基于循环神经网络的车载DR状态估计

由于噪声的不确定性和自身的非线性特征,通过航位推算系统(DR)精确地估计车辆的状态是实际车辆组合导航中最困难的部分。提出了一种基于循环神经网络的方法,和传统的扩展卡尔曼滤波(EKF)方法相比,该方法不仅提高了系统定位的准确性和自适应抗干扰能力;而且不需要模型的具体解析形式,避免了复杂的 Jacobian 矩阵的计算,算法更简单,也更加易于实现。为了检验其有效性,将两种方法分别对车辆 DR 导航系统进行滤波仿真,仿真结果进一步表明该神经网络方法明显优于 EKF 方法,是车载 DR 导航中一种更理想的非线性滤波方法。     

基于模糊神经网络的实时路段行程时间估计

基于对我国城市交通流的物性分析 ,提出了一种基于模糊神经网络的实时路段行程时间估计模型 ,用于将来自于交通控制中心的实时交通数据转换成为能够反映路段实时运行状况的直观参数 :路段行程时间 ,从而为交通流诱导服务 .这种方法用具有更高智能的神经网络实现了对抽象模糊规则的自动纠错的记忆 ,符合人类认识的模式 ,能令人满意地表达经验知识 ,而且模糊输入输出关系具有了明确的表达能力 .     

基于RBF 神经网络的调制识别

针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。仿真实验的结果证明了此方法的有效性和可行性。     

基于RBF神经网络与Markov组合的飞行风险预测研究

为了更加准确地对飞机飞行安全性做出评估,在径向基(radial basis function,RBF)神经网络的基础上,通过引入马尔可夫链的方式进行误差修正,建立了一种拟合程度高且无需反复调整权值的新型评估模型.并以国内某航空公司A320机型近20年来发生的飞行机械故障为基础数据对模型进行训练、拟合、修正.将修正结果与单一RBF神经网络评估方法相比较,分析二者差异后得出误差降低的结论.为管控飞机飞行风险提供了方法拓展.     

基于RBF神经网络的认知无线电认知引擎设计

认知无线电(CR)是一种智能无线通信系统,它能根据环境变化、业务需求动态调整参数,提高系统性能,其核心技术是认知引擎的设计。认知引擎可引入人工智能领域的推理与学习方法来实现CR的感知、自适应与学习能力。为适应变化的无线环境和用户需求,提出基于径向基神经网络(RBF)的CR认知引擎设计方法,该法通过对经验知识和环境的学习,重配置通信参数,以达到资源合理分配,提高系统性能。该引擎由两层RBF神经网络组成,外层神经网络学习全局属性,内层神经网络学习局部属性,以解决路由协议及局部参数的学习配置。在训练RBF神经网络学习模型后,根据定义的两个测试基准函数,评估模型性能,仿真验证了该学习模型的有效性,且能够有效实现CR学习重构。     

基于神经网络的伺服系统控制研究

采用神经网络方法设计伺服系统逆动态控制器。判定了一类非线性伺服系统的可逆性。设计开环和闭环网络权值训练方案,使用Ａｌｏｐｅｘ随机学习算法在线训练对象逆动态模型。进行了基于反馈误差学习方法的伺服系统实时控制器设计,仿真结果表明神经网络方法辨识和控制伺服系统的有效性。     

人脸识别:一种基于特征融合及神经网络的方法

基于特征融合和神经网络构建了一个完整的人脸识别系统。首先使用广义K-L变换对人脸的自组织特征和形状特征进行融合；然后使用UDT(Uncorrelated Discriminant Transfom)对融合后的特征进行变换，以获得最优鉴别矢量；最后使用多层感知器作为分类器。仿真结果证明了该方法的有效性。     

基于神经网络的建筑行业投标报价研究

在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价之间的关系是一个棘手的问题．论文针对这两大难题提出了基于神经网络技术的解决方法．首先根据贡献变量分析理论确定出影响报价结果的9个报价因素，从而建立起基于神经网络的报价模型，然后在所确定模型的基础上改进传统的BP算法，进一步提高网络的泛化能力．从实际应用的结果可以看出，经过变量选择后所确定的报价因素是合理的，改进学习算法后的网络的泛化能力也有了很大的提高．     

基于神经网络的机器人阻抗控制研究

基于神经网络非线性补偿器原理,本文提出了一种机器人新型顺应控制方案,外力信号通过一个二阶阻抗模型来修正期望输入,神经网络非线性补偿器用于补偿机器人有界干扰和未建模动态,提出了机器人模型学习方案,仿真结果证明了学习过程的有效性以及顺应控制的渐近稳定性。     

