基于离散余弦变换的红外目标识别算法

提出了一种基于离散余弦变换的红外目标特征描述方法，通过离散余弦变换描述子提取平移、旋转、尺度放缩等变换下不变性的目标形状特征，利用前向传播神经网络学习及识别这些特征向量，对3类不同姿态下的目标图像进行了分类识别，并将所提出的特征提取方法与傅立叶描述子进行比较。仿真结果表明，和傅立叶描述子相比，在保证识别率不变的情况下，采用余弦变换描述法可以减少数据运算量和运算时间。     

基于对偶树复小波变换的织物纹理识别

离散小波变换(DWT)虽然广泛用于图像处理,但DWT存在两个缺点:其一,缺乏平移不变性,这意味着信号的微小平移将导致各尺度上的小波系数的能量分布有较大变化;其二,缺乏方向敏感性,可分离的二维小波变换只有三个方向的高频信息即水平、垂直和对角.利用对偶树复小波变换(DT-CWT)进行图像纹理分类,可以克服上述离散小波变换的不足,该方法具有逼近的平移不变性和更多的方向选择性,有利于特征的跟踪、定位和保留.本文采用对偶树复小波变换和BP神经网络相结合的方法对织物纹理进行分类,实验表明,分类率可达98%.     

狭义相对论不变性初探

狭义相对论声称（一切）“自然定律对于洛仑兹变换具有形式不变性（或协变性）”。但是，本文的审查得出的结论是：（１）作为洛仑兹变换直接推论的尺缩钟慢说本身就自相矛盾，是混淆了感觉与存在，表现效应与（内在的）物理效应的产物；（２）关于光速不变原理的“验证依据”都是不足为据的，因为有关它们的论证都违背了洛仑兹变换的导出前提，特别是直接违反了光速不变性；（３）洛仑兹变换的推导有严重错误，它是在错误的前提下通过错误的推导得出的错误结果；因此──—“皮之不存毛将焉附”，“自然定律对于洛仑兹变换具有形式不变性（或协变性）”是不成立的。此外，文中还讨论了著名的“质速关系”，揭示了它的真相。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

小波变换基神经网络故障诊断系统及其应用

针对油田抽油机井故障诊断方法较落后和故障信息采集不充分的问题，提出一种小波变换基神经网络故障诊断系统。它先对输入信号进行离散小波变换，把由Mallat算法得到的多尺度下的离散细节信号作为故障特征，之后将其输入到神经网络进行故障模式分类。为了进一步提高诊断的正确率，一方面对神经网络的结构进行优化，另一方面采用学习率自适应调整的共轭梯度法训练神经网络的权值。对某油田32口故障油井进行诊断，正确率在95％以上，这表明该方法的有效性。     

基于改进粒子群-模糊神经网络的短期电力负荷预测

为了提高短期电力负荷预测精度,提出了改进的粒子群-模糊神经网络混合优化算法.用改进的粒子群训练神经网络,实现了模糊神经网络参数优化.建立了基于该优化算法的短期负荷预测模型,综合考虑气象、天气、日期类型等影响负荷的因素,利用贵州电网历史数据进行短期负荷预测.仿真表明,该方法的收敛速度和预测精度优于传统模糊神经网络法、BP神经网络法、粒子群-BP算法和粒子群-模糊神经网络方法,该优化算法克服了神经网络和粒子群优化方法的缺点,改善了模糊神经网络的泛化能力,提高了电网短期负荷预测的精度,各日预测负荷的平均百分比误差可控制在1.2%以内.该算法可有效用于电力系统的短期负荷预测.     

单基地MIMO雷达降维酉ESPRIT算法

波达方向(direction of arrival, DOA)估计问题是单基地多输入多输出(multiple input multiple output, MIMO)雷达信号处理中的一个关键问题。在低信噪比、低快拍数的情况下,常规DOA估计算法的性能会严重下降。针对此问题,提出一种新的DOA估计算法：降维酉旋转不变性信号参数估计技术算法。该算法首先通过降维变换将MIMO雷达数据变换至低维信号空间,然后在该低维信号空间构造实值旋转不变性方程估计目标的DOA。仿真结果表明该方法能够在低信噪比、低快拍数的环境下获得较常规ESPRIT方法更高的DOA估计精度,同时具有更低的运算量。     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。     

小波-神经网络在模拟电路故障诊断中的应用

小波变换具有时频局部化、多尺度分析等特性，而神经网络具有非线性映射、学习推理等优点，将二者结合起来，提出基于小波-神经网络的模拟电路故障诊断方法。采用正弦信号仿真模拟电路，应用小波变换对模拟电路响应的采样信号进行故障特征提取，建立故障字典，然后利用神经网络对各种状态下的特征向量进行分类决策，实现模拟电路的故障诊断。对标准电路仿真结果表明：该方法能够实现故障检测及定位，具有准确率高的特点。     

