多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法,神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．     

一种局部回归神经网络的快速算法

针对目前局部回归神经网络动态ＢＰ算法的误差导数计算复杂、收敛速度慢的缺陷,提出了一种新的快速算法、该算法是将信号流图引入动态ＢＰ算法,较好地解决了求导数的复杂性,同时采用ＢＦＧＳ算法另快了网络的收敛速度仿真结果表明了本算法的有效性。     

一种新型的动态模糊神经网络控制器

基于前向模糊神经网络ＡＮＦＩＳ提出了一种新型的动态模糊神经网络（ＤＦＮＮ）,将模糊逻辑,神经网络和ＰＩＤ控制器三者的优点有机地融合在一起。通过在ＡＮＦＩＳ的归一化层和输出层之间加入递归层,构成了动态模糊神经网络（ＤＦＮＮ）,并推导了基于ＢＰ的反传学习算法,与ＡＮＦＩＳ和ＰＩＤ控制器相比,ＤＦＮＮ具有更好的控制效果。ＤＦＮＮ的参数具有明确的物理意义,可根据专家的经验选择初值,加快了网络的收敛速度,由     

关于Diophantine方程的解

运用初等方法及同余理论,研究丢番图方程正整数解。证明了Diophantine方程x3-1=38y2仅有两组正整数解(x,y)=(1,0)(7,3)。     

一种多模特征融合的方面信息情感分类方法

在方面信息情感分类中针对使用循环神经网络编码长距离文本的信息丢失问题,以及使用注意力机制提取情感信息时倾向于关注高频信息偏置问题,提出一种多模特征融合的方面信息情感分类方法,区分单点、多点以及局部三类不同表达模式的情感信息,通过对三类情感信息有侧重的关注、提取与融合,实现各类特征间相互确认与纠错,降低信息丢失与关注偏置问题,达到增强复杂情感表达模式下的方面信息情感分类能力的目的。实验结果表明,使用所提出的方法对三类情感信息进行提取与融合,可以使方面信息情感分类任务在准确率和F1值指标上得到进一步提升。     

华沙圈上的一些动力学性质

设W为一个华沙圈,f为W到其自身的连续自映射,本文主要研究f的一些动力学性质,首先证明了f是传递的当且仅当f是D evaney混沌;其次证明了逐点回归映射是恒等映射;最后,得到华沙圈上拓扑序列熵具有交换性.     

变时滞反馈神经网络的全局指数稳定性

通过引入更加广泛的一类Lyapunov-Krasovskii泛函,并利用线性矩阵不等式分析技巧,得到了关于可变时滞广义神经网络模型平衡位置全局指数稳定的最新判据,并且判别条件中不限制连接权矩阵符号.该结果精炼和推广了一些已有的结果,并且更少保守,在实践上易于程序实现,方便使用.     

关于二阶线性递归序列乘积的和式

设{wn}是二阶线性递归序列,n为整数．根据二阶线性递归序列的定义和性质,给出了关于二阶线性递归序列乘积的和式Sm,k,Tm,k的定义,研究了关于二阶线性递归序列的和式Sm,k,Tm,k,得到了关于和式Sm,k,Tm,k的重要结论．本文的主要结论推广了Melham R S的二个结果．     

基于鲸鱼优化混合神经网络的滑坡位移预测

针对静态机器学习模型难以有效反映滑坡的动态演化特性,且存在时序过长时历史数据遗忘导致位移预测结果不稳定的问题。本文提出了一种基于鲸鱼优化卷积神经网络(convolutional neural networks,CNN)和双向门控循环神经网络(bidirectional gated recurrent neural network,BiGRU)的滑坡位移动态预测方法。首先对滑坡影响因子进行特征筛选,构建数据集,建立CNN-BiGRU网络模型,使用鲸鱼优化算法(whale optimization algorithm,WOA)对模型进行超参数寻优,使用CNN网络模型从滑坡数据中提取潜在的特征向量,将特征向量以时间序列的形式输入到BiGRU模型中,利用其处理时间序列数据的优势,完成滑坡位移预测。结果表明,本文提出的模型得到的滑坡位移预测精度较高,与未优化的CNN-BiGRU相比均方根误差(RMSE)下降了0.0305mm。     

基于GRU网络的毫米波波束跟踪和阻碍判断联合预测方案

为了提高移动通信场景下,毫米波(millimeter wave, mmWave)大规模多输入单输出(multiple input single output, MISO)系统传输的稳定性,针对快速准确跟踪和阻碍判断问题,提出将波束跟踪和阻碍判断的联合预测问题定义为一个波束状态时间序列预测问题,设计了相应的联合预测数据集;基于门控循环单元(gated recurrent unit, GRU)模块设计未来波束状态预测方案,提出分布式固定输入门控循环单元(gated recurrent unit fixed input, GRU-FIN)训练方案,用来提高模型预测能力。通过仿真实验与3种基线方案进行对比,分析了迭代次数、天线数量、信噪比和神经网络参数设置对预测模型性能的影响。仿真结果表明,在不需要信道状态信息的情况下,该方案能够拟合移动用户非线性波束状态的变化,并且在观察范围较小的情况下,通过GRU-FIN方案和模型参数设计,能够有效提高波束状态的预测能力。