基于能量特征的小波概率神经网络损伤识别方法

以小波能量特征向量作为概率神经网络(PNN)的输入向量集,提出了小波概率神经网络(WPNN)的损伤识别方法．为了验证该方法的有效性,对钢框架进行了损伤识别研究,并考虑了随机噪声的影响．识别结果表明：WPNN抗噪声能力强,识别精度高,在结构损伤识别与在线检测方面具有潜力。     

基于PCA的概率神经网络结构优化

为了改善概率神经网络(PNN)在训练样本数量较大冗余度较高时存在的结构复杂的问题,提出一种基于主成分分析(PCA)的结构优化方法.以概率乘法公式为理论依据,根据训练样本的PCA结果对PNN进行结构优化,并引入学习算法减小PNN的参数不确定性.实验结果表明: 在训练样本数量较大冗余度较高的情况下,优化后的PNN能够使用比传统PNN更简单的网络结构达到相近的结果.     

基于DEA-PNN的中国上市房地产企业效率研究

文章运用传统的数据包络分析方法(DEA)对上市房地产企业的效率进行评定,引入相应的分类指标对DEA在不变规模收益下求得的效率值进行分类,然后使用概率神经网络(PNN)和传统的多重判别分析方法(MDA)对分类效果进行模式识别,并比较了两种方法的识别精确度,研究发现:(1)PNN的预测精度要优于传统的判别分析方法;(2)通过DEA的求解结果可以得出所有上市房地产企业的标杆企业;(3)当前上市房地产企业的总体效率值偏低,有巨大的提升空间。     

随机共振结合RobustICA的两阶段结构损伤定位方法

为实现强噪声背景低信噪比环境下的结构损伤识别,提出一种基于非线性随机共振降噪与鲁棒性独立分量分析(RobustICA)的两阶段损伤定位方法.第一阶段,运用非线性随机共振系统对强噪声低信噪比的测量响应进行预处理,以降低背景噪声的干扰并增强结构响应;第二阶段,结合RobustICA提取包含损伤信息的特征分量对结构响应异常进行识别,之后计算归一化的源分布向量(NSDV)的最大值对结构损伤异常进行定位.框架数值算例结果表明,所提出的算法能够较精确实现信噪比为5dB下的结构损伤异常识别与定位.     

一种基于概率神经网络多信息融合的移动目标跟踪算法

采用概率神经网络(PNN)实现了对图像序列中移动目标——人头的跟踪.由于采用单一特征信息的跟踪算法在复杂环境中往往失效,故以头部的颜色信息模板和头部轮廓的梯度信息模板作为跟踪依据,并通过改变PNN的结构实现了图像信息的融合以及自适应模板修正.实验结果表明,基于PNN的算法在处理目标的旋转和遮挡时有着良好的效果,且具有简单、跟踪鲁棒性好等特点.     

基于遗传算法的多传感器自适应噪声抵消器

讨论了同一噪声源多传感信号的自适应噪声抵消器的设计方法·针对同一信号源的多传感信号,采用快速遗传算法获取多路信息融合器(LC)的权系数及自适应噪声抵消器的系数,克服了基于梯度的搜索算法和随机搜索等算法获取最优滤波器参数难的问题·利用遗传算法自适应调整LC的权系数,克服了采用并行噪声抵消器的输出平均作为估计信号时,可能造成估计误差太大的缺陷·仿真结果表明,该自适应噪声抵消器的设计方法,不仅实现简单、运行时间短,而且充分利用了多传感信号的信息,其去噪效果良好·     

方程U_t=(1/2)△u+b(x)·▽u+g(x)的Cauchy问题的概率数值解法

本文就方程u_1=1/2△u+b(x)·∨u+g(x)的cauchy问题,通过布朗运动的模拟及Monte-carlo方法的运用给出了其概率数值解,并在依概率意义下证明了概率数值解收敛到其概率解。     

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．     

预应力混凝土梁损伤识别的神经网络方法研究

文章通过有限元分析阐明了固有频率变化率和模态置信度在损伤识别研究中的重要意义,提出了以其为损伤指标的反向传播(backpropagation,BP)神经网络和概率神经网络(probabilistic neural network,PNN)的损伤状态识别方法。为验证所提方法的实用性,对11根多级损伤状态的真实预应力混凝土梁进行识别,并与基于固有频率变化率和模态置信度的普通理论方法进行比较。研究表明,普通理论方法实用性较差,很难有效识别各梁损伤状态;而BP神经网络和PNN识别方法均能有效应用于实际中,且具有很高的损伤识别精度,为结构损伤识别方法研究提供了新思路。     

