图像超分辨BP神经网络的改进

为了进一步提高超分辨图像重建效果,针对前期研究的超分辨误差反向传播神经网络（back propagation neural network, BPNN）重建结果中存在的块痕迹问题加以改进和优化。对影响BPNN超分辨效果的两个关键问题进行改进：(1) 网络训练样本问题,将8×8→16×16的映射方式改进为2×2→4×4的映射方式,同时,采用相邻仅间隔一个像素的方式优化构造训练样本;(2) 加速网络训练收敛问题,将网络训练规则由BP算法改进为改进的比例〖JP2〗共轭梯度算法。网络训练实验和泛化实验表明,改进方法增加了网络训练样本数量,改善了超分辨BPNN的输出图像质量,有效解决了超分辨结果中的块痕迹问题,使超分辨结果图像的峰值信噪比提高约8 dB。     

离散时间细胞神经网络的收敛性条件

神经网络的收敛性是网络各种应用的基础。主要研究了离散细胞神经网络的收敛性 ,并给出了几个新的网络收敛性条件。如果细胞网络的模板不是互补的 ,则给出一个网络在细胞格子非相互作用演化方式下的收敛性结果 ,所获结果推广了已有的结论。如果模板是互补的 ,且是行占优的 ,则网络按细胞格子行方式进行演化是收敛的。如果模板是互补的 ,且是列占优的 ,则网络按细胞格子列方式进行演化是收敛的。     

双混沌神经网络及其在优化问题中的应用

分析了三种现有的混沌神经网络模型的优化性能,针对目前混沌神经网络收敛率不高和搜索时间较长的问题提出了一种双混沌神经网络。它不同于以往的混沌神经网络改进方法,不是延长退火时间或改变混沌程度来提高网络性能,而是通过混沌迭代搜索使混沌神经网络在有限步内找到全局最优解的初值来提高收敛率与收敛速度。这种方法能使混沌神经网络在应用中具有更好的全局优化能力,并且可以缩短混沌神经网络的搜索时间,对旅行商问题求解的仿真对比和函数优化问题的仿真,说明了新方法比现有方法具有更好的收敛率和更短的搜索时间。     

一种用于故障诊断的演化小波神经网络

针对小波神经网络实现故障模式识别时存在的“维数灾”问题 ,提出了利用遗传算法在小波网络的学习过程中优化网络结构的方法 ,可有效减少小波基元 ,加速收敛。同时为提高遗传优化的收敛速度和精度 ,避免“早熟”现象 ,采用基于实数编码的遗传算法。给出了各个控制算子的自适应调整策略 ,并设计了增加和删除操作对遗传算法进行改进。仿真结果证明了该算法的有效性。     

基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计

环境温度变化造成的复杂漂移（温度漂移）始终是制约光纤陀螺（FOG）性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列，在这一领域首次采用投影寻踪学习网络（PPLN）方法设计FOG温度漂移在线估计器，相对于传统的神经网络技术，PPLN采用批量学习和参数变替优化的训练算法，可以自适应确定神经网络的规模、参数和神经元函数，不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力，还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证，并采用传统反向传播神经网络（BPNN）的方法进行比较，计算分析结果表明，PPLN漂移估计器具有更好的估计精度和鲁棒性，尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。     

一种基于文化粒子群算法的BP网络优化方法

BP网络良好的逼近特性和泛化能力使其在模式识别、智能控制和系统决策等领域有广泛应用。但网络训练过程中存在的收敛速度慢、容易陷入局部极值等局限性限制了进一步应用。提出一种新的智能优化算法-文化粒子群算法来对BP神经网络的权值和阈值同时进行优化。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。两类空间的交互通过接受操作和影响操作利用同步式传输方式完成。以Iris分类问题的BP网络模型为仿真实例,对算法的正确性和有效性进行验证。仿真结果表明,改进算法具有较快的收敛速度。     

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。     

新型模糊神经网络控制器的设计及应用研究

讨论自组织竞争网络优化模糊神经网络的设计及应用研究。该设计方法运用自组织竞争神经网络（SCNN）来优化模糊神经网络结构,并采用遗传逄法来训练模糊神经网络的连接权参数,获得同时具有最佳结构和模糊神经网络（FNN）,船舶操纵的仿真结果表明此法明显优于传统的PID控制器。     

Job—shop调度问题的瞬态混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解Job-shop调度问题。利用神经元的自抑制反馈产生混沌动态,其随机搜索能力有效地了传统Hopfield神经网络（HNN）极易陷入局部极小的缺陷;同时利用一时变参数控制混沌行为,使网络在经过一个短暂的倍周期倒分岔后逐渐趋于一般的神经网络,从而收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,该网络解Job-shop调度问题比HNN具有更强的全局搜索能力和寻优能力,并具有更高的搜索效率。     

粒子群优化小波神经网络在惯导系统传递对准中的应用

为克服系统阶次较高时卡尔曼滤波实时性较差的特点,利用小波神经网络具有收敛速度快,结构简单,计算量小等优点,将其应用于惯导系统传递对准。并采用粒子群算法优化小波神经网络参数,取代传统的梯度下降法,克服了网络参数选取的盲目性,避免陷入局部极小值。仿真结果表明采用粒子群优化的小波神经网络进行传递对准,不仅获得了与Kalman滤波相同的精度,而且收敛速度快,满足了对准的实时性要求。     

