交通噪声预测的神经网络模型

运用 Matlab语言编程 ,构造预测交通噪声的 LM算法 BP神经网络模型 ,把预测因子 (轻、重型车流量、平均车速、受声点距路肩距离、敏感点高差 )作为样本输入到网络模型 ,噪声等效声级作为样本输出 ,反复训练网络 ,通过增加隐含层节点数、改进算法 ,以降低误差 ,缩短训练时间。     

基于相关分析的金属板声发射源定位方法研究

通过试验研究声发射信号在金属板中传播的特性,对试验中的模拟声发射源进行定位分析．通过对一钢板进行模拟声发射试验,获取了40组声发射试验数据,对采集信号的波形进行互相关分析,对声发射信号源进行定位计算．通过对各组试验数据进行分析,比较实际测得的声发射源位置和通过计算所得到的声发射源的位置,结果表明采用相关分析法对声发射源进行定位是可行的．     

一种基于模糊VSM和神经网络的文本分类方法

针对文本自动分类时可能存在一个文本属于多类的问题,提出了一种基于模糊向量空间模型和神经网络的文本自动分类方法。该方法采用模糊集理论,把特征项在文档中出现的位置作为反映文档主题的重要程度（隶属度）,并在特征提取时充分考虑该位置信息,从而构造出模糊特征向量,使文本分类更接近手工分类方法。建立的网络由输入层、隐含层和输出层组成,其中输入层完成分类样本的输入,隐含层提取输入样本所隐含的模式特征,输出层用于输出分类结果。实验部分以万方数据库中部分文档数据为例验证了该方法的有效性。     

基于声发射与小波包理论的压力管道泄漏检测

采用声发射技术与小波包理论相结合的方法对管道泄漏点实现了精确定位．首先，对2个声发射传感器采集的数据信号运用小波包分解并重构得到不同频段数据．然后，对2个传感器分解信号的同一频段做互相关分析，比较并选取相关系数最大值对应的时间代入定位公式就得到了泄漏点的位置．通过数字仿真对比表明，该方法优于直接相关定位法，具有较强的抗噪声能力，提高了信噪比．实际测试结果表明，该方法具有高于94％的定位精度，可以用于实验压力管道泄漏的检测与在线监测中。     

基于去噪自编码器的镜像极限学习机设计

针对极限学习机在高维度、含噪声数据集中需要大量隐含层节点来保证分类性能的问题，设计了镜像极限学习机.该算法使用伪逆法确定输入权值，随机生成输出权值和偏置，在对数据进行分类时，它仅需极少的隐含层节点.为了提升镜像极限学习机的分类性能和抗噪性，将它与去噪自编码器相结合.利用去噪自编码器对输入数据进行特征提取，并将提取到的特征作为镜像极限学习机的输入数据，再进行网络训练.在无噪和含噪声的MNIST，Fashion MNIST，Rectangles和Convex数据集中，将基于去噪自编码器的镜像极限学习机与ELM，PCA-ELM，SAA-2和DAE-ELM作对比实验，结果表明，基于去噪自编码器的镜像极限学习机的综合性能最优，用于分类的网络隐含层节点数最少.     

分组网络环境下的实时语音质量客观评价

提出了一种利用前馈随机神经网络在分组网络中进行实时语音质量评价的新方法．从接收到的语音分组中提取美尔频率倒谱系数向量，利用实时传输控制协议计算语音分组传输过程中的丢包率、延迟和抖动，构成网络传输参数向量．将随机神经元组织成具有1个输入层、1个隐含层和1个输出层的3层前馈网络结构，再以上述2种向量作为输入的多类别信号，以相应的主观平均意见（MOS）评分值作为输出对网络进行训练，从而获得稳定的权值矩阵．利用训练过的网络进行多类别信号的语音质量评分映射，并将映射结果与MOS进行二次多项式拟合，得到最终的语音质量评分值．实验表明，所提算法与主观评价之间的平均相关度可达到0．881．     

用学习和搜索方法从神经元网络中抽取知识

针对训练好的神经元网络进行解释这一难以解决的问题，提出了一种从神经元网络中抽取规则的新的抽取方法——二阶段法，从隐含层到输出层，利用学习方法从整个隐含激励空间中抽取出有效区域，形成规则；从输入层到隐含层，利用搜索方法，通过分析其间的权值关系抽取出规则，使得所有被这些规则覆盖的实例所产生的隐含激励向量均位于上述有效区域内。实验证明了此方法产生的规则比Ｃ４．５产生的规则的抗干扰力强，同时其可信度比传统的基于搜索的抽取方法——ＫＴ算法要高。     

RBFN神经网络和蚁群算法在企业知识聚类中的对比分析

文中设计了一个3层径向基神经网络（RBFN）用于对企业的5项评价指标进行聚类分析，并与蚁群算法做了比较分析。RBFN由输入层到隐含层采用传统的K-均值算法，隐含层到输出层通过“模2递减”学习速率的BP学习；蚁群算法根据信息素的分配能够自动调整收索路径，从而达到数据自动聚类的目的。结果表明，与蚁群算法相比，改进RBFN具有快速收敛、自动识别奇异样本的优点，而蚁群算法无须教师学习，并能够达到全局最优。     

