一种局部线性嵌入的空间听觉重建方法

空间听觉重建中,头相关传输函数(head-related transfer function,HRTF)庞大的数据量是影响虚拟声源合成效率的主要因素之一.为了减少HRTF的数据存储,提出一种局部线性嵌入(locally linear embedding,LLE)空间听觉重建方法.通过LLE对高维HRTF数据进行降维,在低维数据空间提取与方位感知相关的特征,然后利用聚类算法进行分类,得到特征HRTF,而其余非特征HRTF则可以利用特征HRTF通过改进插值算法进行重构.与现有的主成分分析法(principal component analysis,PCA)相比,利用LLE降维后的数据保留了更多的感知信息,利用HRTF数据间的内在关系,对插值后的数据进行修正,可减少重建误差.仿真结果表明,该方法能够有效地减少HRTF的存储数据量,有利于提高虚拟声源的合成效率.     

个性化耳廓旋转角测量与头相关传输函数定制

耳廓旋转角的测量结果与头部初始位置有关,不同的耳廓旋转角测量方法可能影响个性化头相关传输函数(HRTF)的仰角分布特性.文中分别采用面部垂直参考面和法兰克福水平参考面测量并比较了60名受试者的耳廓旋转角,发现两种方法所得均值相差5°左右.为了分析耳廓旋转角对个性化HRTF空间分布的影响,将一个左耳廓在同一个椭球上按5°间隔旋转,得到耳廓旋转角分别为16°、11°和6°的3个计算模型.然后,用快速多极边界元方法(FM-BEM)计算分析了3个耦合模型的HRTF数据.结果表明:不同耳廓旋转角条件下,HRTF的耳廓高频谷点的频率差异可以达到约1.0 k Hz,某些角度的谷点幅度差异可达到约10 d B.最后,用空间坐标变换方法定制不同耳廓旋转角的个性化HRTF,结果表明,定制HRTF的耳廓谷点频率和幅度与直接通过数值计算的HRTF基本吻合,证明个性化耳廓旋转角定制方法有效.     

球形正十二面体声源测量近场HRTF的误差

提出了球形正十二面体声源和球形头部的组合模型,利用球谐函数的多极展开和球基函数的旋转变换,得出该模型的双耳声压和近场头相关传输函数(HRTF).然后用HRTF的幅度谱误差分析球形正十二面体声源指向性和多重散射对近场HRTF测量的共同影响.结果表明:随着声源半径的减小和局部脉动单元半张角的增大,声源对近场HRTF测量的影...     

多通道连续头相关传输函数的测量

头相关传输函数(HRTF)是虚拟声研究的重要参数,在沉浸式语音交互中有广泛的应用.在很多应用中常常需要高密度HRTF数据,而高密度HRTF的测量是一件十分费时繁琐的工作.采用自适应滤波器和连续转动方式测量高密度HRTF是一个有效途径.本文提出了基于广义多通道频域自适应滤波器的多通道连续HRTF测量方法,该方法适用于快速多通道系统辨识.实验表明,在不同的系统噪声、环境噪声以及不同转速情况下,本文方法比传统的归一化最小均方测量方法效果更好,测量误差显著降低.     

利用神经网络外推中垂面上低仰角HRTF的方法

为了构建关于仰角方向连续的头相关传输函数(HRTF),提出采用径向基函数神经网络外推中垂面上低仰角方向HRTF的方法.基于KEMAR人工头和真人的数据,对3种不同网络输入方式下外推方法的有效性进行了研究.结果表明:外推值和测量值的相关系数可达0.93;增大网络输入的数据量、减小外推方向和已知方向的空间距离可提高外推的准确性;外推的误差随频率的升高而增大.     

