基于泛函连接网络和差分进化算法的后非线性混叠信号盲分离方法

把后非线性混叠信号盲分离的分离系统用泛函连接网络来建模,对分离系统的输出应用高阶统计量独立性准则作为测度,然后利用差分进化算法对泛函连接网络的权值进行学习,从而获得了一种后非线性混叠信号盲分离算法。由于泛函连接网络是一种单层神经网络,具有学习参数少、收敛速度快和非线性逼近能力强的特点;而差分进化算法控制参数少、易于选择、具有全局寻优能力和快速的收敛特性;因而与其它的后非线性混叠信号盲分离方法相比,该文提出的分离算法具有计算简单、收敛速度快、较高的精度和稳定性好的特点。仿真结果显示了这种方法是可行和有效的。     

捕鱼算法优化核极限学习机的微博热点话题预测

微博热点话题预测对网络舆情控制与管理具有重要意义,针对微博网络热点话题的随机性、非线性以及核极限学习的隐层权值和隐层阈值优化难题,提出一种捕鱼算法优化在核极限学习的微博热点话题预测模型。首先将微博网络热点话题历史样本划分训练样本和测试样本集,然后采用在核极限学习对微博热点话题训练样本进行学习与建模,并采用捕鱼算法优化在线极限学习的隐层权值和隐层阈值,最后采用微博热点话题测试样本对其性能进行测试。实验结果表明,本文模型可以描述微博热点话题的发展趋势,提高了网络热点话题的预测精度,而且性能优于其它网络热点话题预测模型。     

压力传感器的非线性校正和迟滞补偿

针对压力传感器在桥梁支座压剪机应用中的非线性和迟滞现象,对其进行了分析,并采用最小二乘法对传感器输出信号进行非线性校正,然后利用函数校正法进行迟滞补偿。实验表明,该方法可以有效实现压力传感器的非线性校正和迟滞补偿。     

压电叠堆作动器率相关迟滞非线性建模研究

针对压电叠堆作动器的率相关迟滞非线性特性,该文提出了一种基于asymmetric unilateral backlash(aubacklash)算子的BP神经网络率相关迟滞建模方法。首先提出了改进的aubacklash算子,改善了Prandtl-Ishlinskii(PI)模型backlash算子在原点处残余位移及严格中心对称的问题;其次分析了压电叠堆作动器迟滞的率相关记忆特性,提出了率相关BP神经网络迟滞模型;最后搭建了迟滞建模精度评估系统,采用Levenberg-Marquardt(L-M)算法辨识aubacklash算子模型参数,确定了BP神经网络模型最优结构参数。实验结果表明,在高、低单一频率及混合频率下,BP神经网络模型较PI模型均方误差降低了70.90%~89.98%,相对误差降低了70.69%~89.84%,验证了该模型的精度与频率适应性。     

斐索干涉仪中压电陶瓷的非线性校正

相移器是斐索干涉仪的核心部件,其关键为压电陶瓷(PZT)致动器,而其迟滞非线性特性严重影响了相移精度,对光学元件的形貌检测造成不利影响。该文首先设计了PZT的控制系统,利用National Instruments（NI）动态数据采集设备（PCIe 6321）、LabVIEW系统及电压放大器组成电压驱动系统产生驱动信号,利用电阻式应变仪、惠斯通电桥作为位移传感器采集位移;其次,提出了一种多项式模型及基于PZT传递函数的前馈开环校正算法对PZT进行建模及校正;最后,在实验系统上对该算法进行了验证。实验结果表明,校正后,相移器的相移误差可被改善,校正前、后位移差小于10%。该系统可有效校正非线性,从而降低非线性相移对测量结果的影响,满足检测光学元件面形的高精度要求。     

压电陶瓷驱动平台的复合控制方法研究

压电陶瓷驱动平台的迟滞非线性影响其定位精度,并降低原子力显微镜等微纳操纵系统对微纳米尺度样品的扫描成像质量。采用最小二乘法对压电陶瓷驱动平台的迟滞特性进行建模,避免了繁琐的迟滞模型求取过程;提出前馈控制与自抗扰控制相结合的复合控制方法,通过设定扩张观测器的带宽及系统控制带宽达到消除迟滞、提高平台定位精度的目的。实验结果表明,该复合控制方法在保证系统稳定性的前提下能有效地提高系统定位控制精度。     