基于神经网络和散射中心模型的目标参数提取

从雷达回波中获取目标几何参数信息往往存在高计算成本、非线性等困难。该文基于卷积神经网络和前馈神经网络, 提出了一种依据散射中心时频像特征的目标类型自动识别和目标几何参数自动提取方法。由于构建一个神经网络需要大量的训练数据样本, 而扩展目标的散射场计算又非常耗时, 利用基于已知目标已建立的散射中心模型, 快速生成大样本训练数据, 有效解决了训练样本难以获得的问题。以弹头类目标为例给出了数值实验结果, 证实了所提方法的有效性。     

多分辨正交多小波网络的结构与算法研究

小波网络是函数逼近的有力工具。利用多小波函数和多尺度函数的互补性,构造了一种具有分层、多分辨和局部学习特点的正交多小波神经网络。分析了该网络用于函数逼近时的性质,讨论了其结构并在此基础上给出了调整网络权系数的算法。理论分析和GHM多小波网络及db2单小波网络对几种非线性函数的仿真结果都表明,当函数具有一定的光滑性时,正交多小波神经网络的逼近性能优于正交单小波神经网络。     

基于神经网络数据融合的目标识别方法研究

综合应用图像识别、神经网络和数据融合技术是多传感器ATR系统的一个重要研究方向。设计了一种基于BP网络和多传感器数据融合的图像识别系统。从信息论的观点出发 ,在理论上探讨了BP网络数据融合用于图像目标识别 /分类的机理。以此理论对实验结果的合理解释证明了该理论的正确性。理论分析和实验结果都证明了神经网络数据融合用于图像目标识别 /分类的有效性和可行性     

基于BP神经网络的人脸识别

将BP神经网络用于人脸识别 ,建立了人脸识别模型 ,研究了样本采样训练、样本批量训练和样本完整训练三种训练策略对识别率的影响。所设计的识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程。利用ORL人脸图像数据库进行了仿真实验 ,结果表明 ,其识别模型在实际应用中是可行的。该模型简单 ,识别率较高。如将训练策略配合使用 ,则在提高训练速度和训练效率的同时 ,也使模型分类性能有了明显提高     

采用神经网络同步器对混沌信号分类的研究

提出了一种用神经网络同步器对混沌吸引子进行分类的方法。该方法对每一类混沌吸引子都训练一个相应的神经网络同步器 ,采用同步测量法实现驱动与被驱动网络的渐近同步 ,所以这种测试方法与系统内部状态的初始值无关。最后通过对Lorenz和R ssler混沌吸引子进行分类证实了所提分类方案的可行性。     

神经网络学习算法的研究

本文论述了神经网络学习算法的研究现状和存在的问题,并根据状态空间混合法,推出了一种自适应调整学习步长的公式。     

基于神经网络的非线性离散动态系统DISOPE算法

提出了基于神经网络的非线性离散动态系统优化与参数估计集成算法。先用动态神经网络辩识系统得出一个近似模型,在存在模型实际差异的情况下,从神经网络模型出发通过迭代运算得到实际非线性离散动态系统的真实最优解,系统优化采用Ｈｏｐｆｉｅｌｄ 神经网络算法,求解速度快。仿真结果表明了算法的有效性和实用性。     

基于神经网络的恒虚警处理

本文首先回顾了神经网络的Ｂ—Ｐ算法。根据Ｂ—Ｐ网络的非线性映射特性和恒虚警（ＣＦＡＲ）处理的实质，分析了基于Ｂ—Ｐ网络的恒虚警处理的原理和方法。     

基于神经网络数据融合的目标跟踪简化算法

分析了基于神经网络数据融合的目标跟踪算法 ,指出了传统的融合算法计算量大 ,神经网络目标向量不易选取等缺点 ,并提出了一种简化的算法。应用理论分析和蒙特卡洛仿真方法 ,对标准卡尔曼滤波算法和简化的滤波算法进行了比较 ,并给出了均方根误差的统计值。该简化算法原理简单 ,数据处理量小 ,速度快 ,误差小 ,特别适用于多传感器的处理 ,将融合结果反馈给单传感器 ,可提高各单传感器的跟踪精度     

基于BP神经网络与小波的控制研究

本文利用ＢＰ神经网络对被控对象进行在线辨识以及利用ＢＰ神经网络与小波对被控对象进行控制，通过某电厂过热器汽温为对象仿真验证此方法比一般ＢＰ神经网络效果好