神经网络在毒剂识别中的应用

识别毒剂方法已有很多,但自动化、智能化的程度都很低。为快速、准确地识别毒剂,在分析神经网络毒剂识别基本方法的基础上,建立了带有偏差单元的递归神经网络毒剂识别模型,设计了神经网络毒剂识别的软件,实现了神经网络对毒剂的识别。用沙林模拟数据对该模型进行了分析和测试,得到了比较满意的结果。     

舰艇化学侦察中的毒剂识别技术

为了更有效地对海战场化学战剂实施监测与快速准确识别,提出将多传感器信息融合（MSIF）技术、小波分解和神经网络应用于舰艇化学侦察领域中,构建了多传感器融合式舰艇化学侦察系统模型。同时,把小波分析和神经网络有机地结合起来,创建一套基于小波变换和神经网络的化学战剂特征快速提取与识别系统——神经网络识别毒剂系统,建立了带有偏差单元的递归神经网络识别毒剂模型和基于小波分析的毒剂特征提取方法。实验与仿真结果表明;利用基于MSIF技术和小波分析的神经网络识别毒剂系统,对毒剂进行定性定量分析是切实可行的,该方法能显著提高测量结果的准确性和可信度,且结果具有可重复性。     

基于联想记忆的Hopfield神经网络的设计与实现

介绍了反馈型神经网络Hopfield网络的定义、原理、模型和基本学习规则,并构造了一个用于联想记忆的Hopfield神经网络模型.对实验结果进行分析、比较,实验结果表明:Hopfield神经网络用于数字识别是可行、有效的;该方法较传统神经网络能提高网络的记忆能力和数字识别的正确率;该方法有别于以往的BP神经网络的模式识别,结合一些优化算法,如遗传算法,能对Hopfield神经网络的联想记忆稳态进行优化,增强神经网络的联想记忆能力.     

基于LVQ神经网络算法的脱机手写数字识别研究

针对BP神经网络进行脱机手写数字识别所存在的问题,提出用自组织竞争神经网络(LVQ)对脱机手写数字识别的方法.介绍了LVQ神经网络算法,并构建了LVQ神经网络的识别模型,用Matlab软件进行了仿真.将获得的仿真结果数据与BP神经网络的测试结果进行对比分析,发现LVQ神经网络对脱机手写数字的识别率明显高于BP神经网络,且收敛速度更快.该方法在脱机手写数字识别领域具有一定的可行性与指导性.     

基于神经网络的汽车操纵逆动力学模型识别

针对驾驶员建模中不确定因素的影响,采用操纵逆动力学方法,反求出驾驶员的操纵输入来避开驾驶员建模.神经网络作为一种较好的识别驾驶员输入的方法,其学习速度和收敛精度会影响识别精度.为了提高汽车操纵逆动力模型识别时神经网络的学习速度和收敛精度,基于Elman网络,采用一种新的动态神经网络结构——状态延迟输入动态递归神经网络(SDIDRNN).首先,建立三自由度人—车闭环模型并以实车试验数据验证了模型的正确性.然后,通过建立SDIDRNN网络模型,取闭环模型的仿真结果做为训练样本,对汽车操纵逆动力模型进行了识别,所得结果及误差分析说明了该神经网络在学习能力上的优越性及识别模型的有效性.     

一种基于卷积神经网络的结构损伤检测方法

针对结构健康监测系统产生的海量数据难以高效分析的问题,采用了一种基于二维卷积神经网络的损伤识别检测方法,该方法直接将结构在外界激励作用下的加速度时程数据作为输入信息,通过卷积神经网络自动提取加速度数据中的隐含特征,识别结构的损伤.以板的损伤识别为例,给出了卷积神经网络损伤识别模型的输入数据格式、网络结构和训练方法,分析了卷积神经网络分别在不含噪声,含噪声5%、10%以及混合噪声情况下的损伤识别能力.测试结果显示这种基于加速度输入的卷积神经网络具有较高的损伤识别精度和抗噪能力,从而为结构健康监测系统数据分析和损伤识别提供了一种新的途径.     

基于BP神经网络的船舶号灯识别模型与仿真

建立基于误差反传神经网络的船舶号灯智能识别模型,在众多的号灯识别参数中进行优化分析,确定了能见度、号灯亮度、背景亮度和眩光4个重要输入参数;利用这4个参数,基于误差反传神经网络对船舶号灯的可识别性进行建模和仿真,比较利用Levenberg-Marquart(L-M)、动量梯度下降、变学习率动量梯度下降和弹性反向传播等学习算法建立的误差反传神经网络模型,并确定L-M算法具有最优结果.通过号灯识别的仿真结果表明,识别结果与航海专家评估的结果一致.本模型实现了复杂光环境下船舶号灯可识别性的预报和影响因素分析,对保障船舶的夜航安全有着重要意义.     

基于神经网络的中文语音识别技术

研究一种基于神经网络的端到端中文语音识别算法.算法将语音信息处理为频谱图,基于频谱图,设计和实现一种基于卷积神经网络和循环神经网络的深度学习模型结构用于中文语音识别.模型以汉字作为标签样本,运用训练算法和序列损失函数进行模型迭代训练最终模型;采用开源数据集,通过实验验证网络结构对识别效果的影响,同时对比传统的语音识别算...     

