基于神经网络的运动参数估计

分别就两种约束使用神经网络对三维刚体运动进行参数估计.一是基于三维点匹配,将预测的运动参数作用于运动前的坐标,与运动后坐标进行比较;二是基于二维运动场,将使用预测的运动参数计算得出的二维运动场与图像序列中计算得出的二维运动场进行比较.两个神经网络均使用Newton-Raphson方法更新权值,以达到目标误差最小化.通过实验验证了该神经网络方法.     

基于改进RBF神经网络的变形场插值算法研究

传统的物体表面力学变形场计算方法存在计算量大,无法计算边缘点变形等问题;提出一种改进的萤火虫算法优化RBF神经网络的变形插值方法,利用阈值约束RBF神经网络隐含层结点数,运用可变步长萤火虫算法优化RBF神经网络隐含层节点的中心和宽度,采用递推最小二乘法计算隐含层到输出层之间的权值,建立物体表面位移神经网络插值模型;为提高位移插值精度,在训练和测试的输入中增加坐标组合数据;应用于混凝土梁三点弯实验,仿真结果表明,该算法比常用的神经网络算法有更快的仿真速度和更高的预测精度,可用于土工材料表面变形场的快速、准确的计算。     

基于生命周期的软件缺陷预测技术

为保证软件可靠性和软件质量,在基于软件开发周期的基础上,提出了一种利用PCA-BP模糊神经网络的软件缺陷预计方法.针对影响软件可靠性的各种因素,依据相关的标准,结合工程实践,选取了影响软件可靠性的度量元.收集了实际工程中的一类飞行控制软件的度量数据,利用提出的模型进行缺陷预测,并将预测结果与传统的BP神经网络模型计算的结果进行了对比.对比结果表明,与基于BP神经网络的预测方法相比较,结合了主成分分析方法的PCA-BP神经网络预测方法具有更快的收敛速度和更高的预测准确度.     

PCA_RBF网络在电力负荷预测中的应用研究

研究电力负荷预测问题,由于电力负荷因子间存在非线性和高度冗余,传统方法无法消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种将主成份分析(PCA)和RBF神经网络相结合的电力负荷预测方法(PCA-RBF).首先对电力负荷高维变量数据矩阵进行标准化处理,然后利用主成分分析建立相关矩阵,计算特征值和特征向量,通过求取累计方差贡献率,对主成分作为RBF神经网络的输入进行训练预测,主成分以较少的维数包含了原高维变量所携带的大部分信息,避免过多的输入导致的精度低和训练慢的不足.采用PCA_RBF模型对某省1992-2002的电力负荷数据进行验证性测试和分析.实验结果表明,改进的PCA_RBF模型可有效降提高负荷预测精度.     

基于CNN-WaveNet的滚动轴承剩余寿命预测

为保证设备正常运行并准确预测轴承剩余寿命,提出二维卷积神经网络与改进WaveNet组合的寿命预测模型.为克服未优化的递归网络在预测训练过程中易出现梯度消失问题,该模型引入了WaveNet时序网络结构.针对原始WaveNet结构不适用滚动轴承振动数据情况,将WaveNet结构改进与二维卷积神经网络结合应用于滚动轴承寿命预测.模型利用二维卷积网络提取一维振动序列的特征,随后特征输入WaveNet并进行滚动轴承的预测寿命.改进模型相比于深度循环网络计算效率更高、结果更准确,相比于原始CNN-WaveNet-O模型预测结果更准确.相比于深度长短期记忆网络模型,改进方法预测结果均方根误差降低了11.04％,评分函数降低了11.34％.     

基于小波变换的双并联神经网络在混合气体浓度预测中的应用

BP神经网络在混合气体浓度预测中得到广泛应用。针对BP神经网络收敛速度慢的特点,提出了一种新的基于小波变换的并列隐层双并联神经网络结构,这种网络首先对输入数据进行二维离散小波变换,然后用双并联神经网络对变换后两组数据进行训练,确定神经网络的权值和阈值。实验结果证明,相对传统的BP及双并联神经网络,基于小波变换的双并联神经网络的收敛速度加快2～3倍;对混合气体浓度的预测精度也有明显提高。     

基于小波包的RBF神经网络网络流量混沌预测

为了提高网络流量预测准确率,提出了基于小波包的RBF神经网络网络流量混沌预测法(WPCRBF).充分考虑到真实网络流量的周期性和噪声的影响,提出了一种改进的时间窗口法来计算最佳嵌入维和时间延迟,并用于上述预测方法中.以真实网络流量数据为实验数据,分别用CRBF、基于小波的RBF神经网络混沌预测法(WCRBF)与提出的WPCRBF进行预测,实验结果表明,该方法能够较准确地对网络流量进行预测.     

