小波神经网络及其在旋转机械轴心轨迹识别中的应用

提出一种基于小波变换理论的小波神经网络模式识别方法,并将该方法应用于旋转机械轴心轨迹的识别。在本文提出的方法中,模式识别分两步来完成。第一步通过小波网络完成对数据的压缩,第二步应用前馈神经网络对第一步中的压缩数据进行学习与分类,从而达到模式识别的目的。     

基于主元分析的RBF神经网络多模型切换控制

针对传统多模型自适应控制中子模型数量过多、学习和自适应能力的局限性等问题,将神经网络的学习能力和非线性逼近能力与多模型切换的思想相结合,提出基于主元分析的径向基(RBF)神经网络多模型切换控制算法。首先,基于主元分析法进行工况区域识别。其次,在不同的工况区域内采用RBF神经网络建立多个子模型并设计相应的控制器。最后,根据性能指标函数选择相应的控制器以得到最佳的控制效果。仿真结果表明,该算法大大减少了子模型数量,并改善了系统的动态性能。     

基于Gamma滤波的压电陶瓷动态迟滞建模研究

融合Gamma滤波和PI模型的结构,提出压电陶瓷的动态迟滞模型.借鉴PI模型的结构, 对Gamma滤波的各个环节的输出通过RBF神经网络进行静态非线性变换,并在其后与一个动态神经网络串联, 构成了一种新的神经网络迟滞模型.与静态PI 模型不同,由于新模型中含有动态的类迟滞算子与动态神经网络串联.所以, 所提出的迟滞模型是一种动态的迟滞模型.对压电陶瓷实际测量数据逼近和预测的结果表明,所提出的动态迟滞模型精度高,具有较强的泛化能力.     

自反馈RBF网络在高炉热状态模型预测中的应用

在RBF神经网络的输入上加入了自反馈的神经元,提出了自反馈RBF神经网络,使网络对过去时态的数据具有了记忆能力,对该网络进行了稳定性分析后,采用层叠的自反馈神经元以增加网络的动态处理能力,并设计了自反馈RBF的在线训练算法,通过对混沌时序数据的仿真实验证明该算法的有效性。在此研究基础上,建立了高炉的热状态预测控制模型,预报铁水中硅的含量以达到判断高炉热状态的目的,实验表明该模型提高了高炉热状态的预报精度。     

基于神经网络的雷达抗转发式距离欺骗干扰方法

为实现雷达抗转发距离欺骗干扰,提出了一种基于神经网络和模式识别技术的目标与干扰的识别方法。该方法将抗干扰过程看作对目标和干扰进行识别的过程,利用干扰信号和目标的能量差别与起伏特性差异,确定出用于分类的特征因子,使该特征因子受信干比的影响远小于用传统检测方法时的影响,最后利用径向基(radialbasisfunction,RBF)神经网络进行分类。仿真结果表明,此方法在检测概率和稳定性上都优于传统方法,在信干比接近于零的情况下尤为明显。     

对微弱线状分布目标的雷达检测方法

针对飞机尾流等空间分布式目标所具有的线性特征,提出一种基于Hough变换的微弱线状分布目标检测方法。首先描述了Hough变换直线检测的一般原理,推导建立了线状微弱分布式目标的雷达回波信号模型,给出了利用Hough变换技术对线状目标回波能量进行空域非相参积累的方法。结合某L波段典型雷达系统参数进行仿真实验,仿真结果表明该方法能够有效地实现对噪声图像中线状微弱分布式目标的检测。根据检测结果,利用逆Hough变换可以对目标空间位置进行较为准确的判断。     

MPSO-RBF优化策略在锅炉过热系统辨识中的仿真研究

提出了基于改进PSO算法的RBF神经网络混合优化（MPSO-RBF）方法，并将其应用到非线性系统的辨识中。该方法将改进PSO算法的全局搜索能力和RBF神经网络局部优化的高效性相融合，克服了普通PSO算法收敛的不稳定性和RBF网络易陷入局部极小值的缺点。经典型非线性系统仿真试验，并与GA-RBF和RBF辨识效果进行了对比，结果表明基于MPSO-RBF的混合优化方法较GA-RBF和RBF优化速度快、逼近性能好，可以达到更优的辨识精度。最后，通过对火电厂的过热汽温动态特性的辨识实例，同样证明了MPSO-RBF方法具有更好的性能指标。     

基于减法聚类的两级Hough变换航迹起始算法

针对低信噪比、低信杂比环境下作匀加速直线运动的目标检测中随机Hough变换算法存在的采样次数总量大、无效采样多的现象,提出了一种改进的航迹起始算法-基于两级Hough变换的航迹起始算法.该方法首先采用标准Hough变换滤除原始数据空间上的大量杂波点,然后用随机Hough变换以较少的采样次数获取备选航迹参数,再对所得参数使用最小距离筛选的方法进一步减少虚警,最后利用减法聚类得到准确的航迹数及航迹参数.实验表明该方法不但能够明显降低随机Hough变换的采样次数、减少无效采样,而且对杂波干扰具有很好的鲁棒性,尤其适用于复杂环境中的目标检测.     

