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.     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

一类模糊随机神经网络的鲁棒稳定性分析

结合Takagi-Sugeno(TS)模糊系统的研究成果.讨论一类具有参数不确定和随机干扰的模糊神经网络的鲁棒稳定性问题.通过运用Lyapunov稳定性理论,结合随机分析方法,以线性矩阵不等式的形式,建立该系统全局鲁棒稳定的判别准则.以准则推广一些已有文献的结果,具有更小的保守性.数值算例证明了结果的有效性.     

基于小波神经网络的船舶运动预报

利用残值学习算法进行小波节点的选择,利用Akaike 准则确定预测模型的结构,采用误差反传方法在线调整网络连接参数.通过建立的自适应神经网络模型有效辨识船舶操纵运动动态.船舶航向预报仿真结果显示,基于小波神经网络的船舶航向预测器可以较高精度预报船舶操纵运动过程中船舶航向的变化.     

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.     

含时滞和脉冲的双向联想记忆神经网络模型的全局鲁棒一致渐近稳定性分析

讨论了一类含时滞和脉冲的双向联想记忆神经网络模型的鲁棒渐近稳定性.通过构造恰当的Lyapunov泛函和使用线性矩阵不等式技巧,获得了该模型全局鲁棒一致渐近稳定的充分条件.通过2个例子说明了结论的有效性.     

非线性时滞系统的保性能鲁棒稳定性和鲁棒稳定控制--时滞相关情形

研究了带有非线性摄动的时滞系统的时滞相关保性能鲁棒稳定性和时滞相关鲁棒稳定控制问题.对这类非线性时滞系统分别建立了时滞相关的鲁棒稳定性判据和时滞相关的保性能鲁棒稳定性判据,指出了系统时滞相关鲁棒稳定时存在时滞上界,并且提出了降低系统可保性能的一个优化算法.给出了系统的两类时滞相关鲁棒稳定控制器的设计方法.     

自由漂浮空间机械臂基于神经网络的H_∞鲁棒控制

考虑到自由漂浮状态的空间机器人模型不确定性,提出了神经网络的H∞鲁棒控制策略.首先建立自由漂浮空间机器人的动态模型,再利用径向基函数(RBF)神经网络良好的逼近能力自适应补偿系统的未知非线性模型,逼近误差作为外界干扰通过鲁棒控制器消除,该方法从整个闭环系统的稳定性出发建立了神经网络权值在线学习算法,利用H∞理论设计的鲁棒控制器保证了系统的稳定性,并使系统L2增益小于给定的指标.仿真结果表明了所提出的控制器的有效性.     

基于二型模糊神经网络的不确定混沌系统鲁棒性自适应控制

该文提出的鲁棒的自适应区间二型模糊神经网络控制(RAITIIFNNC)系统由一个区间二型模糊神经网络识别器与一个鲁棒性控制器组成。识别器完成了对场地不确定性的在线评估,鲁棒控制器用来减小逼近错误,两者结合可以获得更好地跟踪与同步混沌系统。所有的参数学习算法来源于Lyapunov稳定理论以保证网络汇聚的同时有稳定同步的表现。算例分析证明:新系统在同步两个Lorenz混沌系统时具有更好的效率。     

变时滞Cohen-grossberg神经网络的全局鲁棒稳定性

运用李雅普诺夫稳定性理论和线性矩阵不等式(LMI)对变时滞Cohen-grossberg神经网络的鲁棒稳定性进行分析,得出了判别其全局鲁棒稳定性的充分条件.通过和已有结论比较,说明推广了已有结果,得到了新的判别条件.     

电力设备基于小波神经网络故障检测方法的仿真研究

提出了一种基于小波神经网络非线性观测器的故障检测方法。它是将规范正交的小波函数作为基函数网络中的基函数,得到小波神经网络。通过小波的去噪和神经网络的自学习功能,获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判决,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法的有效性。     

Digital Watermarking Algorithm Based on Wavelet Transform and Neural Network

An effective blind digital watermarking algorithm based on neural networks in the wavelet domain is presented. Firstly, the host image is decomposed through wavelet transform. The significant coefficients of wavelet are selected according to the human visual system （HVS） characteristics. Watermark bits are added to them. And then effectively cooperates neural networks to learn the characteristics of the embedded watermark related to them. Because of the learning and adaptive capabilities of neural networks, the trained neural networks almost exactly recover the watermark from the watermarked image. Experimental results and comparisons with other techniques prove the effectiveness of the new algorithm.     

基于多层激励量子神经网络的鲁棒音频水印算法

设计了一种基于多层激励函数量子神经网络的音频水印算法。将水印信号嵌入载体语音的小波低频系数中,再训练量子神经网络建立水印嵌入前后低频小波系数间的联系以便在接收端恢复水印。同时,区别于传统的归一化方法,将小波低频系数规范到同一数量级,避免了恢复水印时小波低频系数的差错传播,提高了算法的鲁棒性。实验结果表明,设计的水印算法对加噪、滤波、重采样和再量化等攻击具有较强的鲁棒性,提取正确率相比BP网络水印算法平均提高1.8%。     

基于多准则的多层模糊神经网络学习算法

模糊算子函数丢失信息量过大,并且在某些点不存在导数,由此导致在采用传统的误差平方和准则优化网络参数时,有些参数无法得到调整,而且网络容易陷入局部极小,甚至发散.本文提出了一种基于模糊熵准则和误差平方和准则的多准则多层模糊神经网络学习算法,在一定程度上克服了单准则学习算法的局限性.     

非负放大函数与多延时的Cohen-Grossberg神经网络的鲁棒稳定性

在Cohen-Grossberg神经网络设计及实现过程中,非负放大函数条件是很实用的.在网络参数存在摄动的情况下,研究了具有非负放大函数的一类多延时Cohen-Grossberg神经网络的鲁棒渐近稳定性问题.首先通过证明一个有用的引理,建立了渐近稳定性和鲁棒稳定性之间的关系.其次,在不要求激励函数满足严格单调增加和有界性的情况下,通过构造适当的Lyapunov泛函,针对所研究的神经网络模型,基于线性矩阵不等式技术建立了平衡点鲁棒稳定的一个充分判据.仿真结果进一步证明了所得结论的有效性.     

机械手的神经网络直接离散时间自适应控制算法

提出了一种机械手的神经网络直接离散时间自适应控制算法。该算法是神经网络方法和自适应动态滑动模控制方法的集成。自适应动态滑动模控制的作用有两个：其一是在神经网络控制失灵的情形下提供控制系统的全局稳定性；其二是改善系统的跟随性能。整个系统的全局稳定性和跟随误差的收敛性采用李雅普诺夫稳定性理论进行了证明，并得到了一种新颖的神经网络权值调整算法。     

一种基于小波变换的盲水印检测算法

提出一种在图像经小波变换后的小波系数上处理数字水印的方法，该水印的检测算法是用神经网络方法来实现，实验表明了水印具有较强的鲁棒性。     

一种小波神经网络的快速学习算法及其应用

提出一种基于最小二乘的小波神经网络的快速学习算法,与现有的同类算法相比,该算法无需任何矩阵运算,兼有快速收敛和计算量较小的特点,有助于提高小波网络的实时性能,推导了算法,几个典型的函数逼近的仿真实例表明了算法的优良性能。     

前馈神经网络的容错性研究

以前馈神经网络为研究对象,提出了一种容错型神经网络学习算法．将系统运行过程中可能发生的各类故障随机地引入网络训练过程,使系统获得更加稳健的内部表示．仿真结果表明,该学习算法能够有效地提高神经网络的容错能力和泛化能力．     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。