基于贝叶斯正则化算法BP神经网络钒电池SOC预测

电池荷电状态(SOC)用于表征电池的剩余电量,是全钒液流电池的一个重要参数。在此介绍常用的钒电池SOC预测方法,并对比其优缺点。基于电池SOC的非线性特征,提出采用BP神经网络预测钒电池的SOC,并采用L-M优化算法以及贝叶斯正则化算法对网络进行优化。使用贝叶斯正则化改进的神经网络在对项目中全钒液流电池测试过程实时预测SOC。实验结果表明,采用贝叶斯正则化算法改进的神经网络能够提高SOC的实时预测精度,具有很好的实用前景。     

基于变分方法的超分辨率

基于全变分先验和变分分布.提出一个新颖的超分辨率算法,使用分级的贝叶斯框架,能够同时计算出重建的高分辨率图像和模型参数.本算法利用变分推论给出变量的后验分布近似.因为能够同时估计出模型参数,是自动的过程,无需对参数人工调节.实验结果表明所提算法在重建质量上优于当前主流的算法.     

对角型广义RBF神经网络与非线性时间序列预测

径向基函数（RBF）神经网络在非线性时间序列预测方面发挥着重要作用。本文提出了对角型广义RBF神经网络模型,并利用贝叶斯阴阳（BYY)谐和学习算法进行隐层单元个数的选择和参数初始值的设置,且建立了同步LMS算法进行参数学习。进一步,将对角型广义RBF神经网络应用于非线性时间序列预测,得到了预测准确率高和速度快的效果。      

基于小波域双层贝叶斯模型的图像复原

为了克服正交小波变换用于图像复原引起的振铃现象,提出了一种基于小波域双层贝叶斯模型的图像复原算法.采用移不变小波变换,经过简单的转换,使计算复杂度较正交小波变换法并没有显著增加.对于涉及小波系数和超参数的估计问题,通过双层贝叶斯模型方法解决.首先使用局部高斯分布作为第一层模型,主要用于刻画原始图像小波系数的先验分布;第二层模型用于对超参数的估计,假设局部逆方差为服从Gamma分布的随机变量.基于双层贝叶斯模型,采用最大后验概率估计(MAP)同时进行参数估计与图像复原,计算机实验验证了该方法的有效性.     

改进嵌套稀疏圆阵下基于OGSBL的DOA估计方法

针对现有基于嵌套稀疏圆阵DOA估计方法计算复杂度高、超参数无法快速选取问题,提出了一种基于改进嵌套稀疏圆阵的离格稀疏贝叶斯学习(OGSBL)方法.该方法首先将改进嵌套稀疏圆阵接收信号的协方差矩阵进行向量化处理,然后构造扩展的观测矩阵,进而结合离格模型与稀疏贝叶斯学习算法实现欠定的DOA估计.仿真实验结果表明,所提算法降...     

基于残差神经网络的宫颈癌细胞识别的改进算法

本文提出了一种基于残差神经网络的改进算法,该算法从迭代的角度出发,通过对训练模型引入动量参数、改变训练样本数量的措施,通过不断地迭代更新参数,对各种超参数进行调整,去除冗余信息及噪声,提高算法的识别率.实验表明本文提出改进的算法具有更高的识别准确率.     

一种多分辨率组合的模糊神经网络分类器

提出一种多分辨率组合的分类器(MRCC)模型和相应的学习算法,发展了Simpson的模糊最小最大神经网络(FMM)方法.它克服了原始模型的几个缺点:训练结果不依赖于训练样本出现的次序,超盒扩张不受一个固定的最大尺度限制.和原始模型的超盒相比较,新模型的超盒中引入了一个参数表示超盒对于训练样本的分类正确率,称为超盒置信度.新的学习算法假设样本在一定尺度下均匀分布,从而能够在线调整超盒置信度参数.新的学习算法采用多分辨率组合的方法,消除了原始算法中选择超盒最大尺度限制参数的困难.实验表明,MRCC模型与原始FMM模型相比,分类性能更好,学习算法的自适应能力更强,建立的模糊超盒数更少,并行处理能力更强.     

一种基于GACNN改进的室内可见光指纹定位算法

为提高室内可见光定位系统性能,提出了基于遗传算法训练卷积神经网络(Genetic Algorithm Convolutional Neural Network, GACNN)的室内可见光指纹定位算法。该算法引入一维卷积神经网络学习模型,针对卷积神经网络的超参数设置,利用遗传算法对卷积神经网络进行训练,将超参数进行二进制编码后采用精英遗传算法对CNN进行训练,来解决卷积神经网络模型参数调节依靠经验和模糊最优化的过程。实验结果表明：在室内4 m×4 m×2.5 m的定位场景下,定位算法可以获得平均定位误差4.11 cm的定位精度。相较于卷积神经网络定位算法,平均定位误差降低了25%。对比分析了不同室内可见光定位算法的性能,验证了算法的技术优势。     

基于联合聚焦/超分辨模型和M-H算法的雷达图像重建

针对雷达目标图像,基于散射/成像模型,利用Metropolis-Hastings(M-H)迭代算法,给出了一种数字M-H贝叶斯联合聚焦/超分辨重建方法,通过产生一系列描述目标散射截面(RCS)和散焦参数概率分布特征的样本,从而获得目标RCS元和散焦参数的最佳估计,最终实现低分辨率图像的超分辨率重建.以合成与实测图像数据...     

