一种基于因素贡献率的自适应前馈网络算法

前馈网络具有很强的信息处理能力，但是实际应用中的样本量有限，训练出来的网络效果不太理想，本文提出一种自适应前馈网络算法，通过调节参数α向量，使网络结构按精确度和推广能力来综合考虑，若训练出来的网络满足先决条件，就认为网络规模是合适的，此算法不仅能删除隐层中的节点也能删掉输入层中若干总贡献率小的节点，从而避免了维数灾难，并给出一种调整剩余权重的算法，避免重新训练，文中讨论了网络结构的重要性，并用该方法进行仿真实验，结果证明了自适应前馈网络算法具有较强的建模能力。     

基于人工神经网络的城市航空遥感图像植被分类研究

研究了一种基于模糊量化与多层前馈神经网络相结合进行多类别遥感图像植被分类的新方法.对分类指标 进行π隶属函数模糊量化之后,进行多层前馈神经网络(MLP)训练,再用训练后的MLP网络构成监督分类器,并 以宁波市彩红外航空遥感图像资料为数据源,选取园林区为试验区,对植被进行监督分类,分类精度达78%.研究 成果表明,该方法适用于多类别的遥感图像植被分类,其分类效果也较好.     

非线性时间序列的重构及预测

采用自适应前馈网络算法(AFN)进行非线性时序预测，对网络结构设计进行详细的探讨，并应用该方法对经典非线性时间序列数据进行预测，与传统预测方法(TAR)比较，结果证明此种方法具有较好的效果，网络的结构得到了简化。不仅满足了误差目标的要求，而且提高了网络的推广能力。且AFN方法可以对时间序列数据间的关系给出一种基于贡献率的解释。     

用多层前馈网络进行三维储层参数反演的方法

地震反演的主要任务是依据地震资料并综合利用地质、测井等资料得到地下地层的详细信息。三维地震反演需要处理庞大的地震数据体 ,同时在反演过程中既要考虑模型和测井的约束 ,又要考虑地震在横向上的连续性。将地震反演看作是地震数据到储层参数的模糊映射 ,并利用神经网络建立了这种映射关系。针对网络收敛速度慢、学习时间长等缺陷 ,提出了一种学习率自适应调整算法。该算法使每个权都有自己的学习率 ,使网络的训练速度大幅度提高。利用该方法进行地震反演 ,抛开了褶积模型的限制 ,也无须已知地震子波。外推过程是在三维空间内进行的 ,所得的储层参数数据体保持了横向上合理自然的连续性。对该数据体进行三维可视化解释 ,可以直接描述储层的空间展布。     

基于PSO-RBF神经网络模型的原水水质评价方法及应用

针对自来水生产过程的原水水质评价问题,提出了一种基于PSO-RBF神经网络模型的原水水质评价方法.首先,根据水厂生产经验和历史数据分析,制定面向自来水生产过程的原水水质评价标准.然后,采用粒子群优化(PSO)算法训练的RBF神经网络模型,对苏州市相城水厂的进厂原水水质实施在线评价.最后,将进厂原水水质在线评价结果作为前...     

全数字突发模式8PSK系统的时钟和载波同步

突发模式传送系统中前导字作为系统开销降低了数据传送效率,提出一种全数字无前导字突发模式8PSK接收机方案,接收机的时钟和载波恢复均采用前向同步技术,并对载波频偏恢复算法进行了详细推导,并通过仿真验证了算法的可行性和有效性。     

基于前馈补偿器的无轴承同步磁阻电机解耦控制

建立了无轴承同步磁阻电机径向悬浮力及转矩部分的数学模型,其电磁转矩和径向悬浮力之间以及径向悬浮力自身在两轴方向上存在相互耦合.针对无轴承同步磁阻电机的强耦合、非线性特性,采用磁场定向控制难以直接进行解耦控制,采用基于前馈补偿器的解耦控制策略,成功解除了上述变量间的耦合关系.采用前馈补偿解耦得到的控制系统结构简单,实现方便.仿真研究表明,该解耦方法可实现无轴承同步磁阻电机稳定悬浮运行,能实现上述变量间的完全动态解耦,同时电机具有较好的转矩和调速性能.     

Dynamics and control designs for internal thermally coupled distillation columns with different purities, Part 2: close loop analysis and control designs

Interaction between overhead and bottom composition loops of internal thermally coupled distillation columns (ITCDIC) with four purities are analyzed by means of relative gain array, condition number and singular value decomposition, which indicates that high- and very high-purity ITCDIC are well coupled and ill-conditioned systems with severe gain directionality problem. Based on the above dynamic behaviors, suitable control schemes of four different purity systems are studied. In low-purity system, internal model control (IMC) is better than decentralized proportion integral differential (D-PID) control in terms of response speed and remaining errors. In moderate-purity system, D-PID can effectively reject large load disturbances while IMC fails due to severe mismatch between model and plant. In high-purity system, neither IMC nor D-PID can provide satisfactory control so that modified IMC and multivariable PID with singular value decomposition scheme are presented respectively to improve control performances. Finally, in very high-purity systems, the combined feed-forward and feedback control scheme is proposed to deal with extremely sluggish responses to load disturbances.     

利用进化规划和逐步二次规划实现前馈神经网络的结构优化

用进化规划与逐步二次规划来实现前馈神经网络的结构优化问题 ,并提出了一个相应的学习算法 .针对进化规划与逐步二次规划各自的特点 ,进行了组合 ,使算法不仅具有随机全局搜索能力 ,而且还具有更好的全局收敛能力 ,并与环境有更强的自适应能力 .最后通过仿真和应用实验证实了算法的有效性.     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.