交通噪声预测的神经网络模型

运用 Matlab语言编程 ,构造预测交通噪声的 LM算法 BP神经网络模型 ,把预测因子 (轻、重型车流量、平均车速、受声点距路肩距离、敏感点高差 )作为样本输入到网络模型 ,噪声等效声级作为样本输出 ,反复训练网络 ,通过增加隐含层节点数、改进算法 ,以降低误差 ,缩短训练时间。     

人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势,采用BP算法,基于大量矿井突水样本实例建立了突水预报神经网络模型,并将该模型用于实际预报,并取得了较好的效果。结果表明,模型具有较强的实用性。为了提高模型的预测精度,在训练样本的选择上还应具有一定的代表性。     

一维抛物型方程参数识别反问题的数值解法

以函数逼近和Tikhonov正则化为基础，利用算子识别摄动法和线性化技术提出求解一维抛物型偏微分方程参数识别反问题的迭代算法，拓宽了求解此类反问题泛定方程和初边值条件的适用范围。数值模拟的结果表明，用此迭代法求解参数识别反问题具有数值精度高、稳定性好、收敛速度快的特点。     

单调线性互补问题的非精确不可行内点算法

对单调线性互补问题提出了一种非精确不可行内点算法．该算法的迭代方向仅需要达到一个相对的精度．在初始点位于中心线的某邻域内的假设下，证明了算法的全局收敛性．     

用于恒模数字信号的变步长归一化最小均方算法

为全面分析用于数字信号的最小均方（LMS）算法性能，提出了一种新的性能评估参数－误码率，为了提高LMS算法性能，提出了一种新的变步长归一化LMS自适应算法，该算法长在启动阶段主要由瞬时误差控制，以加速收敛，在收敛阶段主要由其历史值来决定，以获得低的误码率，而切换条件是基于短时均方误差值，与已有类似的变步长LMS算法相比，在几乎不增加算法复杂度的情况下，具有更快的跟踪速度，更低的比特误码率，特别是其控制参数在观测噪声强度发生变化时不需重新调整，计算机仿真效果支持了理论分析。     

基于马尔可夫随机场的曲面光顺算法

利用最小均方（LMS）线性预测方法检测曲面型值点，对误差较大的坏点采用预测值进行修正，从而有效地避免了坏点对曲面光顺效果的影响。基于马尔可夫随机场（MRF）的局部特性，采用二阶邻域内数据点的线性组合代替原型值点，选择适当的加权系数，依次对各型值点进行修改，即可在保证曲面精度的前提下实现曲面光顺。计算结果证明，此算法结构简单，运算速度快，修改能力强，对不同形式的参数曲面都可以取得良好的光顺效果。     

二叉树后序遍历的非递归化算法讨论

尽管递归算法具有结构简炼、清晰、可读性强等优点,但递归算法在执行过程会耗费太多的时间和空间,为了追求算法的时空效率,必须将递归算法转化为非递化算法,问题才能得到有效解决,讨论了在递归算法执行过程中栈的变化和给出了改进的非递归化算法.     

用简单动态递归网构造固体散料流量模型

提出了用简单动态递归网来建立固体散料流量模型，针对动态递归网结构复杂，训练算法收敛速度慢的缺点，采用一种结构十分简单的递归网，对RPE算法进行了改进和补充，使之适用于简单递归网，用来对网络的权值和阈值进行调整，建模结果表明此方法收敛速度快，精度高。     

Turbo码译码算法的时延改进分析

通过对Turbo码最大似然译码MAP算法（maximum posteriori probability algorithm）和SOVA算法（soft output viterbi algorithm）的比较和对SOVA算法的比较深入的分析，对Turbo码在译码过程中存在的时延较大的问题做出了一些改进，并且针对引进时延的不同原因讨论了具体的解决方案，通过Matlab进行仿真，表明这些改进是有意义的。     

基于基因算法的模糊滤波器的研究

对基因算法的模糊识别进行了研究。对于简单自适应模糊滤波器不能很好地解决由于信息冗长带来的局部最优问题 ,可采用基因算法进行优化。其在不牺牲学习效率的前提下可以获得良好的性能。