机敏约束层阻尼结构动态模型辨识

针对机敏约束层阻尼(SCLD)非线性系统的动力学建模问题,系统辨识是一种简便有效的方法.该文以NARX网络表征待辨识模型,并采用串并联与并联相结合的方法训练网络,根据实验数据辨识出非线性系统的动力学模型.通过对SCLD薄板结构外扰通道和控制通道的建模研究,证明了NARX网络良好的辨识性能及该文研究方法的正确性.为进一步验证该文建模方法的有效性和可行性,将NARX网络用于SCLD复杂车厢结构的动态模型辨识,并取得了较满意的效果.     

气压式血液循环驱动器预防骨科术后下肢深静脉血栓

为提高压电陶瓷驱动的微定位工作台的模型精度,提出了一种基于动态递归神经网络的建模方法.压电陶瓷具有极高的位移分辨率,但存在着迟滞非线性.分析了压电陶瓷驱动器的结构和特性,利用动态神经网络的自反馈结构和自学习能力,建立起工作台的网络模型,通过在线调整模型结构和参数,减小了工作台的建模误差.测量工作台的定位数据对网络模型进行了训练,实验结果表明,当工作台最大行程为80 μm时,平均定位误差0.07 μm,最大误差0.09 μm,比采用静态网络模型有了一定的提高.     

基于BP神经网络的网络故障预测实验简

神经网络具有能够逼近任意非线性函数关系的能力和比较方便的学习手段,因此,它可以用来作为一种复杂工业过程建模的新型方法。本文针对常用BP算法进行了深入的分析和仿真,并利用BP网络对基于大规模网络的故障管理进行针对性实验。     

基于PI迟滞模型的压电陶瓷复合控制算法研究

为减小压电陶瓷的迟滞非线性对系统跟踪精度的影响,该文采用经典的存在逆解析的PI迟滞模型对压电陶瓷的迟滞特性进行建模,将PI模型的逆模型用于压电陶瓷的前馈控制算法中,然后设计了神经元比例、积分、微分(PID)反馈控制算法,将前馈控制算法与神经元PID反馈控制算法结合得到了压电陶瓷的复合控制算法。将仅含前馈的控制算法和复合控制算法在压电陶瓷的控制器上执行,实验结果表明,仅含前馈的控制算法的跟踪误差为1.256μm,而复合控制算法的跟踪误差仅为0.092μm,该复合控制算法使跟踪精度提高了1.164μm。     

基于模糊逻辑的器件与电路建模技术

器件与电路的模型是进行CAD的基础,建模在数学上实质是函数逼近问题。模糊逻辑具有多层前向神经网络类似的万能函数逼近特性,本文介绍了利用这一技术进行器件与电路建模的一些尝试。由于模糊逻辑能自然地表达与问题有关的知识与经验,因此有可能取得较神经网络更好的结果。文章介绍了用模糊逻辑建模的过程,提出了用数论网格的样本点生成方法,最后用实例说明了用于器件与电路建模的效果。     

一种确定弱非线性双端口网络模型参数的新方法

非线性传输函数模型和非线性电流源模型是利用Volterra级数对非线性动态电路建模的两种形式;本文提出一种确定一类弱非线性双端口网络非线性电流源模型参数的方法,它通过测量网络的端口特性来确定其模型参数;这种方法比测量Volterra核的方法简单方便。     

基于HBF神经网络的自适应观测器

传统的RBF(Radial Basis Function)神经元基函数通常把高斯类型与单一宽度作为每个神经元的激活函数,这些特性限制了网络神经元的性能,特别是在处理复杂的非线性建模问题上.为了克服这个限制,本文应用了具有类似RBF网络,但激活函数不同-超基函数HBF(Hyper Basis Function)的网络.结合RBF网络,分析了HBF网络的结构、基函数形式及基函数对网络的影响,利用决策树算法计算了网络中心.在此基础上,提出了一种基于HBF神经网络的自适应观测器设计方法,并通过引入Lyapunov函数,证明了这种观测器设计方法的稳定性;最后通过仿真验证了这种HBF神经网络观测器能很好地观测系统的状态值.     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

