一种基于小波网络模型参考自适应控制系统的设计与应用

根据神经网络内模控制的思想,提出了一种基于小波网络的模型参考自适应控制方法。该方法选用两个小波神经网络,分别作为系统模型的辨识器和控制器。此外,为了减小系统误差,在控制器和辨识器之间加入一个小波神经网络,作为非线性自适应滤波器。仿真结果和应用实例表明了该方法的有效性和合理性。     

基于DTW和LVQ网络混合模型的语音识别方法

提出一种基于动态时间规整（DTW）和学习矢量量化（LVQ）神经网络的语音识别方法。该方法用动态时间规整算法先对语音信号进行时间规整，然后通过学习矢量量化神经网络进行语音的分类识别。首先介绍利用动态时间规整和学习矢量量化进行语音识别的基本方法，然后给出DTW／LVQ混合模型的系统结构和学习算法，最后给出三种语音识别算法的实验结果。大量实验表明，混合模型的识别率，皆明显高于单一的动态时间规整和学习矢量量化的识别率。     

多种群遗传算法在图像恢复中的应用研究

针对目前图像恢复方法中所存在的较多约束和计算求解复杂等问题,提出了一种基于多种群遗传算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较,仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。     

混合自适应蚁群算法及其应用研究

针对已有蚁群算法在复杂问题应用中寻优前期信息素匮乏、收敛速度慢的不足，通过引入信息权重因子和信息量均衡算子对蚁群的选择概率和信息素浓度进行自适应调节，提出了混合自适应蚁群算法。算例结果表明，该算法具有较快的寻优速度和更好的全局搜索能力，同时增加了解的多样性，减小了陷入局部极值的几率。     

基于免疫进化算法的小波神经网络的混沌优化设计

针对进化算法中的“退化”问题和小波神经网络的“维数灾”问题,将免疫算法和进化算法相结合,在引入混沌机制的基础上,提出了一种基于免疫进化算法的小波神经网络混沌优化设计方法。该方法既充分发挥了小波神经网络的快速性,又充分利用了免疫算法的全局性、适应性等特点。仿真结果表明了该算法的有效性。     

一种控制混沌吸引子不稳定周期轨道的新方法

提出一种控制混沌吸引子不稳定周期轨道的新方法。该方法先从系统映图中找出混沌吸引子不稳定不动点的近似值,然后利用非线性反馈达到控制混沌的目的。这种方法的主要特点是不需要知道混沌系统的具体模型,且可以在混沌态的任意时刻施加控制作用,另外,该方法还具有很强的抗干扰能力和非常快的快速速度,控制结构简单,易于实现。仿真结果表明了该方法的有效性。     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

一种基于小波变换的混叠语音基音提取方法

小波变换对单一信号源的基音提取非常有效，但在多音源混叠语音的基音提取中则无法有效地获得基音信息。为解决这一问题，先从混叠语音信号中确定信号的个数以及每路信号的时间间隔范围，之后再对其进行奇异点的分离，以便提取各源信号的谐波分量。为简化计算并避免由于幅值的不同而影响搜索效果，对各次谐波的幅值进行了归一化、卷积等处理，最后使用小波变换精确地提取出混叠语音的基音。实验表明了这一方法的有效性。     

一种改进的阴性选择免疫算法

针对阴性选择免疫算法中字符串空间收敛效果差以及运行成本高的缺点,依据Forrest阴性选择算法提出了一种新的改进算法.该算法基于模式概念建立检测器库,检测器库存储了所有与自体不匹配的字符串个数,使得所占用的空间比所有与自体不匹配的字符串所占用的空间显著减少.采用了一种新的检测失败率算法公式,使得检测器的个数能够自适应自体规模的变化.理论分析与仿真结果表明,该算法与原算法相比,具有更快的运行速度和更低的检测失败率.