实时低速率语音压缩编码的算法研究

针对数字化通信网及多媒体应用中低速率数字语音编码问题，以多带激励（ＭＢＥ）声码器为模型，采用了一些新算法去降低编码速率和改善音质。利用动态规划算法对基音周期进行平滑，去除了声码器中常有的音调噪声。利用ＬＰＣ全极点模型谱逼近ＭＢＥ谱包络，并采用共振峰增强技术来补偿模型误差，有效地降低了编码速率。为了能够实时实现这个编码系统，采用了分裂矢量量化，多级矢量量化和前向多层人工神经网络等技术进行优化和改善，使之在２．４ｋｂｉｔ／ｓ，１．２ｋｂｉｔ／ｓ及８００ｂｉｔ／ｓ等速率上实时实现了较高质量的语音压缩编码。     

矢量量化与神经网络FSCL算法的收敛性

非监督的神经网络算法在矢量量化器的最佳设计上具有简单、存贮量 小、适合并行运算等优点，但算法的收敛性仍未得到证明。针对ＦＳＣＬ算法， 证明了当ｎ趋于无穷时，算法收敛于量化器的局部最佳解，并对算法的初始 值、学习速度控制函数ε（ｎ）和训练集的选取作了探讨。     

一种基于小波变换的矢量量化算法

提出了一种基于波变换的矢量量化逄法，算法利用小波变换后各子带间的相关性，合理地构造矢量。采用最优矢量量化器设计原则，给出了小波域的误差竞争学习算法（DCL）。实验表明，这种算法获得的码本优于其它几种算法。     

一种适合VLSI实现的矢量编码算法

提出了一种基于最小绝对值误差测度、适合于ＶＬＳＩ实现的矢量编码算法。这一算法采用了误差测度的和值不等式判据、预排序的码书和最后邻搜索算法，在保证信噪比的情况下，减小码字搜索范围，同时采用二分搜索方法，可以大大降低系统的ＶＬＳＩ实现规模。     

MADALINES人工神经网络及快速学习算法研究

在研究ＭＡＤＡＬＩＮＥＳ人工神经网络中心差梯度学习算法（ＣＤＧ）的基础上，提出了一种加速中心梯度学习算法（ＳＣＤＧ），给出了该算法收敛性的证明，在计算机上模拟实现了ＳＣＤＧ算法且分析了实验结果，理论分析与实验均表明，ＳＣＤＧ算法较之传统的ＣＤＧ算法，收敛速度提高了二个数量级以上。     

BP神经网络的改进及应用

合理的选择网络结构是BP神经网络研究中一个重要问题.对传统的BP网络结构进行了改进,在确定BP网络的隐层节点个数时给出了BP网络结构的自适应算法,使得隐层节点的选取动态实现,增强了BP神经网络的适应能力.并应用改进后的BP网对高校教学工作水平评估体系进行建模,为高校教学管理决策提供了科学依据.     

多目标决策方案评价的神经网络模型研究

针对一类无样本可以学习的新领域,提出了一种基于多目标理想方案的神经网络评价模型和学习方法,这为神经网络的进一步应用开辟了一条新的途径。     

BP模型在降雨径流预报中的应用研究

简要介绍了人工神经网络用于洪水预报的基本原理,对降雨径流预报的网络模型进行了改进。为了避免陷于局部极小值和缩短学习时间,采用了改进的自适应BP算法进行洪水预报,开发了基于BP模型的洪水预报系统,并经过山西省文峪河水库的实测资料进行了预报,取得了令人满意的精度。     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证.     

人工神经网络模型在瓦斯预测中的应用

通过对神经网络的基本原理和学习算法的分析,建立了基于瓦斯涌出量预测的BP网络应用模型,采用Delphi编程语言,预测了瓦斯的涌出量,并结合实例进行了验证。     

基于RBF神经网络的销售预测模型的研究与应用

文章研究一种基于RBF神经网络建立预测模型方法,其主要采用有监督学习的SG(Stochastic gradient)法对RBF神经网络进行训练,并通过遗传算法优化隐层节点的中心值,用优化的中心值再次训练网络,优化网络参数,得到全局最优解。     