Macromodeling of nonlinear digital I/O drivers

In this paper, a modeling technique using spline functions with finite time difference approximation is discussed for modeling moderately nonlinear digital input/output (I/O) drivers. This method takes into account both the static and the dynamic memory characteristics of the driver during modeling. Spline function with finite time difference approximation includes the previous time instances of the driver output voltage/current to capture the output dynamic characteristics of digital drivers accurately. In this paper, the speed and the accuracy of the proposed method is analyzed and compared with the radial basis function (RBF) modeling technique, for modeling different test cases. For power supply noise analysis, the proposed method has been extended to multiple ports by taking the previous time instances of the power supply voltage/current into account. The method discussed can be used to capture sensitive effects like simultaneous switching noise (SSN) and cross talk accurately when multiple drivers are switching simultaneously. A comparison study between the presented method and the transistor level driver models indicate a computational speed-up in the range of 10-40 with an error of less than 5%. For highly nonlinear drivers, a method based on recurrent artificial neural networks (RNN) is discussed.     

基于神经网络的宽带功放动态非线性行为建模

文章主要讨论了如何利用神经网络对宽带功放进行动态非线性行为建模的问题。首先简述了功放的动态非线性特性及行为建模的方法。然后回顾了基于实数时延前馈神经网络、径向基函数神经网络等浅层神经网络构建的功放动态非线性行为模型。在此基础上,针对5G/6G宽带功放具有更强的记忆效应的问题,重点分析了如何使用长短期记忆(LSTM)神经网络对功放的动态非线性进行精确的行为建模。最后展望了构建具有普适性的功放非线性行为模型将是5G/6G通信时代功放非线性建模的一个重要发展方向。     

混沌神经网络建模及仿真应用研究

简要的介绍了混沌神经网络的基本理论,对混沌神经网络与非线性建模问题进行了分析．以船舶发电机这一大型非线性系统为例,对其进行混沌神经网络仿真建模研究,提出了用混沌神经网络仿真建模的一般思路和方法．结果显示,将混沌神经网络应用于大型非线性系统的仿真建模是十分成功的．     

应急通信网拓扑模型及其分析

为了解决应急通信网络拓扑特性分析问题,从拓扑模型建立、容量分析、拓扑分析等几方面对应急通信网络模型进行了研究。在模型建立方面,主要考虑了骨干节点、接入节点和终端节点在应急通信网络中的不同之处,并进行分别建模;在容量分析方面,分别给出了任意网络和随机网络的网络容量数量级;在拓扑分析方面,主要从最短路径、节点度、富人俱乐部特性、介数、流中心性、偏心度、紧密活性等拓扑特性入手,通过多次实验进行应急通信网络特性研究。容量分析和拓扑分析的结果表明,提出的应急通信网络模型建立方法具有较高的容量,并符合实际应急通信网络特性。     

基于系统级诊断理论的卫星网络故障诊断

本文将系统级诊断引入到卫星网络的故障诊断领域.针对卫星可以具有多个通信方向且可以部分通信失效的特性,提出了一种新颖的卫星网络建模方法——双层节点图,设计了基于广播的卫星网络系统级诊断方案,并对其通信开销进行了理论分析.测试中充分利用了卫星广播和一对多的通信模式,使本方案不但适用于任意类型的网络拓扑,而且可以节省通信量.仿真结果表明诊断的通信开销随网络中可通信端口数量的减少而下降.     

一种基于帧图像的动态视觉传感器样本集建模方法

动态视觉传感器（Dynamic Vision Sensor,DVS）利用事件驱动原理实现运动目标的快速提取,具有低延迟、低存储空间和高动态范围等优势.目前研究表明,基于DVS的神经网络在目标检测等领域具有明显的速度优势.但是,这类神经网络在训练时所需要的样本集主要依赖DVS相机产生,缺少高效的样本集生成方法,这制约了这类神经网络的应用与发展.本文根据DVS原理,提出了一种基于帧图像的DVS建模以及样本集建模方法.该方法设定每个像素单元独立工作,经过动态差分和逻辑判断后输出触发的地址-事件数据,这些数据通过编码和归一化生成神经网络训练时所需要的样本集.通过对MNIST和CIFAR-10样本集建模的实验结果表明,该建模方法效果与DVS相机基本一致;与基于帧图像的存储方式相比,该样本集可以明显减少存储空间.该方法所生成样本集已经通过卷积神经网络训练和测试验证.