基于余弦函数的神经网络硬件实现

研究了正交余弦基函数神经网络模型和学习算法, 给出了仿真实例, 并提出了余弦函数基神经网络模型电路实现方案.仿真结果表明,该网络学习收敛速度快,可任意逼近非线性映射等优异性能. 此外,网络结构简单,便于电路实现, 一个余弦波振荡源经倍频即可实现隐层神经元电路.     

基于矩神经网络下的不变分布

给出了更新过程的一种扩散逼近.然后讨论了在更新输入的情况下,应用IF模型对神经元系统构建矩神经网络,包括神经元发放脉冲(Spike)的一阶和二阶统计量.在讨论了矩神经网络的不变分布的同时,通过模拟给出了不同情形下的不动点和边界曲线.     

模糊混沌神经网络的构建方法研究

基于混沌神经网络的构建过程,提出一种构建模糊混沌神经网络(FCNN)的方法,在介绍了BP算法及混沌神经网络概念的基础上,给出了混沌BP算法,并提出了基于混沌BP算法的模糊混沌神经元的动态模型,从而构建模糊混沌神经网络。主要讨论所构建的模糊混沌神经网络的模糊特性、耗散性和李亚普诺夫性能指标。给出了模型具有模糊特性的几个特征,以及满足耗散性和混沌特性的条件。仿真实验表明所提出的模糊混沌神经元模型既具有模糊特性又具有混沌特性。     

一种改进的Jacobi正交多项式的BP神经网络算法

 根据多项式理论,构造一种以Jacobi正交多项式作为隐层神经元激励函数的BP(back-propagation)神经网络模型.针对该网络,提出一种改进算法即隐层神经元数可快速确定的权值直接确定算法.首先介绍正交基函数和Jacobi多项式的定义,以及BP神经网络的基本原理.然后进行网络隐层数设计及其隐神经元数的确定,且设置各层连接权值、给出改进算法的步骤.最后,将其与传统矩阵迭代法和Levenberg-Marquardt训练算法进行比较.计算机实验结果表明,该算法具有比传统的BP迭代法更快的计算速度,并且能够达到更高的工作精度.     

基于Laguerre正交基神经网络的动态手势识别

提出一种基于Laguerre正交基前向神经网络的动态手势识别方法.首先根据多项式逼近和矩阵理论,构造了一种以Laguerre正交多项式作为隐含层神经元激励函数的多输入、多输出三层前向神经网络模型,在网络权值迭代计算公式基础上推出一种基于伪逆的直接计算网络权值方法,避免求取权值的反复迭代过程;提出一种快速的基于颜色的指尖...     

改进的神经网络快速学习算法

提出了一种新颖的神经元模型和用于神经网络训练的推广准则，给出了多层神经网络的快速学习算法，研究了一种用于语音识别的时变多层神经网络及其相应的快速学习算法．语音识别实验表明：所给出的快速学习算法能有效地加速网络训练进程．     

基于神经网络的函数逼近问题

给出了函数逼近问题,提出了一种新的神经网络模型,结合函数逼近问题及该神经网络模型给出了一种学习算法,并利用该算法对函数逼近进行了仿真.说明了该算法的实用性.     

基于Chebyshev神经网络的非线性Fredholm积分方程数值解法

利用Chebyshev扩展块代替隐层结构, 提出一种基于函数逼近的Chebyshev神经网络模型求解非线性Fredholm积分方程的方法, 并给出其最佳逼近解及算法的收敛性分析. 数值算例验证了算法的可行性和有效性.     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于改进神经网络的疲劳裂纹扩展速率预测

裂纹的萌生与扩展是一个复杂的非线性动力学过程,裂纹扩展速率具有非线性动力学系统的混沌现象和自组织特征.将BP神经网络和L-M贝叶斯正则化算法相结合,可使BP神经网络在推广能力、收敛速度和逼近精度上能够获得很大的提高.文章利用16MnR钢CT试样实测数据进行网络训练,训练好的神经网络可以对该材料的疲劳裂纹扩展速率进行较为精确的预测.     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

基于HHT和改进PNN的CSI人体动作识别研究

为了有效判别真实摔倒动作与疑似摔倒动作、提高动作识别准确度,提出基于希尔伯特黄变换(Hilbert-Huang transform,HHT)和改进概率神经网络(probabilistic neural networks,PNN)的信道状态信息(channel state information,CSI)人体动作识别算法。对CSI的幅度与相位融合信号进行数据预处理,利用HHT来提取区分人体动作信息的瞬时幅值和瞬时频率作为分类特征构建特征矩阵,在遗传算法(genetic algorithm,GA)优化的PNN神经网络中训练出能有效检测真实摔倒和疑似摔倒动作的GA-PNN人体动作识别模型;利用训练好的识别模型对输入的CSI数据进行摔倒动作的判别。仿真实验表明,提出的算法能有效地检测真实摔倒和疑似摔倒动作,其识别准确度可达到97.18%,且误报率较低。     

