一类自适应算法及其应用

在许多优化问题中,寻找最优解并不是唯一目的,更重要的是目标往往是“进步”,算法的优化作用更在于维持一个稳定的改进过程,本文从这一角度出发进行了对传统遗传算法的改进,强化了其渐进收敛和进化能力,并考虑与反向传播学习算法的有机结合以提高训练精度及优化能力,以一类解析型模糊系统的建模过程为例进行的仿真研究表明,新算法更适用于这类优化问题,能够在更短的时间内有效地改善系统性能;同时,具有很强的自适应性,应用简便也是它的主要优点之一。     

基于元模型的模糊Petri网反向传播学习算法

模糊Petri网是知识表达与并行推理的重要工具,但拓扑为非严格分层的结构。为在不增加虚节点的情况下实现模糊Petri网的反向传播学习,提出模糊Petri网元模型的概念,统一四种基本产生式规则对应的模糊Petri网模型。并建立元模型的结论置信度关于条件置信度的连续映射,给出了正向推理算法。为提高收敛速率,先通过基于回溯策略的反向推理算法,计算元模型结论置信度对条件置信度的梯度函数,最后采用Levenberg-Marquardt算法实现权值优化。     

自适应阈值多小波故障暂态信号去噪方法

在介绍多小波基本理论的基础上 ,探讨了基于多小波的信号去噪方法。针对目前多小波去噪方法的不足 ,提出一种基于自适应阈值的多小波去噪方法 ,应用于电力系统输电线故障暂态信号的去噪 ,并与基于传统阈值多小波和小波的去噪效果进行了比较。仿真结果表明 ,该方法可以根据实际信号自适应改变阈值大小 ,在去噪效果上优于传统多小波去噪方法。     

MIMO雷达反向投影成像算法

针对多输入多输出(multiple-input multiple-output, MIMO)雷达的多收发固定阵列结构,在标准反向投影(back projection, BP)成像算法基础上,提出了一种修正BP成像算法。该算法首先对MIMO雷达距离压缩回波数据进行时延曲线校正处理,而后沿方位向直接相干叠加各路回波处理数据,从而无需距离插值即可实现方位聚焦。与标准BP算法相比,修正BP算法大大降低了运算量,同时也克服了现有快速BP算法大都没有考虑距离插值运算的缺陷。MIMO雷达外场实测数据处理表明：与标准BP算法相比,修正BP算法有效节省了运算时间,并保持了雷达成像质量。     

反向误差传播的学习策略

本文探讨多层神经网络、反向误差传播学习过程收敛缓慢的原因,提出了修改后的激励函数(x),变步长策略,输出反馈抑制策略及模式矢量预处理,从而大大加速了学习收敛过程。还给出了计算机模拟的结果。     

基于随机邻域策略和广义反向学习的自适应差分进化算法

全局探索和局部开发能力之间的平衡以及对控制参数的整定是影响差分进化(differential evolution, DE)算法性能的主要因素。针对这两个问题, 提出一种基于随机邻域策略和广义反向学习的自适应DE算法。首先, 在每一代进化过程中, 算法从当前种群为每一个体随机选择相应的邻域, 其中最优个体作为基向量执行变异操作, 邻域中个体数量随进化动态更新。其次, 采用基于历史存档的自适应参数整定方法, 进化进程中根据“精英”信息动态更新算法各参数。最后, 在初始化和每一代进化结束阶段, 执行基于广义反向学习策略的种群初始化和种群“代跳”操作。通过基于27个标准测试函数的3组仿真实验, 验证了所提算法具有寻优精度高、收敛速度快、鲁棒性强的优点。     

引入反向传播机制的概率神经网络模型

既有的概率神经网络模型存在概率函数难以估计和空间复杂度高的缺点,提出引入反向传播机制的改进模型用以弥补以上不足. 改进模型继承了概率神经网络模型的分类原理和结构特征,同时应用了多层感知器神经网络模型的反向传播算法进行函数和参数学习,由此解决了函数估计和空间复杂度高的问题. 通过三组数值实验的验证,结果表明该模型还有着较强入指标重要性的识别能力和较高的分类精度. 该改进模型是一个新的、适用范围较广和准确度较高的模式分类方法,可辅助管理决策,具有实际意义.     

区间小波变换域的新拟牛顿LMS自适应消噪

将小波变换、自适应算法和新拟牛顿算法相结合,得出一种区间离散正交小波变换域新拟牛顿LMS消噪算法。该算法具有较好的环境适应性,有效克服了传统步长因子选取和输入信号自相关函数估计误差对算法收敛速度和稳态误差的影响。计算机仿真结果表明,在新拟牛顿条件下,该算法具有较快的收敛速度和较强的消噪能力,可以很好地应用于自适应消噪系统中。     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

基于对角载入的鲁棒自适应波束形成算法

作为一种梯度自适应波束形成算法,LMS算法因简单有效而得到广泛的应用.但是在存在偏差的情况下,LMS算法的性能较差.针对上述问题,考虑信号方向向量的偏差对LMS算法性能的影响,提出了一种基于对角载入的鲁棒约束LMS算法,并对算法的对角载入因子和收敛性能进行了分析,给出了保证算法收敛的步长取值范围.该算法利用对角载入的特性,可有效的抑制各种偏差所带来的影响,收敛速度快,抗扰动性强,对信号方向向量的偏差具有较强的鲁棒性,从而可以保证阵列输出的信干噪比接近最优值.仿真实验表明,与传统约束LMS算法相比,基于对角载入的鲁棒自适应波束形成算法具有很好的性能.     