万州城区吴家湾滑坡灾变的神经网络识别

以万州城区吴家湾滑坡为例,分析了神经网络(ANN)方法用于滑坡灾变识别的评价因子的确定、学习样本数据对的建立、ANN网络结构及参数设置的方法;并以万州区类似的滑坡作为样本训练ANN模型,对吴家湾滑坡的几种工况进行灾变识别.最后将ANN灾变识别结果与传统的极限平衡计算结果进行对比分析,得到了二者基本吻合的结果.结论表明神经网络方法用于滑坡灾变识别的精度较高,识别结果令人满意.     

基于CW-RNNs网络的手势识别算法

该文在分析表征手势特征和神经网络理论基础上,根据手运动轨迹的连续性规律来研究适用于手势识别的关键技术——基于手势轨迹模型的新型神经网络算法。针对手势识别的模糊性和准确性问题,基于手势局部区域跟踪结果,采用一种新型神经网络算法,实现用于人机交互的动态手势识别。手势识别部分的研究是采用一种新型的循环神经网络(CW-RNNs)对手势运动的轨迹进行识别。根据跟踪部分提取的手指运动轨迹坐标,定义手势模版,采用该方法对手势模版进行学习。首先定义连续动态手势模版,采用时间频率循环神经网络对手势模版进行学习,对每组孤立的动态手势模版进行学习,形成手势识别模型。对影响CW-RNNs模型的因素进行了实验验证和深度分析,通过与多层RNNs、三层RNNs的识别效果进行比较,论证了本文模型对手势轨迹模版识别的优越性。     

SOFM与BP神经网络在矿井水源判别中的应用

介绍了SOFM神经网络与BP神经网络,以李咀孜煤矿为例,分别利用SOFM网络与BP网络,针对地下水化学特征分别建立突水判别模型,实例结果表明:SOFM网络模型比BP网络模型具有更高的判别精度,更快的运算速度,更好的反应地下水系统特性,为矿井水害防治提供了一种辅助决策手段。     

人工神经网络智能控制系统稳定性分析

从经典控制理论的稳定性问题出发 ,分析了现代控制理论和智能控制理论的稳定性判别方法 ,重点讨论了人工神经网络 ( ANN)智能控制系统的稳定性判别方法 ,并对基于神经元的自适应 PID控制器稳定性进行了分析。     

基于遗传算法的变结构神经Petri网模型

将Petri网理论引入到神经网络模型的研究中，依据生物学神经系统的可塑性，通过适当扩展规范Petri网，建立了人工神经元状态转化的Petri网模型．在此基础上给出了利用遗传算法设计变结构神经Petri网的方法，该方法不仅可以得到满足要求的网络参数，而且能对网络的拓扑结构进行优化．仿真结果验证了该方法的可行性．     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

神经网络在大米蛋白质含量预测模型中的应用

大米蛋白质含量是影响大米营养及食味特性的一个重要指标．借助主成分分析，确立了用于近红外光谱分析的BP神经网络的输入输出模式对；并用BP神经网络方法建立了不同类型、不同粒度的大米样品蛋白质含量预测模型；考察了模型的预测能力，其预测值与用标准方法取得的化学分析值间具有良好线性关系，相关系数达0．90以上，用BP神经网络可降低样品粒度的不同对预测结果造成的差异．     

基于RBF神经网络的晶体生产组织评价

在晶体的生产组织过程中,采用相关分析法确定影响评价的主要因素,建立一种基于RBF网络的生产组织评价模型,利用最邻近聚类算法,确定基函数中心点,将该模型与BP网络模型进行比较,结果表明:RBF网络在学习时间和评估精度上优越于BP网络。     

一种基于人工神经网络的内模控制方法

对SISO反馈线性化系统的自适应自校正神经控制进行改造,提出了一种基于BP网络的内模控制新方法,克服了原系统设计方案的理想化,提高了系统的鲁棒性,使该方法具有实用性。同时有只要建立被控过程的内部模型即可得到内模控制器模型的特点。     

基于神经网络的有源电力滤波器预测控制方法

提出了一种基于神经网络的有源电力滤波器预测控制方法。此方法将神经网络内模控制技术应用到有源电力滤波器（ＡＰＦ）的控制系统中,同时针对ＡＰＦ控制系统中神经网络计算时延问题,引入了一个神经网络预测模型。仿真分析表明,这种控制方法补偿了系统滞后,能充分利用神经网络的自适应特性,有很好的控制效果。     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

机器人人工嗅觉系统设计

利用半导体气体传感器的交叉敏特性,将气体传感器阵列与神经网络相结合,构建了一个用于临场感机器人的人工嗅觉系统,用于气体的定性识别.自组织神经网络(SOM)将被测气体的多维特征信息映射到一个二维平面上,从而实现了对被测气体的识别分类.实验结果表明半导体阵列人工嗅觉系统可以提高气体传感器的选择性,用SOM神经网络构建人工嗅觉识别模型是完全可行的.