神经网络参数对地震类型识别的影响

由于震源识别模型判据选取不当或关键参数设置不合理,现有地震辨识模型的性能受到一定制约。为了改善地震类型识别效果,优化反向传播(back propagation, BP)神经网络参数设置,提出了一种经验模态分解(empirical mode decomposition, EMD)多尺度近似熵(multi-scale approximate entropy)判据,并讨论训练函数、激活函数、隐藏层神经元数目与学习速率等网络参数对地震辨识的影响。首先,针对多组天然地震事件及人工爆破事件波形进行关键信息提取与归一化,利用EMD算法提取6个本征模态函数(intrinsic mode function, IMF)和1个剩余分量(residual),然后分别计算近似熵得到EMD多尺度近似熵向量;再次,设计一系列BP神经网络调参实验,研究BP神经网络参数对地震类型识别的影响。结果表明,训练函数、激活函数、隐藏层数目等参数对地震辨识产生了明显的影响,辨识效果较好的参数组合为：训练函数采用共轭梯度法,输出层激励函数为purelin函数,隐层激励函数为logsig函数,隐层节点数和学习率分别设置为10和0.0...     

基于RBF神经网络的输电线路故障类型识别新方法

基于径向基函数(radial basis function,RBF)神经网络理论,采用电流突变量比例系数,提出了一种对输电线路故障类型识别的新方法。利用PSCAD/EMTDC软件建立500 kV高压输电线路仿真模型,仿真不同工况下的故障。由各相电流之差提取故障差流信号的突变量,并计算故障后一个周期内差流突变量的有效值,得到故障状态下各相差流突变量占三相差流突变量有效值总和的比例系数,结合零序电流判别系数构造故障类型识别特征向量,建立RBF神经网络进行故障类型识别。仿真结果表明,采用电流突变量比例系数作为特征量包含的信息更丰富,对RBF神经网络的训练效果更好,不受故障位置、故障初始角和过渡电阻等因素的影响,网络识别精度高。     

基于GM-RBF神经网络的高校建筑能耗预测

为了提高高校建筑的能耗预测精度,在比较传统灰色预测模型和神经网络预测模型优缺点的基础上,建立了灰色径向基函数(Radical basis function,RBF)神经网络能耗预测算法。该方法综合了灰色系统理论所需数据少以及神经网络自学习和自组织的优点。实例分析表明:与传统灰色理论和RBF神经网络预测模型相比较,组合模型预测值与实际值的相对误差平均降低了5.4%,为建筑节能评估和设计提供了决策依据。     

混沌参数优化RBF算法的震前ENPEMF信号强度趋势预测

提出了一种基于混沌参数优化径向基函数(radial basis function,RBF)神经网络的预测模型.通过混沌理论获得了ENPEMF信号的有效嵌入维数和最优时延,然后利用所获得的参数优化RBF神经网络.采用训练好的参数优化RBF神经网络预测ENPEMF.数值仿真结果表明,改进的RBF算法可以较为准确地预测Rossler混沌时间序列且误差较小.将优化的RBF模型应用于芦山Ms7.0级地震前ENPEMF数据,可以有效预测震前14d的ENPEMF数据强度趋势,且预测效果及精度优于传统RBF神经网络算法,期望为地质灾害及强震前的电磁监测分析提供支持.     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于参数优化的RBF神经网络结构设计算法

针对径向基函数(RBF)神经网络的结构优化问题,提出了一种基于参数优化的RBF神经网络优化算法.首先,改进K-means++算法,使得聚类算法更精确,为RBF神经网络的隐含层节点找到一个合适的初始中心;然后,考虑数据分布和缩放因子选择的影响,采用方差度量法计算隐含层神经元基函数的宽度;最后,修正网络参数,提高网络的非线性逼近能力.实验结果表明,本文提出的基于参数优化的RBF神经网络具有良好的逼近效果和泛化能力.     

基于遗传算法的模糊RBF神经网络设计及应用

提出了一种基于遗传算法的模糊RBF神经网络学习算法.采用遗传算法对模糊RBF神经网络需要调整的参数进行优化,再将遗传算法优化的各参数结果作为模糊RBF神经网络各个参数的初始值,并结合梯度下降法对网络的各参数进行动态调整.在对非线性函数逼近的仿真中,仿真结果验证了优化后的模糊RBF神经网络具有更高的精度及强鲁棒性.     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

头相关传输函数数据库及其特性分析

对52名受试者(男、女各半)进行测量, 建立了中国人样本的高空间分辨率的头相关传输函数(HRTF)以及受试者生理尺寸的数据库. 基于此数据库, 对与声源定位有关的因素(双耳时间差、双耳声级差、耳廓产生的谱特征等)进行了分析. 结果表明, 在统计意义上最大双耳时间差存在显著的性别差异, 且与国外的数据也存在显著性差异, 这是由头部尺寸的统计差异引起的; 另外, 耳廓引起的HRTF高频谱特征是非常个性化的物理量; 在高频(f≥5.5 kHz)HRTF的左、右对称性将受到破坏. 此工作为今后有关双耳听觉的研究和虚拟听觉的应用提供了数据基础.     

