络的图像恢复技术

通过分别引入输入与输出空间的合理剖分,定义了一种新的模糊神经网络(FNN), 即选择型FNN, 该系统是一种多层前向网络, 在最大模意义下构成一类函数泛逼近器.基于一组具有实际意义的模糊推理规则, 得出了一个简单实用的推理型FNN. 利用选择型FNN与推理型FNN的有机结合, 得到FNN滤波器, 它不仅结构简单, 易于设计参数学习算法, 而且能同时有效去除图像信号中的脉冲噪声和保持图像结构. 实验结果表明, 与其他滤波器(如:中值滤波, 自适应加权模糊平均(AWFM)滤波等)相比, FNN滤波器在去除各种噪声, 保持图像未污染部分结构等方面性能卓越     

利用MODIS反演武汉东湖叶绿素a浓度

以武汉东湖作为研究区域,对经过大气校正后MODIS影像的波段反射率与叶绿素a浓度实测值进行相关分析,分别应用BP人工神经网络模型和线性回归模型对武汉东湖的叶绿素a浓度进行了反演,并对两种反演方法的拟合和预测效果进行了比较.利用BP神经网络反演得到的拟合值与叶绿素a实测值的拟合效果略好于线性回归方法得到的结果,神经网络模型的可决系数R2值0.90大于线性回归模型的R2值0.820.神经网络模型预测的最小绝对误差为0.07 μg/L,线性回归模型的最小绝对误差为2.08 μg/L.最后分析了两个模型各自的优势,将模型应用到武汉东湖2008年5月19日的MODIS影像上反演出东湖水体叶绿素a浓度的分布情况,并对东湖水质进行了评价,结论与多年的地面监测结果一致.     

一种基于自适应神经网络的航空发动机故障诊断方法

航空发动机在使用过程中,气路部件的性能不可避免地发生了蜕化,相应的故障诊断技术对发动机的健康管理系统具有重要意义.本文针对发动机在设计点的非线性部件级模型,借助PCC(Pearson correlation coefficient)相关分析方法,对神经网络的输入参数和输出参数的选取方式进行了优化.以前馈型神经网络为基础,针对常规BP(back propagation)神经网络收敛速度不稳定、且容易陷入极小值的缺陷,设计了一种新的自适应神经网络,准确估计了发动机部件的蜕化情况.这种算法融合了比例因子和动量因子,改善了网络的学习速率,提高了神经网络置信度和对发动机模型参数的泛化能力.结果表明,本文设计的自适应神经网络的精度优于常规BP神经网络,并且在训练样本数较少时,依然能够通过训练得到理想的网络,保证发动机健康参数的故障检测具有较高精度.     

相空间重构和混沌遗传神经网络融合的矿井涌水量预测研究

为了更准确预测矿井涌水量变化,有效防治矿山水害,本文提出利用相空间重构和混沌遗传神经网络相结合的方法预测矿井涌水量。选用C-C算法确定嵌入维数和延迟时间,通过对时间序列进行相空间重构来判断涌水量时间序列的混沌特性。为避免BP神经网络极易陷入局部解的问题,采用遗传算法对混沌神经网络进行参数优化,构建混沌遗传神经网络预测模型。将构建的模型应用于某矿山-100 m水平巷道涌水量的预测,在理论预测时长内预测最大误差为3.38%,表明该方法能够反映短期内矿井涌水量变化的趋势,相比单纯的混沌BP神经网络预测模型,预测精度有所提高,可为矿山企业的灾害防治提供科学的参考依据。     

基于PCA和BP神经网络的采空区稳定性评价模型研究

针对采空区稳定性评价因素的复杂性和相关性特点,提出主成分分析(PCA)与BP神经网络相结合的采空区稳定性综合评价方法。经综合分析确定以工程地质因素、采空区赋存结构参数、采动因素3个一级影响因素为基础的评价指标体系,以此为基础构建了采空区稳定性评价的BP神经网络评价模型。以某大型铅锌矿山地下采空区为例,应用CMS探测系统获取采空区相关数据生成采空区3D实体模型,并根据BP神经网络训练出的计算模型对采空区稳定性的等级进行评价。研究结果表明:PCA和BP神经网络相结合的方法使输入变量由13个减少为5个,避免了由于变量相关性带来的影响,简化了评价过程,结果更加合理。现场探测结果与BP神经网络计算结果相互支持。     

基于小波阀值降噪和BP神经网络的超短期风电功率预测

针对超短期风电功率预测问题，考虑了风电场复杂的噪声背景和风电功率的波动性，提出了一种基于小波阀值降噪-BP神经网络的超短期风电功率预测方法。该方法采用近似对称光滑的紧支撑双正交小波db4（Daubechies函数）作为小波基，通过多分辨分析的Mallat算法对历史时序风电功率数据进行3尺度分解。根据Donoho阀值法对各层小波系数进行软阀值降噪处理，再通过小波逆变换重构历史时序风电功率，由BP神经网络对其进行训练，预测目的风电功率序列。仿真算例将该方法与普通BP神经网络方法进行了对比，比较结果证明其预测精度优于后者，具有很好鲁棒性和降噪性能，适用噪声复杂的风电场超短期风电功率在赣预测．     