基于分布式结构的判决反馈数据融合算法

提出了一种新的分布式结构下的故障检测算法·在该算法中,不仅用于故障检测的多传感器数据被传送到数据融合中心,而且上一时刻的判决输出也反馈到融合中心·从理论上分析了应用此算法时全局判决概率的动态收敛性能,并证明了在平稳环境中,融合中心DFC(datafusioncenter)的判决以概率1收敛·该算法处理动态问题优于传统的无反馈的融合算法·     

运用概率神经网络对混凝土拱坝进行损伤位置的识别

大型水利工程的灾难性事故多由大坝的微小裂缝发展而成,在运行期间对混凝土坝的裂缝进行监测十分重要.提出了基于振动测试数据用概率神经网络对混凝土拱坝进行损伤检测,并针对一混凝土拱坝进行损伤识别的数值模拟分析,结果表明基于振动测试数据利用概率神经网络识别混凝土拱坝的损伤位置是可行的.     

自适应滤波器消除语音信号中混合噪声

语音信号在实际采集和传输的过程中,往往掺杂着多种噪声干扰,比较常见的是正弦窄带干扰和高斯白噪声,而一个简单的自适应滤波器往往很难同时滤除多种噪声。为了抑制混合噪声而得到真实的语音信号,在最小均方误差(LMS)自适应算法和自适应噪声抵消原理的基础上,提出了一种两级自适应滤波器方案,第Ⅰ级在传统噪声抵消系统中加入延迟单元消除正弦窄带干扰,第Ⅱ级用LMS自适应噪声抵消器消除高斯白噪声,同时,利用Simulink模块库对所设计的两级自适应滤波器进行了建模仿真。仿真结果表明:该方案滤波器可以有效地滤除包含正弦窄带干扰和高斯白噪声的混合噪声,达到提高语音质量的目的。     

基于序列图像的高密度脉冲噪声去除新方法

针对受脉冲噪声污染大(大于50%)的图像,提出运用多幅序列图像的点对点噪声检测算法.首先利用MMEM算法判断噪声点与非噪声点,再把非噪声点拷贝到输出图像,通过实验得出了噪声密度与所需要图像幅数之间的关系.通过噪声密度判别公式的引入,实现对噪声图像的自适应处理,实验显示该方法优于传统滤波算法.     

基于粒子群算法的自适应滤波器研究及应用

针对神经网络自适应滤波器易于陷入局部极小的缺陷,采用抑制局部最优的粒子群算法优化神经网络的权系数,设计了基于改进粒子群算法训练的三层神经网络的自适应滤波器,并将其应用于自适应噪声抵消器.仿真表明,该系统与传统自适应噪声抵消系统相比具有很好的噪声抵消能力,信噪比大大提高.     

基于概率神经网络的中草药活性组分利尿性的QSAR研究

利用线性判别分析和概率神经网络,建立了预测中草药有效成分利尿性与其分子结构参数之间的QSAR模型.概率神经网络分类结果好,训练集、交互检验集和测试集的分类正确率均可达到100%.本文所用的概率神经网络结构简单、易于调试,研究工作进一步明确了分子利尿性与其结构参数之间的关系,有助于利尿药物的选择与合成.     

基于远场声阵列技术的摩托车噪声源特性分析

利用基于波束成形的远场声阵列噪声源分析技术研究了摩托车辐射噪声的声源特性.利用加速噪声测量得到的结果,确定了最大噪声级所对应的发动机转速.在此条件下,研究了摩托车整车左右两侧噪声源辐射的频率特性和能量分布特性,并利用声学重建技术构建了具有最大声压级频率分布特性的全场声压分布特性.通过与光学图像的自动重叠,获得了摩托车整车最大噪声源的频率和空间位置及产生来源,由此确定了合理降噪技术路线.试验结果表明,声阵列技术能够快速有效地进行噪声源诊断和声源空间定位.     

一种新的基于脉冲噪声点检测的自适应中值滤波算法

传统的中值滤波算法在去除脉冲噪声时会造成图像细节信息的丢失,从而使图像变得模糊,提出一种新的基于脉冲噪声点检测的自适应中值滤波算法.该算法先检测出脉冲噪声点,采用自适应窗口对噪声点进行中值滤波.仿真实验表明,与传统中值滤波相比,这种新算法很好地保留了图像的细节,提高了峰值信噪比.     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

一种改进的小波域自适应图像水印算法

分析传统小波域自适应水印算法鲁棒性不够理想的原因,提出改进的小波域自适应图像水印算法.利用噪声可见性函数局部分析能力强的特点,在小波分解后的子带中查找容噪能力强的位置嵌入水印,并结合小波域视觉可见误差门限JND值实现水印强度的自适应嵌入.实验结果表明,改进后的算法不但保留了视觉效果好的特点,而且在水印的鲁棒性上得到大幅度的提高.