基于小波重构与SVM-BPNN的动态过程在线智能监控

为了提高动态过程运行状态在线监控效率,提出了基于小波重构与支持向量(support vector machine,SVM)-反向传播神经网络(back propagation neural network,BPNN)相结合的在线智能监控方法.首先,运用离散小波变换对动态过程实测数据流进行重构,并提取其形状特征.其次,利用训练好的小波重构特征的SVM、均值特征的BPNN及重构后形状特征的SVM,对"监控窗口"内实测数据流进行异常模式识别.最后,应用该方法对某精密轴加工过程进行在线智能监控.结果表明:所提模型识别精度高、训练耗时少,其整体性能明显优于小波重构的BPNN模型与基于统计和形状特征的多分类支持向量机(multi-class support vector machine,MSVM)模型,是一种更为有效的动态过程在线智能监控方法.     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

车载GNSS失锁下基于BPNN的微陀螺误差估计及定位方法研究

针对在全球导航卫星系统(global navigation satellite system, GNSS)失锁阶段将微陀螺惯性系统作为备用定位系统时,由于微陀螺误差引起的定位误差发散问题,提出了基于后向传播神经网络(back propagation neural network, BPNN)的微陀螺误差估计及定位算法。在GNSS有效阶段为车辆提供定位信息,同时对微陀螺误差进行估计,并利用后向传播神经网络BPNN建立微陀螺误差预测模型,为GNSS失锁阶段车辆定位做准备;在GNSS失锁阶段,利用已建立好的微陀螺误差预测模型估计微陀螺误差,对微陀螺输出信息进行补偿,以抑制由陀螺误差引起的定位误差。最后利用仿真与试验验证了此方法的正确性与有效性。     

Text classification toward a scientific forum

Text mining, also known as discovering knowledge from the text, which has emerged as a possible solution for the current information explosion, refers to the process of extracting non-trivial and useful patterns from unstructured text. Among the general tasks of text mining such as text clustering, summarization, etc, text classification is a subtask of intelligent information processing, which employs unsupervised learning to construct a classifier from training text by which to predict the class of unlabeled text. Because of its simplicity and objectivity in performance evaluation, text classification was usually used as a standard tool to determine the advantage or weakness of a text processing method, such as text representation, text feature selection, etc. In this paper, text classification is carried out to classify the Web documents collected from XSSC Website （http：//www.xssc.ac.cn）. The performance of support vector machine （SVM） and back propagation neural network （BPNN） is compared on this task. Specifically, binary text classification and multi-class text classification were conducted on the XSSC documents. Moreover, the classification results of both methods are combined to improve the accuracy of classification. An experiment is conducted to show that BPNN can compete with SVM in binary text classification; but for multi-class text classification, SVM performs much better. Furthermore, the classification is improved in both binary and multi-class with the combined method.     

神经网络自适应学习研究

本文讨论了网络拓扑结构、网络的学习参数以及神经元的激活函数等多方面的人工神经网络学习问题，提出了具体实现方法。实验表明这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有显著成效。     

A quantum multi-agent based neural network model for failure prediction

An effective prognostic program is crucial to the predictive maintenance of complex equipment since it can improve productivity, prolong equipment life, and enhance system safety. This paper proposes a novel technique for accurate failure prognosis based on back propagation neural network and quantum multi-agent algorithm. Inspired by the extensive research of quantum computing theory and multi-agent systems, the technique employs a quantum multi-agent strategy, with the main characteristics of quantum agent representation and several operations including fitness evaluation, cooperation, crossover and mutation, for parameters optimization of neural network to avoid the deficiencies such as slow convergence and liability of getting stuck to local minima. To validate the feasibility of the proposed approach, several numerical approximation experiments were firstly designed, after which real vibrational data of bearings from the Laboratory of Cincinnati University were analyzed and used to assess the health condition for a given future point. The results were rather encouraging and indicated that the presented forecasting method has the potential to be utilized as an estimation tool for failure prediction in industrial machinery.     

基于支持向量机的部队作战效能评估

随着信息化战争复杂性与不确定性的增加,对部队作战效能的评估提出了更高要求。在分析支持向量机和增强最简半自治适应性作战神经网络仿真工具箱（enhanced irreducible semi autonomous adaptive combat neural simulation toolkit, EINSTein）特点的基础上,建立了基于支持向量机的部队作战效能评估模型,完成从评估指标到作战效能值的非线性映射。在一定作战想定背景下,结合EINSTein系统产生的仿真数据对模型进行了验证。仿真结果表明,与误差反向传播神经网络（back propagation neural networks, BPNN）相比,基于支持向量机的效能评估模型能够降低人为因素的影响,更准确地评估部队作战效能,是一种有效的评估方法。     

财务分析:模式识别下的BP网络与自适应神经模糊推理比较研究

结合模式识别的思想和企业财务分析领域的特点,建立基于模式识别理念的神经网络评分模型和自适应神经模糊推理(ANFIS)模型,克服了一般神经网络评分的缺陷,开辟了财务分析的新思路。最后,利用样本公司实际指标数据对采用模式转化理念的两个模型(BP与ANFIS)评分效果进行了比较分析与实证研究。     

基于BP-ART混合神经网络的电路故障诊断新方法

建立了基于误差反向传播(back propagation, BP)神经网络和自适应共振理论(adaptive resonate theory, ART)神经网络的电路故障诊断模型,提出了BP神经网络和ART神经网络相结合的电路故障诊断方法,以ART网络为主,识别新故障,以BP网络为辅,识别多类故障,并对传统的ART神经网络竞争机制加以改进,有效地解决了复杂电路故障诊断的难题。实验表明,基于BP和改进ART神经网络相结合的电路故障诊断方法具有自适应性好、训练时间短、准确性高等特点。