一种基于模糊滤波提高SAR自动目标识别平移不变性的方法

使用卷积神经网络去实现合成孔径雷达(synthetic aperture radar, SAR)自动目标识别(auto target recognition, ATR)成为了近年来的热点,但实际使用中存在的一个隐患问题是平移不变性的丢失,随着目标位置移动,系统输出也随之改变，从而造成错误识别。针对上述问题，提出了一种落实在模型层面的解决方法,通过对算法的改进,实现提升SAR ATR系统平移不变性,而无需数据增强。提出的模块易于移植到现有SAR ATR骨干网络中,且通过实测兼容良好,引入后不影响识别准确率,达到了与原网络近似相等甚至更高的精度。结果表明,所提出的算法不仅提升了系统的平移不变性,同时提升了系统的抗干扰能力。     

AN INFORMATION THEORETICAL APPROACH TO NEURAL NETWORKS

The purpose of this paper is to present a unified theory of several differentneural networks that have been proposed for solving various computation, pattern recog-nition, imaging, optimization, and other problems. The functioning of these networks ischaracterized by Lyapunov energy functions. The relationship between the deterministicand stochastic neural networks is examined. The simulated annealing methods for findingthe global optimum of an objective function as well as their generalization by injectingnoise into deterministic neural networks are discussed. A statistical interpretation of thedynamic evolution of the different neural networks is presented. The problem of trainingdifferent neural networks is investigated in this general framework. It is shown how thisapproach can be used not only for analyzing various neural networks, but also for the choiceof the proper neural network for solving any given problem and the design of a trainingalgorithm for the particular neural network.     

多变量极值搜索系统神经网络自适应协同控制

针对一类仿射型多变量极值搜索系统的协同控制问题,提出了一种基于神经网络的自适应协同控制方法。该方法利用协同控制实现状态变量之间的协同收敛,并确保对系统内部参数扰动和外界干扰具有不变性;以系统的状态变量、输入量、搜寻变量以及已知模型参数作为输入量,分别设计两个3层神经网络来估计状态变量极值的动态变化过程及未知参数;并采用可调参数消除此神经网络的残余估计误差。详细的理论分析证明了闭环系统的所有误差信号均指数收敛至原点的有界可调邻域内。仿真结果也说明了理论分析方法的正确性和有效性。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.     

基于细胞神经网络的牌照倾斜校正及单字切分

车牌自动识别中 ,牌照倾斜和单字切分不准确会使字符识别率下降。为此提出基于细胞神经网络的牌照倾斜校正及单字切分的方法。由阴影检测器得到包含字符的块状区域 ,并得到块状区域的上、下边缘线 ,从而得到牌照的倾斜角度 ,对牌照进行倾斜校正。对校正后的图像 ,用相连单元检测器去除边框及其它干扰 ,并用另一个离散时间细胞神经网络模板完成单字切分。结果表明 ,利用细胞神经网络可以较好地完成牌照倾斜校正和单字切分 ,为后面的字符识别作了较好的准备。     

时间离散的回归神经网络的定性分析

研究了一类时间离散的回归神经网络的定性问题.首先应用非线性分析中的度理论,建立了这类神经网络平衡点存在唯一的充要条件;其次通过Lyapunov函数,得到了这类神经网络全局指数稳定的充分准则.     

基于代数神经网络的分圆多项式判定及学习算法

首先对MP神经元进行推广 ,给出了一元多项式代数神经元、一元多项式代数神经网络 ,设计出一类用于一元多项式二元运算的神经元模型 ,它是单输入单输出的 3层多项式神经网络 ,给出了两种用于判定一多项式为分圆多项式的神经网络模型及学习算法 ,把判定一多项式为分圆多项式转化成线性方程组求解问题 ,通过算例说明了该方法的有效性。     

Stability of discrete Hopfield neural networks with delay

1.INTRODUCTION DiscreteHopfieldneuralnetwork(DHNN)isoneof thefamousneuralnetworkswithawiderangeofap plications,suchascontentaddressablememory,pat ternrecognition,andcombinatorialoptimiza tion[1～5].ThestabilityofDHNNmeansthatevery trajectorymustconvergetowardsanequilibrium point,oralimitcycle.Becausethestabilityof DHNNisthefoundationofthenetwork’sapplica tionsandisthemostbasicandimportantproblem,thestabilityanalysisoftheDHNNhasattractedcon siderableinterest.Manyresearchershavefocu…     

前馈网络泛化性能改进的目的规划方法研究

以目的规划模型为基础，将前馈网络准则函数改进、网络灵敏度降低、先验知识运用有机地结合在一起，提出了前馈网络泛化性能改进的目的规划方法．文中给出了该方法的数学模型、求解方法以及算例     

一种改进的神经网络控制方法及其仿真研究

分析了一般神经网络控制系统中学习误差选择的问题,指出系统误差不等于理论上神经网络用于学习的误差,因而网络的性能会受到影响。进而针对局部逼近神经网,提出了一种改进的控制器结构,并讨论了其学习算法。仿真实验研究表明该方法收敛速度快,学习能力强,证明其在系统控制中的合理性和有效性。     

前馈网络目的规划算法及其应用研究

提出了前馈网络目的规划算法。与通常ＢＰ算法相比,该方法进行了三个方面的改进：（１）准则函数的改进;（２）网络灵敏度的降低;（３）领域先验知识的运用。理论分析及大气中ＳＯ２浓度预测应用研究表明该方法有效地改善了前馈网络泛化性能,提高了预报精度。