基于遗传算法的模糊神经网络控制技术研究

提出了一种基于去模糊优化的模糊神经网络控制器及模糊神经网络的遗传学习算法.利用遗传算法优化包含控制器性能的指标来离线寻找最优的模糊神经网络控制器结构和参数,经过遗传算法训练的模糊神经网络控制器被接入模糊神经网络智能控制系统中.仿真结果表明,利用此方法实现的控制,系统的控制精度高,超调量小,鲁棒性能很强,获得了良好的控制效果.     

一种概率映射网络的EM训练算法

文中提出一种概率映射网络(PMN)的EM(Expectation Maximization)训练算法。PMN为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。 此PMN用高斯核函数作为密度函数,网络参数训练由EM算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。     

协同神经网络中参数的优化

提出了一种基于遗传算法的协同神经网络中参数的优化算法,该算法利用遗传算法的全局最优搜索能力,在协同神经网络的参数空间搜索最优解。对从“车牌识别系统”中采集得到的数字样本进行了测试表明：优化算法能有效提高协同神经网络的识别性能,使识别率达到了较为实用的水平（98．4％）。另外,还对协同神经网络中各个参数在识别过程中的作用进行了讨论。     

一种基于神经网络的形态滤波器优化设计方法

给出了一种利用神经网络实现灰度形态滤波器参数的优化设计方法。文中首先简述了形态滤波器的基本理论,并设计出了灰度形态学的两种最基本运算(膨胀和腐蚀)的神经网络结构,其网络权值即为形态运算的结构元素值。然后,按照d学习规则,自适应地对结构元素(形状和数值)进行学习训练,以获得最佳的灰度形态滤波器参数。该方法设计简便,实用性强且易于推广,对提高形态滤波性能效果显著。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

HHGA-RBFNN在DGS设计中的应用

将递阶遗传算法和最小二乘法相结合, 构成一种混合递阶遗传算法,用于优化径向基函数神经网络的结构和参数,通过MATLAB仿真实现该算法,并将该神经网络运用于微带缺陷接地结构的神经网络建模之中,实现对微带缺陷接地结构传输系数的仿真.实验结果表明,应用混合递阶遗传算法优化的径向基函数神经网络,具有很高的拟合精度和很好的泛化能力,可以与时域有限差分分析方法结合,辅助微带缺陷接地结构的设计.     

改进的基于神经网络的非均匀性校正算法

提出了一种结合图像匹配和神经网络算法的焦平面阵列非均匀性校正算法。算法首先用最新的校正系数对图像进行非均匀性校正,输出校正结果;然后对相邻两帧图像进行匹配,估计出相邻帧之间图像的运动量;最后用神经网络算法分别对校正系数进行正向和反向自适应更新。采用图像匹配技术保证了校正系数更新时不会引起场景的模糊,采用校正系数双向更新策略可以保证每帧都能对每个像元的系数至少进行一次更新,与常用的神经网络校正算法相比,降低了对场景统计特性的要求,收敛速度较快。使用模拟添加噪声和采集的红外图像序列对算法进行仿真验证,结果表明,给出的算法校正效果优于常用的神经网络非均匀性校正算法。     

基于模糊神经网络的微波器件建模

通过模糊数据曲线来确定模糊规则,从而只需要根据系统的输入输出数据来建立网络最佳结构,并对BP算法进行了改进以加快网络模型的训练速度.在此基础上,用建立的模糊神经网络对微波无源器件共面波导的电容参数来进行提取.实验证明,模糊数据曲线确定的网络结构是接近最佳的,在训练速度和精度方面,效果优于神经网络建模算法.     

神经网络在电磁无损检测中的应用

研究了在涡流检测中用神经网络对经过不同热处理工艺所得工件进行分类的方法,针对BP神经网络学习算法的不足,提出了改进算法,提高了网络分类的可靠性。做到了所需特征参数少,且快速准确。     

数据挖掘中分类方法的研究

分类是数据挖掘中的最重要的技术之一。目前实现分类的方法有统计方法、机器学习方法和人工智能方法等，常用的技术有决策树分类、贝叶斯分类、神经网络分类等。通过对当前具有代表性的分类算法原理进行分析、比较，总结出每种算法的性能特征，既便于使用者了解掌握各种分类算法、更好地选择合适的算法，又便于研究者对算法进行研究改进，提出性能更好的分类算法。     

毫米波电路引线楔焊质量智能预测技术研究

针对毫米波电路引线楔形焊接工艺优化难题,提出将一种带惩罚函数项的改进BP (Back Propagation,反向传播)神经网络算法用于引线楔形焊接质量智能预测中.通过试验分析了影响楔形焊接质量的关键工艺参数,提取了楔形焊接质量评价指标,基于改进的BP神经网络,建立了引线楔焊质量智能预测模型.研究结果表明,所提出的改进...