模糊基函数神经网络在线跟踪自学习算法研究

提出了一种用于分类的模糊基函数（FBF）神经网络在线跟踪自学习算法,通过带有遗忘因子的样本均值和样本协方差矩阵,保存了原始样本所包含的类可能性分布信息,并在此基础上产生新增样本的目标输出用于训练FBF网络,以实现分类边界的在线跟踪;给出了带有遗忘因子的样本均值和样本协方差矩阵的递推算法,以克服传统方法需要保存大量以往训练样本带来的困难。所提出的方法用于旋转机械的故障识别,结果表明是可行的和有效的。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

基于回声状态网络优化的宽间隔混沌跳频码预测

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

基于回声状态网络优化的宽间隔混沌跳频码预测研究

传统宽间隔混沌跳频码预测方法无反馈结构,记忆能力差;且训练过程烦琐,泛化性能差,对预测精度产生不好的影响。为此,提出一种新的基于回声状态网络优化的宽间隔混沌跳频码预测方法。设计回声状态网络,其由输入层、递归层以及输出层三个部分构成。在递归层内部各神经元间引入连接权值稀疏矩阵,使递归层内部存在动态记忆。回声状态网络储备池规模、储备池内部连接权谱半径、储备池稀疏度、储备池输入单元尺度对宽间隔混沌跳频码预测准确性产生不同的影响。通过和声搜索方法对四种储备池参数进行优化,实现回声状态网络的改进。确定优化回声状态网络输入输出数据,建立优化回声状态网络。确定储备池参数,通过训练数据激活储备池,计算回声状态网络输出连接权矩阵,对宽间隔混沌跳频码进行预测。实验结果表明,所提方法预测结果可靠,和其他方法相比有很高的预测精度。     

基于平方根UKF的伪卫星动态跟踪定位算法

为了解决传统Kalman滤波在处理非线性系统时的局限性,以及扩展Kalman滤波（EKF）在处理强非线性系统时发散性和精度较差的问题,结合动态导航系统中的目标跟踪定位问题,在不敏Kalman滤波（UKF）算法的基础上,提出了一种基于平方根UKF的动态跟踪定位算法,在递推运算过程中采用协方差矩阵的平方根代替传统算法计算过程中的协方差矩阵。MATLAB仿真结果表明,平方根UKF算法的精度比EKF提升了54.7%,比UKF提升了14.8%。所提出的算法解决了Kalman处理非线性系统的局限性以及传统EKF和UKF算法精度不高的问题,为伪卫星系统的高精度定位研究提供了有力支撑。     

基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则,提出了基于最小二乘（OLS）递推算法,采用改进的Givens旋转变换技术避免了大型矩阵的QR分解运算。在满足系统测量精度条件下,使用反向优选算法优化RBF网络结构。仿真结果表明,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题,适用于非线性系统的建模。     

一种雷达HRRP在线自适应目标识别方法

“边录取、边学习、边建模”是一维高分辨距离像（HRRP）雷达自动目标识别（RATR）工程化的一条路径,宽带雷达对飞行中的机动目标录取的HRRP随着目标相对于雷达的姿态而变化,完备（全姿态）的HRRP数据库可以看做是关于姿态（主要是方位）的非平稳过程,常用的平稳环境下的在线算法对非平稳的环境适应能力有限．文中通过一种在线混合专家（OME）将HRRP数据在线地分割成若干个近似平稳的区域,在各个区域内使用平稳协方差函数的在线Gauss过程分类器（0GPC）．针对迭代在线GaHSS过程分类（IOGPC）的参数学习算法EP和EM,提出了一种双链Gauss过程（Bi—OGP）来使OGPC的参数得以在单次数据扫掠的情况下实现在线更新．针对迭代在线混合专家门网络参数的学习算法EM,提出了基于初值选择的单次数据扫掠学习方法．基于HRRP实测数据的仿真试验证明,文中方法在单次扫描数据时就获得了高于或接近最近邻、迭代在线线性最小均方（LMS）混合专家和0GPC的识别率．     

基于权值函数神经元的BP网络研究

研究了一种神经元模型,在该模型中将参数可调的激励函数往前移到权值上,即把权值变为参数可调的函数,这些权值函数的累加和作为神经元的输出.将此类神经元称为权值函数神经元,根据BP算法给出了由其构成的前馈神经网络的学习算法.仿真实验对比结果表明,在给定的误差精度要求下,基于权值函数神经元的BP神经网络每次训练都能收敛,且平均迭代步数较少,其收敛速度要优于传统BP网络,具有较好的研究应用价值.     

