基于小波回声状态网络的声源定位算法

为了解决传统声源定位算法存在定位误差大的问题,提出了一种小波回声状态网络的声源定位算法。首先建立声源定位的阵列信号处理模型,并采集声源信号数据,然后采用小波分解将声源信号分解成为高频与低频两部分,并采用回声状态网络分别对高频与低频数据进行建模,最后采用小波重构对高频与低频估计结果进行融合,并对算法性能进行仿真测试。结果表明,本文算法可以精确对声源进行定位,相对于其它声源定位算法,具有更好的适用性和可靠性。     

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于预测原理的回声状态网络在线盲均衡算法

针对非线性信道,基于预测原理提出了回声状态网络(ESN)在线盲均衡算法,首先将具有良好非线性映射能力的ESN代替传统的线性预测误差滤波器,并采用递归最小二乘(RLS)算法计算网络的输出权值,使网络预测误差达到最小;然后进行幅值和相位的调整。仿真实验表明,对于16QAM信号,所提算法可以有效降低非线性信道对发送信号产生的畸变。与其他基于预测原理的盲均衡算法相比,所提算法有更低的均方误差值和更快的收敛速度。     

Improved vocal effort modeling by exploiting echo state network and radial basis function network

The independent hypothesis between frames in vocal effect(VE) recognition makes it difficult for frame based spectral features to describe the intrinsic temporal correlation and dynamic change information in speech phenomena. A novel VE detection method based on echo state network(ESN) is proposed. The input sequences are mapped into a fixed-dimensionality vector in high dimensional coding space by reservoir of the ESN. Then, radial basis function(RBF) networks are employed to fit the probability density function(pdf) of each VE mode by using the vectors in the high dimensional coding space. Finally, the minimum error rate Bayesian decision is employed to judge the VE mode. The experiments which are conducted on isolated words test set achieve 79.5% average recognition accuracy, and the results show that the proposed method can overcome the defect of the independent hypothesis between frames effectively.     

一种新的卫星通信网流量预测算法

在通信网络的设计中,使用基于流量预测的网络规划已成为LTE发展的必然趋势。与地面网络不同,卫星网络由于受资源受限和拓扑时变的不利影响,其流量预测算法必须能兼顾精度和效率,这令传统的地面网络预测方法已不再适用。为了解决以上问题,提出了一种新的基于小波回声状态网络的流量预测算法,该算法通过小波多尺度分解的信号处理方法屏蔽了网络流量的噪声,而后结合了无反馈的回声状态网络联合进行预测。仿真证明,新算法相比传统算法能大幅提升网络流量的预测精度和运行效率,为卫星网络的流量规划提供了强有力的决策支持。     

小波神经网络训练研究及在织物预测中的应用

针对小波神经网络训练不便的问题,构造了一种基于MATLAB神经网络工具箱的训练方法。首先通过公式推导简化了小波神经网络的学习参数,将伸缩因子和平移因子变换到了权重和阈值中。然后根据神经网络工具箱对激活函数的要求,采用MATLAB编制了适用于神经网络工具箱的小波基激活函数,简单描述了编写自定义激活函数的方法。最后将该小波神经网络应用于织物的热阻和湿阻预测中,采用贝叶斯正则化训练算法,取得了较好的效果。     

小波分解和组合模型相融合的网络流量网络预测

为了提高网络流量预测的准确性,提出一种小波分解和组合模型相融合的网络流量预测预测模型。首先采用小波分析对网络流量进行分解,得到网络流量的趋势序列和波动序列,然后分别采用自回归差分滑动平均模型和极限学习机对它们进行建模和预测,最后采用仿真实验测试组合模型的性能。仿真结果表明,相对于其它网络流量预测模型,组合预测模型提高了网络流量预测精度,降低了预测误差更小。     

基于小波网络和霍兰德理论的大学生职业预测模型

根据约翰.霍兰德的职业兴趣理论建立了职业预测指标体系。影响职业预测的各个因素之间以及各因素与职业的因果关系表现出复杂的非线性关系,很难用确切的数学函数来描述。将小波神经网络引入对大学生的职业预测模型,既利用了小波变换的时-频局部化特性,又能发挥神经网络的自学习功能,还考虑了各种人为因素的综合影响,实现了职业指标的多因素非线性预测。     

小波网络参数初始化研究及应用

基于小波神经网络，文中提出了可变尺度小波神经网络，可减少隐层神经元数目，精简网络结构。为防止网络训练陷入局部最小点，提出使用熵函数作为网络的代价函数，并将基于熵函数的可变尺度小波神经网络应用于通信信道均衡。仿真实验表明所提方法比线性均衡器具有更好的抗非线性能力，与传统的小波神经网络相比可减少网络神经元个数和迭代次数，并能使网络收敛到全局最小点。     

小波变换和BP神经网络在电力负荷预测中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.通过仿真验证了该方法的有效性.     

