神经网络定位中多点多映射概率样本增强方法研究

神经网络室内定位算法的定位精度取决于训练样本的数量和样本对数据特征的表征性,针对样本采集工作量大的问题,本文提出了一种多点多映射概率样本的增强方法.该方法首先根据无线信号的传播特性以及空间相关性,利用少量实测点数据,快速构建多点反应环境影响的特征,然后利用概率法生成表征无线信号波动的多映射正态分布样本数据.实验结果表明...     

神奇的量子

在我们所生活的世界中,物质的运动是连续的,流水、风、奔驰的汽车以及我们自身的运动都无时无刻不在证明这一点;不仅如此,能量的流动也是连续的,光的辐射、热的传递以及电磁波的传播都被认为是在时空中连续存在的。所有这些都在我们心里造成了这样一个根深蒂固的观念：物质的运动和能量是连续的。在20世纪以前,人们丝毫都不怀疑这个判断,经验常识和经典科学都不容置疑地支持这一观点。     

南半球对流层上层纬向风与东亚夏季风环流

研究了南半球对流层上层纬向风和东亚夏季风在年际变化尺度上的关系, 用150百帕60°S和30°S之间的纬向平均的纬向风差值(ISH)可以很好地代表南半球纬向风的年际变化. 结果发现: ISH和东亚夏季风环流在年际变化尺度上有非常显著的负相关关系. 研究揭示: 从南半球到热带区域的纬向风的径向遥相关型(主体在东半球)可能是这种关系的主要内在原因. 通过这种遥相关型使得风场和气压场发生改变从而影响东亚夏季风环流; 另外, 与ISH相关连的欧亚大陆区的异常遥相关波列也是一个重要的机制. 而且ISH和东亚夏季风环流的关系有同时性, 也有非同时性. 因此这种关系的存在一定意义上也具有预测价值.     

北太平洋副热带环流的经向输送与Sverdrup输送关系研究

基于再分析资料, 比较了应用流速资料直接计算的和基于Sverdrup关系应用风应力资料估算的北太平洋副热带环流的经向体积输送的差异. 结果表明在海洋内区气候平均状态下, Sverdrup输运与实际的北太平洋副热带环流的经向体积输送相差甚小. 对于北太平洋副热带环流的经向体积输送的10 年际变化特征, 由于海洋环流对风应力变化的响应只有当第一模态斜压Rossby波到达西边界后才能完成, 所以当应用该延迟时间修正了Sverdrup输运函数后, 修正后的Sverdrup输运与实际的经向输送的十年际变化趋势就有了很好的相关性, 特别是在西边界附近. 结果表明Sverdrup平衡不仅在气候平均意义下是副热带内区环流很好的近似, 而且当考虑了第一斜压模态Rossby波的传播时间后, Sverdrup平衡也可以很好地估计海洋环流随时间变化的特征.     

CRT显示器色空间变换方法的比较

分别采用多项式拟合、三维查找表和神经网络方法,建立CRT显示器设备颜色空间RGB与输出CIEXYZ色空间的非线性对应关系。完成了设备颜色显示的特征化。对两个常用的显示器进行了实验,并进行色差分析,比较三种方法的精确度。实验结果表明。对常用显示器的特征化,多项式拟合的方法精度较低;曼维查找表和神经网络技术可以满足精度要求,其中神经网络方法最具优势,GIELab平均色差为0．23-3．71。     

结合改进PSO-BP神经网络的无刷直流电机控制

针对无刷直流电机的BP 神经网络控制器收敛速度慢,易陷入局部最优,设计了一种采用改进粒子群BP 神经网络控制的无刷直流电机控制系统,改进的粒子群算法在速度更新方程中引入了具有时变衰减特性的惯性权重,并用改进的粒子群算法对BP 神经网络初始权值进行离线训练. 仿真结果显示改进PSO-BP 神经网络孔制系统比标准PSO-BP 神经网络控制有更好的稳定性与抗干扰性,整个系统动、静态响应更好.     

神经网络基于改进型粒子群算法的研究

提出一种基于被动聚集型粒子群优化算法来提高人工神经网络的性能,被动聚集是保持群体完整性的生物力量,该算法引入了生物学中被动聚集的概念,使得信息在种群各粒子间传播,保持种群的多样性。仿真实验表明:基于改进型粒子群优化算法的神经网络可以有效降低训练次数和均方误差。     

BP神经网络和曲率模态理论在桥梁损伤识别中的应用

目的 研究桥梁结构损伤识别指标,探讨结合BP神经网络理论开发程序对桥梁结构损伤位置及损伤程度智能输出的可行性.方法 对桥梁数值模拟,建立有限元模型并进行模态分析,得到损伤前后的模态数据;将模态数据曲率化后结合桥梁结构的损伤指标作为输入及输出变量,以输入变量与输出变量建立非线性映射关系;将大量损伤模态数据随机构成训练集及...     

基于SinGAN的岩石薄片图像超分辨率重建

岩石薄片图像对研究石油地质特性以及油气勘探都有重要的意义.由于各种因素的限制,获取到的岩石薄片图像经常会出现分辨率较低的情况,一定程度上限制了研究者对其细节信息的掌握.而一般的神经网络超分辨率算法都需要大量的数据作为训练集,为了提升岩石薄片图像超分辨率重建算法纹理细节信息还原能力,本文利用单图像生成式对抗网络,不需输入...     

基于变分模态分解和神经网络的风速组合预测

风速预测在风能开发和利用中起着关键作用,然而风速序列往往存在强波动性和非平稳性的特征。为了提高风速预测的精度,文章提出变分模态分解(variational mode decomposition, VMD)和神经网络相结合的风速组合预测模型。首先采用变分模态分解将风速序列分解为若干不同频率的子序列;其次计算各子序列的样本熵(sample entropy, SE)以量化复杂程度,引入熵值法建立神经网络组合预测模型,对复杂度较高的分量采用神经网络组合预测模型,其余分量采用支持向量机(support vector machine, SVM)模型进行预测;最后将各分量预测结果运用BP神经网络拟合得到最终预测值。针对北京测风塔实测样本进行建模预测,验证所提出预测模型的可行性,并与6种不同风速预测组合模型开展对比分析,证明所提出的预测模型具有更好的鲁棒性和预测精度。