一种立体计算机视觉技术的仿真研究

通过理论分析和计算机仿真研究了一种应用于无人直升机自主着舰的双目立体计算机视觉系统及相关计算机视觉技术。从工程实践的角度研究了计算机视觉技术在无人直升机自主着舰过程中的应用,并提出了一种快速Hough变换算法,这种快速Hough变换比同精度的标准Hough变换快10倍以上,它的应用使整套算法的抗噪声能力很强。整套算法达到了无人直升机自主着舰的实时性和实用性要求。     

基于模糊RBF网络的伺服转台鲁棒控制

针对神经网络控制和复合控制各自的特点，采用一种模糊RBF神经网络复合控制的方法控制伺服转台，用模糊RBF网络进行伺服系统辨识，在线修改复合控制的参数，用来提高复合控制的鲁棒性。实际控制结果表明，所采用的方法具有很好的辨识能力和控制品质，并具有较高的鲁棒性。     

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量，电池电压／电流密度为输出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压／电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统奠定了基础。     

基于神经网络的形状识别系统及优化

Ｈｏｕｇｈ变换用于形状识别、神经网络用于分类都不是新课题,而我们将这两种方法结合起来,用神经网络实现 Ｈｏｕｇｈ变换并进行特征提取,所提取的特征矢量不受待识别体的大小和位置的影响,且所提特征为一维矢量。对于所构成的神经网络形状识别系统,采用ＢＰ算法进行初１练,优化系统参数。文中最后得出令人满意的实验结果。     

A Practical Radial Basic Function Network and Its Applications

1 .INTRODUCTIONRecently ,artificialneuralnetworks (ANNs)havebe comeimportanttoolsinmanyfields,suchasstatisti caldataanalysis,patternrecognition ,signalprocess ing,automaticcontrol,forecastingandartificialin telligence.Thebasicproblemintheabovefieldsisfunctionapproximation .Atpresent,therearetwomainmethodsforfunctionestimation ,oneisthetra ditionalmethodnamed“parametricapproach”or“model basedapproach”andtheotherisANNmethodnamed“nonparametricapproach”foritsmanygeneralproperties.With…     

基于OLS算法的RBF神经网络高速公路事件探测

高速公路事件是指破坏正常交通流并造成交通阻塞的非重现随机发生的事件。事件发生后对其进行快速可靠的探测对减少交通延误、保障道路安全、减少环境污染具有十分重要的意义。文中提出了一种基于模糊聚类技术和RBF神经网络的混合智能高速公路事件自动探测算法，同时改进了用于RBF神经网络训练的OLS(正交最小二乘)选择算法。仿真实验证明，改进的OLS选择算法大大提高了RBF神经网络的训练速度，同时具有无须事先确定RBF中心的优点，将之运用于公路事件探测可以获得满意的性能。     

基于贝叶斯-神经网络的动态回归建模与预测

结合贝叶斯网络和神经网络，提出了一种建立数据驱动型的动态线性回归系统模型的方法。基于这种模型采用自然连接型的知识分布，形式化各种各样的信息，结合贝叶斯方法，执行贝叶斯网络的持续学习过程；采用指数寿命型的连接权值改进径向基神经网络，优化输入数据，提高计算速度；采用改进的遗传算法，实现神经网络的动态自适应。基于上述方法，实现了线性回归系统动态建模与实时预测。仿真试验说明该方法是有效性。     

单调RBF神经网络的逼近性分析

针对工程中输入输出呈单调关系系统首先提出单调径向基神经网络，然后给出单调性条件定理，并证明用单调径向基神经网络插值可以逼近紧致集上任意单输入单输出的单调函数。     

基于模糊神经网络的电梯系统交通模式识别

介绍采用模糊神经网络进行电梯群控系统交通模式识别的方法。用3步混合训练方法对用于模式识别的两个模糊神经网络进行训练,测试结果表明此方法可以准确地辨识出各种交通模式所占的比例,可以指导群控器优化派梯策略,提高电梯群控系统的服务性能。     

一种改进的RBF神经网络学习算法

提出了一种改进的RBF神经网络学习算法 ,分别通过减聚类和监督学习算法对网络参数和权值进行训练 ,既可以根据样本合理地聚类、确定RBF径向基函数的个数和相应参数 ,又具有较强的网络映射能力 ,从而不仅使RBF神经网络结构得以优化 ,性能也得到了提高。仿真结果表明了该学习算法的实用性和有效性