基于WDCNN-DLSTM的滚动轴承故障诊断方法

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels, WDCNN)和深度长短时记忆网络(deep long short-term memory networks, DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。     

基于MCC-PAST算法的直扩信号PN码序列盲估计

针对在脉冲噪声环境下的直接序列扩频信号的伪随机(PN)码盲估计问题,提出了一种利用最大熵准则投影逼近子空间(MCC-PAST)算法和滑窗技术相结合的PN码盲估计方法。该方法利用最大熵准则,实现了在脉冲噪声背景下对扩频信号的特征进行稳定快速的追踪。通过对迭代过程中的特征子空间进行梯度估计,实现了可变遗忘因子(VFF)的自适应更新,使得权值的收敛精度和收敛速度得到了同时的优化。算法数据存储量小,复杂度低,易于硬件实现和实时数据处理。仿真结果表明,在脉冲噪声环境下该方法对PN序列估计的正确率和稳定性优于传统方法。     

基于概率神经网络的悬索桥损伤定位研究

概率神经网络(下称PNN)以贝叶斯概率方法描述测量数据,因而PNN可以在有噪声情况下进行结构损伤检测·提出了运用传统PNN和自适应PNN进行结构损伤检测的方法与基本原理,并分别用两种PNN模型进行了悬索桥的损伤定位研究,还讨论了测量噪声对识别精度(IA)的影响·研究发现,运用自适应PNN进行损伤定位效果极大地优于传统PNN,且随着噪声程度的增大,IA减少     

Reduction Method for Reachability Analysis of Petri Nets

Reachability analysis is an important approach for acquiring Petri net (PN) properties. The reachability tree and the solution of the state equation are two commonly used methods for reachability analysis, but they can result in state explosion and spurious solutions in some cases. As a significant complementary method, the PN reduction technique simplifies the reachability analysis by reducing the net size while preserving the reachability. This paper introduces several useful reduction rules and defines a reduction process for the analysis of reachability which is easy to understand and implement. Some examples are given to explain the method to solve the reachability problem. The analysis shows that the proposed reduction method preserves the visualization feature of PN and can be easily used.     

汽轮机故障诊断中的信息熵融合

在汽轮机轴系振动故障模拟试验的基础上,对大量故障模拟试验数据进行计算,建立了典型故障的4种信息熵样本.采用概率神经网络对故障信号的4种信息熵特征进行融合研究,并将融合结果与最小距离分类器的分类效果进行了对照分析.研究表明,概率神经网络可实现对训练样本100%的正确识别率,对"陌生"样本的正确识别率也超过80%,其识别效果远远超过最小距离分类器.可见,概率神经网络综合了贝叶斯分类器和神经网络的优势,在汽轮机故障模式分类方面具有明显的优势,利用概率神经网络融合信号的信息熵特征实现汽轮机轴系故障模式识别是一种可行有效的方法.     

基于改进深度卷积生成对抗网络的入侵检测方法研究

针对入侵检测系统因采用的网络攻击样本具有不平衡性而导致检测结果出现较大偏差的问题,文章提出一种将改进后的深度卷积生成对抗网络(DCGAN)与深度神经网络(DNN)相结合的入侵检测模型(DCGAN-DNN),深度卷积生成对抗网络能够通过学习已知攻击样本数据的内在特征分布生成新的攻击样本,并对深度卷积生成对抗网络中生成网络所用的线性整流(ReLU)激活函数作出改进,改善了均值偏移和神经元坏死的问题,提升了训练稳定性。使用CIC-IDS-2017数据集作为实验样本对模型进行评估,与传统的过采样方法相比DCGAN-DNN入侵检测模型对于未知攻击和少数攻击类型具有较高检测率。     

基于多通道小波卷积神经网络的路面异常检测算法

为了保证路面质量和行人与驾驶员的安全,提出了一种利用传感器时序多变量信号数据进行路面异常检测的算法.针对行驶过程中需要结合多种传感器信号在不同尺度对路面特征进行分析的问题,提出结合小波卷积网络和多通道网络技术,实现路面异常检测.首先,在多级小波变换间加入卷积神经元网络,从多个尺度分析单个传感器信号的局部连续性;然后,构建多通道神经网络,将多个传感器信号分别作为不同通道的输入,计算多个信号相结合的特征向量;最后,使用多层感知机根据多通道小波网络的输出实现路面异常检测.实验结果表明,该检测算法相对于传统的时间序列分类方法,同时考虑了多尺度分析、信号局部连续性和多变量信号的结合,在分析多变量时序信号数据时,具有更低的误检率和漏检率,更高的F1值.