线性化逐层优化MLP训练算法

提出了线性化逐层优化ＭＬＰ训练算法（ＬＯＬＬ）．ＬＯＬＬ采用循环方式逐层对ＭＬＰ的连接权值进行训练．训练连接权值时用一阶泰勒级数表示神经元的非线性激活函数以实现神经网络的线性化,使ＭＬＰ的训练问题转化为一个线性问题．同时,为保证神经网络线性化条件不被破坏,ＬＯＬＬ通过在神经网络的误差函数中计入部分线性化误差限制参数的改变幅度,对神经网络的误差函数进行了修正．实验结果显示,ＬＯＬＬ训练算法的速度比传统的ＢＰ算法快４倍,用它构成的语音信号非线性预测器有较好的预测性能．     

基于动态小波神经网络的语音信号非线性预测器

提出一种带反馈单元的动态小波神经网络(DWNN)并将其用作语音信号的非线性预测器，分析了DWNN的函数学习能力和对高维函数学习的优越性。由于反馈单元的内部记忆能力，DWNN具有对长时相关的预测能力并能在一定程度上克服小波神经网络的“维数灾难”现象。在对语音信号的预测中，动态小波神经网络预测器的预测性能很好，虽然其预测阶数很低(仅为3)，试验结果表明：DWNN预测器较RNN，RBF更适合于语音信号的非线性预测，而且其计算复杂度相对较低。     

语音信号非线性特征的数值表示

分析了语音信号的非线性特征，用傅里叶谱、吸引子、分维数、李亚普诺夫指数等非线性动力学行为的数值特征表征了语音信号的非线性特征。采用时延语音序列重构语音吸引子，用计盒分维数计算语音波形的分维数。实验结果显示语音波形具有分形特征，语音中存在混沌。     

基于神经网络的语音识别研究

由于具有良好的抽象分类特性,神经网络现已应用于语音识别系统的研究和开发,并成为解决识别相关问题的有效工具.为解决一般语音识别系统准确率较低的问题,本文分别给出了由循环神经网络(RNN)和多层感知器(MLP)组成识别模块的两种语音识别系统,并对二者识别的准确性进行了比较.介绍了特征提取模块的主要工作步骤并讨论了组成识别模块的上述两种神经网络结构.其中,特征提取模块利用线性预测编码(LPC)倒谱编码器,把输入语音翻译成LPC倒谱空间中的曲线;而识别模块完成对某个特征空间曲线之间的联系和单词的识别.实验结果表明,MLP方法准确率高于RNN方法,而RNN方法准确率可达85%.     

基于RNN的非线性预测语音编码

利用递归神经网络(RNN)的内部记忆特性，改善了非线性预测过程中对语音长时相关性的预测能力。实验表明：本文提出的基于RNN非线性预测的ADPCM语音编码算法，其恢复的语音质量优于ITU G．721建议的ADPCM算法。     

基于神经网络调制信号识别技术的发展

信号调制样式的自动识别是软件无线电必备的功能之一,基于人工神经网络的识别方法因其较其他方法具有更好的性能受到广泛关注。分析了基于神经网络调制信号识别技术的基本原理,将目前研究的调制信号识别分为基于多层感知器神经网络的调制信号识别和基于径向基函数神经网络的调制信号识别,提出了神经网络调制信号识别技术进一步的研究方向。     

语音基音检测的多分辨率分析法

介绍了一种语音基音检测的多分辨率分析法。它将语音在不同的分辨率下判决出基音,然后相互比较得出正确的基音。还比较了它与两种传统方法的性能。实验结果说明,多分辨率分析法具有精度高、抗干扰能力强的特点。     

基于非线性动力学和GA-MLPNN的ECoG信号分类

为了对脑-计算机接口(BCI)中不同思维任务下的皮层脑电(ECoG)信号进行分类,提出了基于遗传算法(GA)和多层感知器神经网络(MLPNN)的混合方法.用GA方法优化ECoG通道选择,使得选择通道数最小而分类性能最大.使用误差反馈传播(EBP)算法作为MLPNN的学习机制.实验表明,用排列熵(PE)和Hurst指数刻画ECoG的非线性动力学特征具有较好的计算性能和区分能力,故选择这两个特征量进行通道选择和分类处理.分析结果显示,通过使用选择的15个通道进行分析所得的平均分类率为87%,而使用全部的64个通道的结果仅为79%.     