语音识别的神经网络方法研究

用前馈多层神经网络方法研究了计算机对于不同语音输入者的识别能力。输入层为语音的平均频率、均方频率、频率宽度、平均振幅、均方振幅、振幅宽度；输出层为识别输入者；隐含层的节点数为8，最后预测结果成功率为82．5％．这为研究人与机器的语音识别提供一种方法。     

混凝土结构损伤声发射分析方法研究进展

基于声发射技术在混凝土损伤检测中广阔应用前景，对国内外混凝土损伤的声发射分析方法的研究进行了分析。混凝土损伤的声发射分析方法梳理工作主要围绕混凝土损伤声发射信号特征参数分析、声发射信号波形分析、基于声发射技术的混凝土损伤定位分析和火灾下混凝土结构损伤声发射技术应用4个方面来展开，介绍了多种声发射分析方法的研究现状，并对其技术特点和适用范围进行了总结。     

基于BP神经网络的电解加工精度预测模型

为精确地预测电解加工精度,采用了BP神经网络的方法进行建模．在分析影响加工精度主要因素的基础上,确定了BP神经网络模型的特征参数,并根据实际情况,确定了输入层和中间隐层的维数,从而确定了模型的结构．用试验参数对模型结构进行训练,最终建立了一个用于电解加工精度预测的BP神经网络模型．利用该模型进行的精度预测结果表明,该模型的预测误差可以控制在10％以内,具有很高的精度预测能力．     

基于神经网络的过程软测量

以神经网络实现对某厂萃取精馏塔产品成分的实时估计，神经网络选用多层前馈网络，具有６个输入结点、１个输出结点、单隐层结构、１０个隐结点。所点数据全部取自生产现场，共取１８组样本数据，其中１５组用于网络的学习，３组用于网络的检验，结构分析表明，年建立的社会网络可以所映实际对象。     

Sigmoid传输函数与三层前馈神经网络的映射能力

对于具有n个隐含单元的三层前馈神经网络,证明了隐含层的Sigmoid传输函数可以把输入层数据的维数提升到n维,这意味着有n个隐神经元的前馈三层神经网络具有把低维空间映射到高维空间的能力。     

基于元素注意门控复用的锂离子电池荷电状态估计

为了提高荷电状态(state-of-charge,SOC)估计精度,提出一种基于元素注意门的电池荷电状态递归神经网络,为输入向量的每个特征元素分配不同的重要程度,验证并分析不同神经元数量和隐藏层层数下的测试结果,利用确定的最优参数设置进行不同温度下的电池SOC估算,在不同电池特征参数下对SOC估计任务的重要性进行可视化分析。相同数据集的SOC估计精度表明,提出的网络模型在SOC估计任务中精度有明显提升。     

基于BP神经网络特定学习的单级倒立摆控制方法

利用BP神经网络的特定学习算法，以单级倒立摆为控制对象设计一个四输入／单输出、包含5个隐层单元的3层BP神经网络控制器，提出一种新的单级倒立摆控制方法，然后通过Matlab6．5数值计算软件对这种新的单级倒立摆控制方法进行仿真．仿真结果表明，该方法具有较好的收敛性，是一种有效的控制方法．     

Gabor原子网络法在雷达目标高分辨距离像识别中的应用

针对飞机目标的分类问题 ,介绍了一种称为 Gabor原子网络的高分辨雷达目标距离像识别算法。 Gabor原子网络的输入层采用 Gabor原子变换作为预处理单元 ,完成对特征的提取。Gabor原子网络的隐层和输出层组成一个多层前馈网络 ,采用改进的反向传播算法对权值进行调整。文中同时给出了网络在训练过程中自动调整 Gabor原子节点的特征参数的算法。对 3种缩比模型飞机的微波暗室转台数据进行了分类 ,结果表明三维空间内的 Gabor原子网络方法比一维空间内的原始距离像或 Fourier幅度方法和二维空间内的 Gabor变换或小波变换方法更适合高分辨雷达目标距离像的识别     

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。     

基于神经网络的光伏电站气象-功率模型

基于双层前馈神经网络建立光伏电站输出功率与辐照等气象因素间的非机理模型。建立光伏电站输出功率与气象因素的神经网络模型;对功率模型的输入特征进行选择,分析不同气象因素的组合作为输入变量对模型准确度的影响,明确功率模型的输入变量;分析该模型网络的训练算法、隐含层神经元个数及训练次数对模型准确度的影响,据此确定功率模型的最优结构与参数;基于光伏电站的实际数据对功率模型进行验证。结果表明,基于双层前馈神经网络的光伏电站气象-功率模型具有较高的准确度。     

基于LM算法的相关模糊神经网络及其应用

针对输入变量相关性较高的非线性建模模型,经典模糊神经网络算法存在收敛速度缓慢、模糊规则数大、陷入局部最小值的问题。提出一种基于LM算法的相关模糊神经网络模型;该模型基于聚类思想,构建多变量高斯模糊隶属度函数,将其表示为不可分离的模糊关系来处理相关变量模型;再采用LM优化算法,通过Hessian矩阵和一阶梯度向量同时调整网络参数;并引入Cholesky定理缩减网络参数个数。应用LM算法的模糊神经网络模型实验结果表明,可以加快收敛速度、减少模糊规则数,比经典的模糊神经网络有更好的预测精度。     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.