组合径向基函数神经网络的硬件实现

为了提高径向基函数(RBF)神经网络的泛化能力,提出了一种组合径向基函数神经网络,并通过对英文字母的识别进行了仿真验证。基于CMOS电路设计了该组合径向基函数神经网络,所有单元电路均采用HJTC 0.18μm CMOS数模混合工艺设计制造。通过PCB板实现了一个2×3的组合RBF神经网络,并对"一"和"1"的识别问题进行了验证。实验结果表明:该组合RBF神经网络电路结构简单,便于扩展和调节,提高了整个网络的泛化能力,为硬件实现更为复杂的组合径向基函数神经网络提供了可能。     

基于人工免疫的RBF神经网络在钢筋性能预报中的应用

提出了一种基于免疫识别原理的径向基函数神经网络学习算法.该算法利用人工免疫系统的识别、记忆、学习等原理,将输入数据作为抗原,抗体为抗原的压缩映射作为径向基函数神经网络模型的隐层中心,输出采用最小二乘法确定权值.通过预报热轧带肋钢筋力学性能的仿真实验结果表明,与K-均值法选择中心点比较,该算法计算量较小,精度高.     

基于径向基函数神经网络的热轧产品性能预测

针对热连轧带钢生产过程中钢材内部一系列复杂的相变与物理变化以及涉及到的海量数据,可利用数据挖掘基本方法建立模型,提取规则,实现热连轧带钢生产的性能预测与评价功能。本文使用径向基函数神经网络建立模型,实现热轧产品性能预测。径向基函数神经网络在逼近能力、学习速度等方面都优于传统BP神经网络,本文将根据二者网络结构说明径向基函数神经网络的优越性。     

基于神经网络的变换域通信系统接收技术

提出了一种不须要估计本地基函数的变换域通信系统接收机接收方法.详细分析了接收机的接收原理,以相关解调信号能量最大化为目标构建了接收机最优化接收模型,通过对模型求解得到了接收数据自协方差矩阵的最大特征值向量,此向量可作为接收端基函数实现最佳接收,从而引入基于Hebbian学习训练的神经网络完成最大特征值向量的自适应估计与数据接收.仿真结果表明:当算法收敛时,作为基函数估计的网络连接强度矢量与发送端基函数基本一致,并且当发送端改变基函数时,算法依然能够实现准确跟踪.系统的接收性能与收发两端基函数一致条件下的接收性能基本一致,当算法迭代次数为300,误码率为1×10-4时,系统的信噪比损失可小于1dB.     

电子设备电磁敏感性仿真分析及优化设计方法

提出了将高频电磁干扰环境中的电子设备作为整体来进行电磁敏感性仿真分析和优化设计的总体思路和分析方法.对于外部区域,改进已有的电磁散射的数值计算方法,在机壳表面采用四边形的片元模型代替已有算法中的三角形片元模型,重新定义电子设备外部区域面上的基函数,并根据机壳表面的对称关系对算法进行优化,减少了外部感应电流的运算时间.对于内部区域,利用基于微粒群优化算法的递归动态神经网络建立电子设备内部电路对于干扰的高频仿真模型,提出对于内部电路参数进行优化设计的方法.所建立的神经网络模型解决了以往电子设备在电磁敏感性仿真分析和优化设计过程中,仿真模型存在的计算量和存储量大的问题.优化设计方法改变了以往寻优过程中穷尽式搜索的方式.     

基于神经网络的空间柔性机械臂PID快速学习控制

针对自由漂浮柔性空间机器人的轨迹跟踪问题,提出一种径向基函数（RBF）神经网络控制策略.首先建立漂浮基柔性空间机器人的非线性动力学方程,考虑到RBF神经网络良好的逼近能力,柔性臂的非线性逆动力学模型通过RBF网络来逼近,采用PID控制器与神经网络控制器来共同保证系统稳定性,其误差代价函数由PID控制器提供,采用固定中心参数,而扩展宽度采用启发式关系确定,网络权值采用改进的最优准则算法进行调整来实现快速学习能力.仿真结果表明了这种RBF神经控制器能够达到较快的误差收敛速度.     

基于神经网络的雪崩光电二极管SPICE模型构建

针对雪崩光电二极管（Avalanche Photodiode， APD）雪崩前后电流数量级相差大、I-V特性曲线变化剧烈的特点，在对I-V特性数据进行对数化、归一化预处理的基础上，采用浅层神经网络完成I-V函数拟合，并进一步优化神经网络结构以提升模型准确性. 在此基础上，使用Verilog-A硬件描述语言实现APD的SPICE模型，并应用Cadence软件设计电路验证模型的有效性和准确性，引入相对误差评估模型的准确度.结果表明：优化后的神经网络学习的I-V特性函数与TCAD仿真数据的均方误差损失为2.544×10-7，SPICE模型验证电路采样数据与TCAD仿真数据的最大相对误差为3.448%，平均相对误差为0.630%，构建SPICE模型用时约50 h，实现了高精度、高效率的器件SPICE模型构建，对新型APD的设计与应用具有重要指导意义.     

