PSO-LSSVM灰色组合模型在地下水埋深预测中的应用

针对LSSVM参数难以确定和单一方法预测精度不高的问题, 提出一种基于粒子群优化LSSVM灰色组合预测模型的学习方法. 利用粒子群算法的收敛速度快和全局优化能力, 优化LSSVM模型的惩罚因子和核函数参数. 避免了人为选择参数的盲目性. 在同一时刻利用不同长度序列的灰色预测方法对历史数据进行初步预测, 将初步预测结果的组合作为LSSVM的输入, 该时刻的实际值作为输出, 进行训练建立灰色LSSVM组合预测模型, 提高了模型的推广预测能力. 选取三江平原某地区1985年至2006年地下水埋深实测数据, 建立PSO-LSSVM组合预测模型. 通过两种方式对模型进行检验, 与其他模型相比, 该组合模型具有较高的预测精度.     

Learning algorithm and application of quantum BP neural networks based on universal quantum gates

A quantum BP neural networks model with learning algorithm is proposed. First, based on the universality of single qubit rotation gate and two-qubit controlled-NOT gate, a quantum neuron model is constructed, which is composed of input, phase rotation, aggregation, reversal rotation and output. In this model, the input is described by qubits, and the output is given by the probability of the state in which （1） is observed. The phase rotation and the reversal rotation are performed by the universal quantum gates. Secondly, the quantum BP neural networks model is constructed, in which the output layer and the hide layer are quantum neurons. With the application of the gradient descent algorithm, a learning algorithm of the model is proposed, and the continuity of the model is proved. It is shown that this model and algorithm are superior to the conventional BP networks in three aspects： convergence speed, convergence rate and robustness, by two application examples of pattern recognition and function approximation.     

Grey Markov chain and its application in drift prediction model of FOGs

1.INTRODUCTION Sincetheinterferometricfiberopticalgyroscope(FOG)wasfirstproposedbyAmericanUtahUniver sityin1976,ithasbeenattractingalotofscientific andtechnicalinterestsinsteadofthespinningwheel mechanicalgyroforitcanprovideuniqueadvantages.Withtheextensionofresearch,peoplehavebecome acquaintedwithnoisesandbiasdrifts,whichinduce non negligibleerrorsintheoutputofFOGs.The hugeeffortsontechnique,whichweredevotedtothe developmentoflow noiseandlow driftFOGsmainly basedonmaterials,machining…     

基扩展模型下基于LSTM神经网络的时变信道预测方法

针对高速移动正交频分复用系统, 提出了一种基扩展模型(basis expansion model, BEM)下基于长短期记忆(long short-term memory, LSTM)神经网络的时变信道预测方法。为了降低传统BEM的建模误差, 根据高速移动环境中不同列车在相同位置处的无线信道具有强相关性的特点, 首先基于历史时刻的信道状态信息获取最优的基函数, 并利用该基函数对信道进行建模。然后, 通过LSTM神经网络对信道基系数进行线下训练与线上预测来获取未来时刻信道信息, 大大降低了计算复杂度。在线下训练中, 将网络的逼近目标设置为信道估计值, 而不是理想的信道信息, 以增强预测模型的实用性。仿真结果表明, 相比现有方法, 新方法的计算复杂度较低, 且预测精度较高。     

基于T-S模型的扩展型模糊神经网络及应用

针对基于T-S模型的模糊神经网络的局部逼近缺陷,提出了一种基于T-S模型的扩展型模糊神经网络,从训练样本特性和网络结构两个方面来提高网络模型的泛化能力.利用先验知识和模糊推理的方法对样本集进行分析和分类处理,使样本集更加规范;并采用模糊规则推理动态调整正则项系数的方法来减小网络结构.仿真结果表明,所提出的网络具有更快的收敛速度和良好的泛化能力.     

小波神经网络模型的改进及其应用

将优化函数的连续型蚁群算法与小波神经网络耦合,用蚁群算法优化神经网络的权值和小波参数,找到蚁群算法中信息素更新的最佳衡量标准,且建立了基于蚁群优化的小波神经网络模型,旨在准确预测水稻需水量,为制定合理的灌溉制度、提高水利用率提供科学依据.通过对三江平原富锦市1985至2001年的井灌水稻区全生育期需水量预测检验,确定网络结构为6-12-1,训练最大次数20次时网络收敛,误差精度达到0.0024.研究结果表明,该模型不但计算简便,而且具有较强的逼近能力、较快的收敛速度和较好的预报精度,并且为网络模型的参数优化提供一种新方法,也为预测、预报的研究拓宽新思路.     

基于BP神经网络的GPT2w改进模型及全球精度分析

为提高全球卫星导航定位系统(global navigation satellite system,GNSS)的定位授时能力,方便用户在无法架设气象参数探测设备的条件下获得更高精度的对流层延迟估计,综述了当前主要的对流层延迟模型的发展,分析了两种空间分辨率的全球温压湿(global pressure and temperature 2 wet,GPT2w)模型在全球大地测量观测系统(global geodetic observing system, GGOS)测站处的估计精度,根据GPT2w模型的对流层延迟估计误差与气象参数估计误差的关系,提出了将实测温度与模型经验拟合气象参数相结合的策略,建立了基于反向传播神经网络的GPT2w改进模型。仿真结果表明,改进模型在2017年全球GGOS测站处对流层延迟估计精度较GPT2w模型提升近32%,且对全球其他位置估计精度同样有改进效果,改进程度与GGOS测站疏密程度有关。     

Traffic control based on dahlin algorithm and neural network prediction in TAM networks

The propagation delay in networks has a great adverse effect on rate-based traffic control. This paper proposes the composite control based on Dab lin algorithm feedback control and neural network feedforward predictive compensation online for ABR (available bit rate) communication in ATM (asynchronous transfer mode) networks, which can overcome the adverse effect caused by the delay on the control rapidity and stability better. The theoretical analysis and simulation research show that the scheme can make sources respond to the changes of network status rapidly, avoid the congestion effectively and utilize the bandwidth sufficiently. Compared with PID (proportional-integral-derivative) control, cell loss rate is much lower, link utilization rate is much higher, and required buffer capacity is much smaller.     

基于BP神经网络的弹炮结合系统作战效能评估

以拦截巡航导弹为例,针对抗击低空目标特点,提出了弹炮结合防空武器系统作战效能评价指标体系,简要分析了指标选取的理由。然后,采用专家打分的方法取得了几组训练样本,并对所构造的三层BP神经网络进行训练,当训练精度达到要求后,再运用BP神经网络对几种典型的弹炮结合防空武器系统对巡航导弹的作战效能进行了评估。结果表明,在选定指标的基础上,用训练好的BP神经网络评估弹炮结合防空武器系统作战效能是合理的,减少了评估中的人为因素,使评估的结果更为可信。研究结果可为在现有武器装备的基础上开发和研制新型弹炮结合防空武器系统提供理论参考。     

基于BP神经网络的动能杆毁伤指标预测模型

动能杆侵彻靶板的毁伤效果评估是一个复杂的问题。由于动能杆的数量多,侵彻碰撞情况多达上千种,计算费力又耗时。针对这些问〖JP+2〗题,提出了一种评价毁伤效果的数学模型,建立了基于反向传播（back propagation, BP）神经网络的预测模型,给出了隐含层节点数的计算方法,并在网络节点作用函数和随误差的变化动态更改参数方面对BP神经网络进行了改进。最后对仿真结果进行了分析,结果表明,75%的神经网络预测值分布在±10%误差范围之内,86%的神经网络预测值分布在±20%误差范围之内,验证了预测模型的可靠性和有效性。