基于统计估计的盲信号分离算法

最大熵法（ＭａｘｉｍｕｍＥｎｔｒｏｐｙ,ＭＥ）和最小互信息量法（ＭｉｎｉｍｕｍＭｕｔｕａｌＩｎｆｏｒｍａｔｉｏｎ,ＭＭＩ）是两种目前最常用的盲信号分离算法．在分析ＭＥ与ＭＭＩ算法的基础上,提出了一种利用反馈结构的输出信号概率密度函数（ｐｄｆ）估计的增强ＭＥ算法．与传统ＭＥ算法相比较,新算法无需给出传统ＭＥ算法中神经元非线性函数的具体表达形式,而是直接利用输出信号ｐｄｆ估计来推导算法的迭代核,进行算法自适应．分析了应用几种不同ｐｄｆ估计方法的新算法迭代公式．通过计算机模拟表明,新算法比传统ＭＥ算法对于解决卷积混合输入的盲信号分离问题时,具有更好的算法性能．     

符号函数激励的WASD神经网络与XOR应用

基于权值与结构确定(WASD)算法,提出和构建了一种以非连续符号函数为隐层神经元激励函数的WASD神经网络模型。通过WASD算法,能有效地确定所构建网络的权值及网络的最优结构。该文也将此网络模型应用于XOR(异或)上,并详细讨论了在带噪类型不同时网络在此应用上的性能。计算机数值实验结果验证了所提出的权值与结构确定法能够有效地确定出网络的最优权值与结构,所构建的WASD网络在XOR应用上具有优秀的抗噪性能。另外,通过对比符号函数激励的WASD神经网络与幂函数激励的WASD神经网络在高维XOR应用方面的性能差异,证实了所提出的符号函数激励的WASD神经网络及算法在解决非线性问题时的优越性。     

基于小波网络的永磁无刷直流电机无位置传感器控制

通过对永磁无刷直流电机的无位置传感器检测原理和小波网络特性的分析，提出了基于小波神经网络的永磁无刷直流电机无位置传感器控制新方法．该方法构建小波网络模型，采用梯度下降法对网络进行训练．网络训练分为离线训练和在线训练，由离线训练初步确定网络隐层节点的小波平移因子、尺度因子及网络输出层权值．以滤波和逻辑处理后的网络输出信号为教师对网络输出层连接权进行在线调整．从而由电机的相电流、端电压映射出电机的换相信号，取代了传统的位置传感器．最后仿真及实验结果表明，该方法能得到准确的永磁无刷直流电机的换相信号．     

基于深度展开的SAR大斜视RD成像算法

大斜视角条件下的合成孔径雷达SAR回波信号具有方位向和距离向严重耦合、大距离徙动等特点,采用常规的距离多普勒RD算法成像,会引起方位向的散焦以及空变等问题。为了改善大斜视SAR在成像过程中存在的问题,提出了一种基于深度展开网络的SAR大斜视可学习距离多普勒成像方法。该方法将RD成像方法与深度学习结合,利用RD成像的步骤构建了基于深度展开网络的RD学习成像网络结构,将回波数据作为网络输入来学习回波数据到大斜视SAR图像的成像过程。首先,在分析大斜视SAR回波信号模型的基础上确定了网络成像过程中的可学习参数;其次,根据成像过程设计大斜视SAR成像网络;最后,通过非监督训练的方法对网络进行训练,最终输出学习成像结果。点目标和面目标仿真结果表明,该方法可以有效抑制旁瓣,提高成像精度和计算效率,满足SAR在大斜视角下的成像要求。     

基于状态转移算法的极限学习机

目前极限学习机在训练模型时存在占用计算资源多和模型精度低等问题.为了解决上述问题,提出了一种基于状态转移算法的极限学习机,可提升算法计算效率和模型精度.利用状态转移算法的全局搜索特性求解线性方程组,得到极限学习机的输出权重矩阵,进而完成建模.在分类和回归数据集上与极限学习机和其他主流算法进行对比,所提方法可以利用较少的隐藏层节点得到高精度的模型,同时具有更好的学习准确率.这种高性能的建模方式弥补了极限学习机的不足.     

前馈网络灵敏度：分析及降低算法

在前馈网络中，不同的权值组合可逼近同一映射。网络的灵敏度取决于权值的变化。文中提出了计算网络灵敏度的方法和一种降低网络灵敏度的学习算法。网络的灵敏度分析包括单输出、多输出及输入变化、权值变化等情况。学习算法是在网络训练过程中加入随机噪声。次种学习算法与传统学习算法相比，可降低网络的灵敏度，但学习收敛速度基本相同。     

基于小世界无标度特征的回声状态小波网络

针对储备池的适应性问题,提出了一种复合回声状态网络模型(CESN).CESN依据增量生长准则构建小世界无标度进化状态储备池,解除了储备池谱半径的限制.同时,CESN将离散小波函数作为神经元的激活函数,用Symlets小波函数替代部分储备池神经元的S型函数,Symlets小波函数的伸缩和平移变换特征丰富了动态储备池的状态空间.将CESN应用于一些非线性时间序列逼近问题中,即NARMA系统、Henon映射和二氧化碳浓度预测.实验结果表明,在逼近高度复杂的非线性系统方面,CESN明显优于注入Symlets小波的经典回声状态网络(S-ESN)和具有高聚类系数的无标度回声状态网络(SHESN).      

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

非线性动力系统周期解的反解型预测追踪算法

提出一种对非线性动力系统周期解进行预测追踪的新型算法,它利用系统周期解的稳态及瞬态信息,反解雅可比矩阵,实现对系统周期解的预测追踪。同时利用反解得出的雅可比矩阵,还可以得出系统周期解的Ｆｌｏｑｕｅｔ乘子,差别其非线性稳定性,与现有的此类算法相比,新算法在实施时,所需要的信息均可通过对系统周期解的未扰及受扰运动的观测获得,因而具有广泛的适应性。