一种模糊神经网络的硬件电路优化设计方式

为提高模拟电路实现模糊神经网络的精度,通过对模糊神经网络中的高斯函数电路、求小电路以及去模糊电路分别进行性能优化,从整体上达到模拟电路实现模糊神经网络中高精度、高速的特性要求.所设计的模糊神经网络整体电路采用电压模式实现,并通过逼近一个非线性函数来验证.所设计的模拟单元电路均采用TSMC 0.18 μm工艺参数设计完成.通过Cadence软件仿真,结果表明:在1.8 V的工作电压下,所提出的改进型单元电路具有精度高、结构简单、便于调节和扩展的特性,并且能够完整地实现模糊神经网络的控制.     

基于RBF神经网络知识的智能故障诊断系统研究与实践

该文分析了径向基函数RBF神经网络的原理、结构模型、学习算法,并以某系统的电源模块故障为例,给出了RBF神经网络故障诊断系统的结构,并建立RBF网络模型进行学习、训练与仿真,结果证明此种故障诊断方法可以改进BP神经网络的一系列缺点,切实可行,具有较强的实用价值。     

基于神经网络的函数逼近问题

给出了函数逼近问题,提出了一种新的神经网络模型,结合函数逼近问题及该神经网络模型给出了一种学习算法,并利用该算法对函数逼近进行了仿真.说明了该算法的实用性.     

非线性函数逼近的神经网络方法

针对工程实际中一类典型的非线性函数逼近问题，本文阐述了单层函数型网络及双层网络在应用时各自的特点，并提出了对网络输入节点进行优化选择，可提高网络的逼近精度，简化网络结构．文中给出了具体的选择方法，计算机模拟结果验证了该方法的有效性。     

数字电路的神经网络模型研究

研究数字电路的Ｈｏ０ｐｆｉｅｌｄ神经网络模型,说明了这种模型的原理及建立方法,并指出这种模型存在的不足,然后研究电路手最优神经网络模型,给出了模型的相关定义,讨论了任意数字电路对应的最优神经网络的存在性,这些建模方法可应用于电路的测试、逻辑验证等领域,能提高相关的计算效率。     

以太网电路仿真技术的时钟同步研究

在数据业务膨胀的今天,实现电信级的电路仿真业务是MEF的目标.而时钟同步和时钟恢复则是电路仿真业务面临的主要技术挑战.本文简要介绍电路仿真业务的基本概念,详细的介绍了时钟同步问题,并对实现时钟同步给出了相关的办法.以达到更好地实现电路仿真业务.     

基于神经网络的几种控制图表模式的识别研究

建立一个复合的神经网络模型,使其可以更精确的判断输入的控制图模式,同时利用该网络模型的再分类功能,可以减少判断不同模式时所造成的误判断.通过对各种模式的训练和仿真,表明该方法相对于传统方法有较大的优势.     

基于概率神经网络的高压断路器故障诊断模型

针对高压断路器在线监测与故障诊断问题,提出了一种基于概率神经网络的高压断路器故障诊断模型.该模型利用Parzen窗函数和Bayes分类规则建立了前向型自监督神经网络,在分析分（合）闸线圈信号的基础上提出了高压断路器故障模型.仿真结果表明,该模型对断路器的故障模式识别过程具有训练速度快、输出误差小和收敛性好等特点.     

基于遗传算法的人工神经网络学习算法

为了克服和改进BP算法的不足，提出了一种基于遗传算法的神经网络学习算法，仿真结果表明，该算法具有无比的优越性，可避免BP算法易于陷入局部极小值，训练速度慢、误差函数必须可导、受网络结构的限制等缺陷。     

神经网络辨识方法及其在轧钢控制中的应用

利用人工神经网络的辨识理论和方法,进行轧制过程数学模型参数的在线辨识与修正.首先对轧制压力模型和温度模型进行分析,得到适于应用神经网络进行辨识和修正的轧制模型函数形式,选择并比较最速下降、递推最小二乘及共轭梯度训练算法,实现了离线的和在线的仿真与应用.仿真结果表明,将人工神经网络应用于轧钢过程的轧制模型辨识可以大大提高模型预报精度.     

EDA仿真技术在电子线路设计中的应用

以计算机为工作平台,将电子设计自动化(EDA)仿真技术与电路分析结合起来,通过仿真完成对电路特性的解释,实现辅助设计各种功能电路的目的。     

一种改进的PWM型VLSI神经网络的设计

神经网络的超大规模集成电路 (VL SI)实现是发挥其优势的有效途径。改进了现有的基于脉宽调制 (PWM)技术的 VL SI神经网络设计方式。提出了一种结构简单的突触乘法器 ,它的精度高、线性范围大 ,而且不受开关噪声的影响。设计了一个增益可调的电压型 sigmoid变换电路 ,用以实现不同的神经元激活函数。提出一个 PWM所必需的电压-脉冲转换电路 ,它具有较高的转换精度和线性度。以这 3种电路为基础设计了一个解决异或 (XOR)问题的 PWM型VL SI神经网络。模拟结果表明其功能正确 ,具有较高的识别速度 ,适于神经网络的 VL SI实现     

基于最优神经网络的电路测试方法研究

在数字电路最优神经网络模型的基础上,研究基于该模型的电路测试生成方法.首先获得了多输入基本门电路的最优神经网络能量函数的一般表达式,然后对这种测试方法的原理、实现步骤、以及加速测试的措施等进行了详细研究.结果表明以最优神经网络模型为基础的电路测试方法在测试生成的速度方面快于其它类似方法,如基于Hopfield神经网络的电路测试生成,具有较好的应用潜力.