基于人工种经网络的乳腺癌诊断模型

针对具体的乳腺癌诊断分类问题，研究了多层径向基函数(RBP)网络的分类机理和初始化优化参数，采用动量法和学习率自适应调整两种策略方法，建立了基于BP神经网络和径向基(RBF)神经网络的乳腺癌两种诊断模型。讨论了径向基神经网络的分类机理，同时对数据作了预处理。径向基(RBF)神经网络具有较强的非线性并行处理能力和容错能力。仿真结果表明，所设计的RBF网络模型性能稳定，训练时间短，分类效果较好。     

基于神经网络的层状周期结构能量传输谱预测

本文对层状周期结构的能量传输谱预测方法进行了研究,在考虑几何参数、物理参数单独变化以及同时变化3种情况下,通过构建深层反向传播(BP)神经网络,实现层状周期结构能量传输谱的精准预测.与径向基函数(RBF)神经网络进行对比实验,实验结果验证了所提方法的有效性.     

基于GA-RBF网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态(state of charge,SOC)的精确预测问题,提出了一种基于遗传算法的径向基函数(genetic algorithm-radial basis function,GA-RBF)神经网络的磷酸铁锂电池SOC预测方法,它克服了网络参数选择的随机性,具有更强的适应能力。通过仿真实验,证明了该方法比传统的径向基函数(radial basis function,RBF)神经网络预测结果更加准确,运行更稳定,满足电池管理系统对磷酸铁锂(LiFePO4)动力电池SOC预测的精度和实际使用的要求。     

基于RBF网络模型的SAR溢油图像识别方法

利用径向基函数(radial basis function,RBF)神经网络模型区分油膜和类油膜,旨在为溢油事故决策支持提供重要前提.首先,对合成孔径雷达(SAR)图像进行特征提取,获得有效的特征向量,并将特征向量作为输入层参数,建立激励函数;其次,利用SAR图像样本训练RBF神经网络模型,将输出值与实际值之间的误差作为约束条件调整权重因子、径向基中心和宽度,根据输出层的线性激活函数值判断溢油情况.实验结果表明,RBF模型在识别油膜与类油膜图像方面准确率超过90%.通过比较RBF和BP神经网络在SAR溢油图像分类上的准确率,也证明了RBF的有效性.     

基于PCA与RBF的建筑能耗预测建模

由于建筑能耗因子间存在非线性和高度冗余特性,传统预测方法很难消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高建筑能耗预测精度,提出一种将主成分分析(principal component analysis,PCA)和径向基函数(radial basic function,RBF)神经网络相结合的建筑能耗预测方法(PCA-RBF).利用PCA消除建筑能耗高维变量数据的相关性,并按累积贡献率提取主成分,将主成分作为RBF神经网络的输入进行训练学习.通过PCA避免了模型过多的输入导致的训练耗时长及预测精度较低的不足.通过将PCA-RBF模型方法应用于某办公建筑能耗的预测中,并与RBF神经网络及BP神经网络模型相比,实验结果表明PCARBF模型方法能有效提高建筑能耗预测精度.     

基于径向基神经网络的油藏反演方法

文章提出一种基于径向基(radial basis function, RBF)神经网络的油藏反演方法。该方法利用抽样生成的井底压力数据构造RBF神经网络模型，由RBF神经网络预测值与实际观测值的偏差定义目标函数，再利用粒子群算法(particle swarm optimization, PSO)对其进行优化，最终得到不确定参数的最优解和反演参数。与多项式拟合方法相比，RBF神经网络方法具有更好的拟合结果和更高的精度，甚至在多项式拟合方法失效时，该方法也能得到很好的模拟结果。油田实际算例表明，该方法具有良好的拟合效果，能大幅提高反演效率，具有很好的应用前景。