基于人工神经网络的施工安全性预警模型研究

在研究施工安全性特征的基础上,提出了施工安全性评价指标体系,结合人工神经网络模型,提出了基于人工神经网络的施工安全性预警模型,最后结合实例验证了该安全预警模型的可行性。     

LBG与SOFM应用于矢量量化的比较研究

在介绍矢量量化以及LBG算法和SOFM算法的基础上,通过实验对比了LBG算法和SOFM算法在应用于图象矢量量化压缩过程时,码书大小、码字大小以及初始码书生成方式等因素对图像压缩性能的影响,得到了相关结论:固定码字矢量维数,码书越大,压缩比越小,重建图像质量越好;固定码书,码字矢量维数越小,编码性能越好;LBG算法对初始码书敏感,而SOFM算法由于所具备的自适应特性对初始码书不敏感。论文最后提供了一些改进思路,为改进传统矢量量化算法及设计新的矢量量化算法以提供了参考。     

噪声信道下最佳矢量量化器的人工神经网络实现方案

噪声信道影响下的矢量量化器设计,实际上是一个信源、信道联合编码(joint soruce/channel encoding)问题。本文提出了一种利用人工神经网络ANN(Artificial Neural Network)技术解决联合编码的组合优化问题的方案,该方案较好地解决了有噪声信道条件下的最佳矢量量化器的设计问题。由于将信道传输特性直接引入到神经网络的构造中,因此,对网络进行训练后,最终得到对噪声信道影响具有一定程度的抑制作用的矢量量化器。我们针对BSC信道对所提方案进行了分析和模拟,结果表明,在量化网络设计中,考虑噪声信道影响的因素,可使训练得到的量化网络的量化特性对噪声信道的影响表现出明显的韧性。     

论向量量化器与自相合随机向量的关系

通过比较向量量化器和自相合随机向量，发现取欧氏距离时，构造局部最优向量量化器问题可转化为求自相合随机向量问题，从而可借助向量量化理论研究主曲线．     

非线性电路故障诊断模型的建立及神经网络求解的方法研究

分析并推导了含有非线性流控型电阻元件和非线性压控型电阻元件组成的非线性电阻网络的故障诊断方程，这是以支路故障标志量为未知的一组线性代数方程。在推导非线性元件的“故障标志量”时，消除由工作点变化引起的电参量的变化，保留由伏-安特性变化引起的电参量变化，它标志非线性元件本身发生了故障；文章还提出一种神经网络，可在线快速求解非线性电阻网络的故障方程的解，从而可在线对故障进行定位。     

BP神经网络的灌芯砌体的本构模型研究

利用反向传播神经网络（BP神经网络）的模拟能力来代替传统的方法,建立灌芯砌体的本构模型,对比模拟结果,并与传统方法进行比较．从模型的预测值和试验值可以看出,训练后的模型具有较高的学习精度和较好的泛化能力,可以保证在结构问题中的应用。     

基于在线学习的单路口信号灯强化学习控制

单路口交通信号灯控制是交叉口线控、面控的基础。文章将强化学习方法中的sarsa算法应用到城市交通信号灯控制领域,解决单路口的动态实时问题,通过仿真环境下的对比,证明该方法具有良好的控制效果。     

基于智能信息处理的计算机发展研究

随着计算机技术的迅速发展,计算机能否在将来控制人类是人们一直所关注的问题．人工智能和人工神经网络是智能科学发展的两个方向,机器人技术是目前取得的阶段性的重大成果．通过分析认为计算机的智能化程度也会越来越高．在可以预见的未来,计算机将在人类的控制之下进行一些更加高级的智能活动．     

基于人工神经网络的大型科学仪器管理绩效评价模型

传统的仪器项目管理缋效评价主要运用单项线性分析的方法,这种方法简便易行,但容易受到人为因素的干扰,也不能反映评价指标间复杂的非线性互相关系.为此,本文采用人工神经网络ANN中的BP网络对大型科学仪器绩效评价问题进行研究,建立了一个综合考虑经济效益、设备利用率、社会效益及使用总结等四大控制指标的仪器管理绩效评价模型.实例分析表明,其评价结果更为全面,更为符合实际情况,从而有助于促进大型科学仪器科学化管理水平的提高.