一种基于非线性独立元分析(NICA)的化工过程监控方法

针对实际工业过程数据中的非线性问题,研究了一种基于非线性独立元分析的多变量过程监控方法。该方法根据贝叶斯原理,构造多层感知器网络恢复过程数据,并以此建立过程的数学统计模型,对其进行实时监控。在大型工业设备仿真器TE上的应用表明了该方法的有效性,同时,在故障诊断方面也体现出了一定的优越性。     

基于误差反传算法的时间序列非线性预测方法

讨论了基于误差反向传播算法的时间序列非线性预测方法，给出了用该方法预测的时间序列程序框图并对太阳黑子预测问题进行了计算机仿真。仿真结果表明该非线性预测方法有较好的预测效果．     

基于线性预测的自适应语音增强技术

提出了一种基于线性预测的自适应语音增强方法。该方法利用带噪语音的线性预测作为自适应滤波器的参考输入，使有色噪声的相关性隐含于参考输入之中，从而大大地提高了语音的信噪比。仿真实验证明．被环境噪声污染了的语音信号经自适应系统处理后，其信噪比提高了32．70dB。     

基于图多层感知机的节点分类算法

多数图神经网络(Graph Neural Networks, GNN)通过设计复杂的节点信息传递和聚合方式,以提升节点分类等图分析任务的实验表现,而本文提出了一种无需信息传递和聚合的图多层感知机(Multi-Layer Perceptron, MLP)模型A&T-MLP,利用属性和拓扑信息引导的对比损失来增强模型表征能力。A&T-MLP首先使用属性矩阵和邻接矩阵计算节点间的属性和拓扑相似度;然后使用基于相似度信息引导的对比损失,增大特征空间中相似节点的一致性和不相似节点的差异性;最后构建多层感知机模型并引入交叉熵损失进行端到端训练。在节点分类任务中,A&T-MLP表现优于基线模型,Wikipedia数据集上的Micro-F1和Macro-F1相较GNN模型图卷积网络(Graph Convolutional Network, GCN)提升了15.86%和13.64%。实验结果表明,A&T-MLP能够通过对比损失保留丰富原始图的信息,提升模型性能。此外,A&T-MLP在处理拓扑信息不准确的图数据时具有较为明显的优势,即使在缺失80%拓扑信息的极端情况...     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．     

一种应用神经网络的实时语音增强方法

提出了一种用神经网络模型和信号子空间特征分解相结合进行语音增强的方法,该方法利用了神经网络并行处理、高速计算的能力和语音信号的短时平稳的特性．它既克服了传统的谱相减法中残留“音乐噪声”的缺陷,又可以实时、有效地增强语音,能够满足一些语音处理与识别系统的需要．     

基于神经网络的具有Smith预估器的PID控制

利用神经网络对具有纯滞后的被控对象建立了具有Ｓｍｉｔｈ预估器的ＰＩＤ控制系统。仿真表明，这种控制结构对具有不确定性和纯滞后的复杂系统，有良好的控制结果。     

混合蛙跳算法神经网络及其在语音情感识别中的应用

该文将混合蛙跳算法(SELA)优化方法应用于人工神经网络训练中,对6种语音情感进行了语音情感特征的分析与识别。研究了谐波噪声比特征随情感类别的变化特性。利用混合蛙跳算法训练随机产生的初始数据优化神经网络的连接权值,快速实现了网络收敛。实验比较了BP神经网络、RBF神经网络和SFLA神经网络的语音情感识别性能。结果表明,SFLA神经网络的平均识别率分别高于BP神经网络和RBF神经网络4.7%和4.3%。     

基于混沌神经网络的语音识别方法

基于语音信号的时变特性,研究了神经网络语音识别的方法．把混沌特性引入到神经元,构造了一种新的多层混沌神经网络结构,同时推导了相应的学习算法．把这种混沌神经网络用于语音识别,并与常用的神经网络语音识别方法作了比较．实验结果表明,混沌神经网络方法的平均识别率要高于同等条件下常用神经网络方法的识别率．