A Novel Training Algorithm of Genetic Neural Networks and Its Application to Classification

SOFTWARE,ALGORITHM AND SIMULATION1. INTSODUCTIONWith the development of theoretical research and the demands of practice, the artificial neural network (ANN)has been widely used in mad fields, such as time series prediction, signal processing, pattern recognition andproduction control. By now, among the numerous models of neural networks, MLP is used most widely andhas acquired the greatest achievement. Even so, the BP algorithm, which is used ill training MLP, is a kind o…     

空间非平稳噪声环境下的自适应波束形成

提出了一种基于空间非平稳噪声环境下的自适应波束形成新算法。该算法通过估计噪声协方差矩阵,进行预白化处理,即可采用常规方法实现波束形成,克服了色噪声对波束形成的影响。计算机仿真结果证实了这一算法的有效性。     

采用两类滤波器的有源噪声控制算法

将格型结构滤波器与IIR滤波器级联来实现一种有源噪声控制 (ANC)算法。这种算法在格型结构部分采用梯度自适应格型 (GAL)算法 ,在IIR滤波器部分采用Filtered U算法 ,该算法具有收敛速度快、计算量较小的特点。仿真结果证明算法是有效的。     

一种基于文化粒子群算法的BP网络优化方法

BP网络良好的逼近特性和泛化能力使其在模式识别、智能控制和系统决策等领域有广泛应用。但网络训练过程中存在的收敛速度慢、容易陷入局部极值等局限性限制了进一步应用。提出一种新的智能优化算法-文化粒子群算法来对BP神经网络的权值和阈值同时进行优化。算法设置了群体空间和信念空间两类独立空间,群体空间采用自适应粒子群算法完成进化,信念空间通过更新函数来进行演化。两类空间的交互通过接受操作和影响操作利用同步式传输方式完成。以Iris分类问题的BP网络模型为仿真实例,对算法的正确性和有效性进行验证。仿真结果表明,改进算法具有较快的收敛速度。     

在噪声抵消应用中自适应滤波算法性能的仿真比较

介绍了噪声抵消的原理和从强噪声背景中自适应滤波提取有用信号的方法,并对最小均方(LMS,LeastMeanSquares)、归一化LMS(NLMS,NormalizedLeastMeanSquares)和递推最小二乘(RLS,RecursiveLeastSquares)三种基本自适应算法进行了对比研究。计算机模拟仿真结果表明,这几种算法都能通过有效抑制各种干扰来提高强噪声背景中的信号检测特性。相比之下,RLS算法具有良好的收敛性能,除收敛速度快于LMS算法和NLMS算法以及稳定性强外,而且具有更高的起始收敛速率;更小的权噪声,更大的抑噪能力。     

基于自适应模糊系统的多目标导弹攻击区解算

多目标导弹攻击区的实时解算是机载多目标攻击武器系统得以技术实现的中心环节。定义了“多目标导弹攻击区”的概念 ,分析了其解算要求 ,阐述了自适应模糊系统的结构、性能和学习算法。采用自适应模糊系统拟合多目标导弹攻击区的火控工作式 ,并进行了系统应用设计。仿真结果证明了该算法的可行性。     

量测噪声情况下基于自适应D-S证据推理的滑模控制

在滑模控制中 ,当状态量测传感器存在噪声时 ,控制器不能获得准确的滑模函数信息。面向一类不确定非线性系统 ,根据滑模控制依赖滑模函数符号的特点 ,提出利用基于Dempster Shafer证据推理的多传感器信息融合方法 ,其作用是压缩滑模函数符号的不确定性 ,并基于闭环原理给出了对信息融合结果进行自适应补偿的改进方法。仿真表明了该方法的有效性。     

汽油机动力性的前馈神经网络模型

如何优化汽油机的动力性 ,是研究者致力追求的目标。利用多层前馈神经网络的反向传播算法特性 ,建立了汽油机动力性与点火正时、空燃比、发动机转速、油门开度等之间关系的神经网络模型 ,用以分析、预测、优化汽油机动力性能 ,探讨车用汽油机动力性的科学评价指标     

移动机器人导航中噪声影响的仿真研究

基于行为的移动机器人在获取外界信息时不可避免地会引入噪声,给移动机器人的导航造成一定的影响。首先建立了一个考虑了噪声影响的基于行为的移动机器人的仿真实验系统,然后以机器人导航任务为例,定量研究均匀分布噪声和高斯白噪声对机器人导航效率的影响;同时讨论机器人运动模块间的两种组合方式——加权平均方式和加权最大方式在抑制噪声方面的作用。研究结果表明噪声使移动机器人的导航效率降低,完成导航任务所需的行程时间增加;加权平均方式比加权最大方式在抑制噪声方面效率更高,这对机器人运动模块的抑噪设计有良好的指导作用。     

基于非线性自适应神经网络的柴油机振动信噪分离

根据柴油机振动信号非平稳性的特性 ,应用非线性自适应神经网络的方法对柴油机振动信号进行信噪分离 .应用结果表明 :该方法的效果好于用神经网络方法进行信噪分离的效果.