基于BPNN的电液伺服扭振试验机PID控制算法研究

弹性轴类零件液压伺服扭转振动试验概在实验过程中，由于系统非线性及负载变化或干扰因素的影响，其控制系统参数及数学模型易发生改变，导致控制效果变差。针对该试验机的控制系统，提出了基于BP神经网络（BPNN）的PID自适应控制算法。利用MATLAB／Simulink工具箱对该算法进行仿真实验。结果表明：结合了神经网络特点的智能PID控制器具有响应快、精度高、鲁棒性好和抗干扰能力强等优点，改善了控制系统的动态性能。     

The wavelet scaling approach to forecasting: Verification on a large set of Noisy data

In the paper, we undertake a detailed empirical verification of wavelet scaling as a forecasting method through its application to a large set of noisy data. The method consists of two steps. In the first, the data are smoothed with the help of wavelet estimators of stochastic signals based on the idea of scaling, and, in the second, an AR(I)MA model is built on the estimated signal. This procedure is compared with some alternative approaches encompassing exponential smoothing, moving average, AR(I)MA and regularized AR models. Special attention is given to the ways of treating boundary regions in the wavelet signal estimation and to the use of biased, weakly biased and unbiased estimators of the wavelet variance. According to a collection of popular forecast accuracy measures, when applied to noisy time series with a high level of noise, wavelet scaling is able to outperform the other forecasting procedures, although this conclusion applies mainly to longer time series and not uniformly across all the examined accuracy measures.     

Identifying US business cycle regimes using dynamic factors and neural network models

We use dynamic factors and neural network models to identify current and past states (instead of future) of the US business cycle. In the first step, we reduce noise in data by using a moving average filter. Dynamic factors are then extracted from a large-scale data set consisted of more than 100 variables. In the last step, these dynamic factors are fed into the neural network model for predicting business cycle regimes. We show that our proposed method follows US business cycle regimes quite accurately in-sample and out-of-sample without taking account of the historical data availability. Our results also indicate that noise reduction is an important step for business cycle prediction. Furthermore, using pseudo real time and vintage data, we show that our neural network model identifies turning points quite accurately and very quickly in real time.     

日径流预报贝叶斯回声状态网络方法

回声状态网络（ESN）相比传统递归神经网络，具有模型简单、参数训练速度快的特点．针对标准ESN因常采用线性回归率定模型参数容易出现过拟合问题，提出了基于贝叶斯回声状态网络（BESN）的日径流预报模型．该模型将贝叶斯理论与ESN模型相结合，通过权重后验概率密度最大化而获得最优输出权重，提高了模型的泛化能力．通过安砂和新丰江两座水库日径流预测实例表明，BESN模型是一种有效、可行的预测方法，与传统BP神经网络和ESN模型对比，进一步表明BESN模型具有更好的预测精度．     

基于BP算法的纹理图象合成研究

针对目前纹理图象合成技术存在的弱点，应用人工神经网络BP算法实现了纹理图象的合成。通过对纹理图象的分析和特征提取来获取图象的各种参数信息，然后采用人工神经网络BP算法，建立BP网络模型，将原始图象的特征函数作为BP网络的输入，通过学习-训练，确定该图象的人工神经网络结构，并最终通过程序合成了纹理图象。     

基于MATLAB的煤与瓦斯突出BP网络预测方法

影响煤与瓦斯突出的各种要素与突出现象之间的关系复杂,且具有明显的非线性特点.BP人工神经网络模型可以很好地逼近这种非线性函数关系.基于煤与瓦斯突出特征指标的分析,建立了合理的单隐层结构的BP预测模型,并利用MATLAB神经网络工具箱实现了模型的训练与预测,应用结果表明,这种突出预测方法具有很高的计算效率和预测精度.     

Forecasting Core Business Transformation Risk Using the Optimal Rough Set and the Neural Network

In the process of enterprise growth, core business transformation is an eternal theme. Enterprise risk forecasting is always an important concern for stakeholders. Considering the completeness and accuracy of the information in the early‐warning index, this paper presents a new risk‐forecasting method for enterprises to use for core business transformation by using rough set theory and an artificial neural network. First, continuous attribute values are discretized using the fuzzy clustering algorithm based on the maximum discernibility value function and information entropy. Afterwards, the major attributes are reduced by the rough sets. The core business transformation risk rank judgement is extracted to define the connection between network nodes and determine the structure of the neural networks. Finally, the improved back‐propagation (BP) neural network learning and training are used to judge the risk level of the test samples. The experiments are based on 265 listed companies in China, and the results show that the proposed risk‐forecasting model based on rough sets and the neural network provides higher prediction accuracy rates than do other widely developed baselines including logistic regression, neural networks and association rules mining. Copyright © 2015 John Wiley & Sons, Ltd.