基于Multisim8的二阶网络状态轨迹仿真分析

二阶网络暂态过程有几种情况,理论计算复杂,课堂上难以直观展现。在此以RLC串联电路的零输入响应为例,提出了用Multisim8软件研究二阶网络的暂态过程及状态轨迹的方法。在过阻尼、临界阻尼以及欠阻尼3种情况下,利用Multisim8软件的虚拟仪器对RLC串联电路的电容电压、电感电流的暂态过程及对应的网络状态轨迹进行仿真和展示。结果表明,Multisim8软件可以形象直观、快速准确地实现二阶网络的动态分析,用其仿真是一种很好的辅助教学手段。     

Performance evaluation of new echo state networks based on complex network

Recently,echo state networks (ESN) have aroused a lot of interest in their nonlinear dynamic system modeling capabilities.In a classical ESN,its dynamic reservoir (DR) has a sparse and random topology,...     

WSN中最小代价前向协议的研究与改进

对无线传感器网络（WSN）中的最小代价前向协议进行了研究，通过引入随机选择和数据融合功能改进原有协议。用跳数作为代价分析了改进后的协议性能，并进行计算机仿真，结果表明改进后的协议具有更低的网络负荷和更长的生命周期。     

全息图的小波域BP神经网络压缩实现

计算全息图的有效存储和快速传输对于实现真正意义上的动态三维全息显示有着十分重要的意义,然而计算全息图信息量庞大,不利于传输和存储,这就迫切需要对大数据量的全息图进行快速高效的压缩。基于此,提出一种基于小波域BP神经网络的全息图压缩技术,即先用小波变换对全息图进行预处理,通过将小波基与全息图的内积进行加权和来实现全息图的特征提取,然后将提取的特征向量代入神经网络以完成函数逼近、分类,实现全息图的压缩。该方法可获得124.52∶1的压缩比且仍能获得较清晰的再现像,实验结果很好地证明了该方法的可行性和有效性,且算法结构简单,运算速度快,能在较大压缩比下恢复出令人满意的再现像。     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

EEG-based prediction of driver's cognitive performance by deep convolutional neural network

We considered the prediction of driver's cognitive states related to driving performance using EEG signals. We proposed a novel channel-wise convolutional neural network (CCNN) whose architecture considers the unique characteristics of EEG data. We also discussed CCNN-R, a CCNN variation that uses Restricted Boltzmann Machine to replace the convolutional filter, and derived the detailed algorithm. To test the performance of CCNN and CCNN-R, we assembled a large EEG dataset from 3 studies of driver fatigue that includes samples from 37 subjects. Using this dataset, we investigated the new CCNN and CCNN-R on raw EEG data and also Independent Component Analysis (ICA) decomposition. We tested both within-subject and cross-subject predictions and the results showed CCNN and CCNN-R achieved robust and improved performance over conventional DNN and CNN as well as other non-DL algorithms.     

On the performance and complexity of A generalized minimum distance reed–solomon decoding algorithm

The article reports on the characteristics of an algorithm that implements generalized minimum distance (GMD) decoding of Reed-Solomon codes. The algorithm uses the novel Welch-Berlekamp (WB) algorithm, as modified by Tze-Hua, in order to minimize the complexity of the decoder. Both the WB algorithm and the GMD extension of the WB algorithm are described in outline. The performance of the GMD algorithm was simulated on AWGN channels and fading channels. Results are presented both for RS and concatenated RS codes. The gains over conventional decoding are larger for fading channels than for AWGN conditions but seem useful in all cases. The complexities of the GMD algorithm and the WB algorithm are analysed and compared to that of conventional RS decoding algorithms.     

基于BP神经网络的管道失效状态预测

针对管道系统历史数据缺乏、失效机理非线性的特点,选用具有良好自学习性、鲁棒性等特点的BP神经网络对管道失效状态进行预测.在对管道外表面涂层检测数据预处理的基础上,采用BP神经网络进行建模分析,通过样本的反复训练,得到预测集的相对误差最大为8.3％,预测结果比较理想.结果表明：用BP神经网络能够较好地预测管道的失效状态值,为管道的预防性维修提供理论依据.     

基于改进型循环神经网络的恶意代码分类检测

近年来,随着恶意代码检测技术的提升,网络攻击者开始倾向构建能自重写和重新排序的恶意代码,以避开安全软件的检测。传统的机器学习方法是基于安全人员自主设计的特征向量来判别恶意代码,对这种新型恶意代码缺乏检测能力。为此,文中提出了一种新的基于代码时序行为的检测模型,并采用回声状态网络、最大池化和半帧结构等方式对神经网络进行优化。与传统的检测模型相比,改进后的模型对恶意代码的检测率有大幅提升。     

浅谈10kV配网状态检测技术的应用

文章介绍10设备主要故障类型以及常用的检测手段,并结合实际案例就10kV配网状态检测技术的应用以及对设备故障隐患进行检测和分析,采取措施加以防范,确保电网的运行安全。