基于时频空间的非模型组合导航滤波方法

针对传统的组合导航方法存在建立模型困难和数据维度大等问题,提出了一种利用小波神经网络,直接对解算后的位置速度误差信息进行非线性预测的方法,该方法充分利用小波神经网络强大的时频分析与非线性预测能力,摆脱了数学模型的桎梏,避免模型建立中引入新的误差,并采用多个并行网络对数据进行降维处理,大大降低了计算量。以卡尔曼滤波为参照进行仿真实验,结果表明,该方法能够有效提高组合导航系统的精度与实时性,为组合导航滤波提供一种新的可行路径。     

基于鲁棒亚像素卷积神经网络的DEM超分辨率重建

数字地形模型（digital elevation model, DEM）是描述地球科学领域纵横表层曲面的基础数据模型之一,广泛应用于航天工程、海洋测绘、几何测量等领域。本文引入亚像素卷积神经网络模型进行DEM超分辨率重建,分析了不同训练样本定制策略对DEM超分辨率重建的影响,并提出了基于训练样本优化的鲁棒亚像素卷积神经网络。首先,基于Adam优化模型,分析了6类定制化训练数据集策略对训练网络的影响,提出了训练数据集的最佳定制方案,提升了算法的整体效率。其次,利用真实的DEM数据进行实验分析,通过与传统地统计学方法（双三次插值、最近邻插值和双线性插值）进行对比,结果表明该网络有效提高了DEM超分辨率重建的精度;最后,探讨了损失函数对网络训练效率的影响,给出了损失函数优化的建议。同时,作为卷积神经网络的衍生模型,基于训练样本优化的鲁棒亚像素卷积神经网络模型进一步丰富了卷积神经网络在DEM数据处理领域中的应用。     

基于PCA优化的神经网络飞机燃油消耗预测方法

针对传统方法存在的不足,提出了基于主成分分析法优化的Elman神经网络飞机燃油消耗预测方法。利用主成分分析法降低神经网络输入维数。构建主成分分析与Elman神经网络模型,进行基于飞参数据的实例分析,并将几种神经网络的预测效果进行了对比;提出了基于K-S检验法预测结果冗余修正法并进行了修正。误差指标和预测图像表明与主成分分析结合后Elman神经网络对飞机燃油消耗的预测性能优于其他传统神经网络,且K S检验法能够有效实现对预测结果的修正。     

Constructive neural networks with piecewise interpolationcapabilities for function approximations

This paper proposes a constructive neural network with a piecewise linear or nonlinear local interpolation capability to approximate arbitrary continuous functions. This neural network is devised by introducing a space tessellation which is a covering of the Euclidean space by nonoverlapping hyperpolyhedral convex cells. In the proposed neural network, a number of neural network granules (NNG's) are processed in parallel and repeated regularly with the same structures. Each NNG does a local mapping with an interpolation capability for a corresponding hyperpolyhedral convex cell in a tessellation. The plastic weights of the NNG can be calculated to implement the mapping for training data; consequently, this reduces training time and alleviates the difficulties of local minima in training. In addition, the interpolation capability of the NNG improves the generalization for the new data within the convex cell. The proposed network requires additional neurons for tessellation over the standard multilayer neural networks. This increases the network size but does not slow the retrieval response when implemented by parallel architecture.     

Neural Network Methods for NURBS Curve and Surface Interpolation

New algorithms based on artificial neural network models are presented for cubic NURBS curve and surface interpolation.When all th knot spans are identical,the NURBS curve interpolation procedure degenerates into that of uniform rational B-spline curves.If all the weights of data points are identical,then the NURBS curve interpolation procedure degenerates into the integral B-spline curve interpolation.     

LM算法在传感器数据融合中的应用

针对压力传感器对温度存在交叉灵敏度这一具体问题,采用LM算法对其进行数据融合,消除温度对压力传感器的影响,大大提高传感器的稳定性及其准确度;针对传感器存在测量误差问题,提出了增加一个噪声来训练网络,增强了网络的容错性。对所提方法进行了仿真研究和简单分析,并与非线性插值(三次多项式插值)作了比较,粗浅地指出:神经网络在数据融合过程中的实现机理。     

人工神经网络在降水量空间插值中的应用研究

降水的空间分布信息在水资源管理与分析中越来越重要,而降水插值是获取降水量信息的重要途径.对云南省内117个站点进行月平均、年平均的空间降水插值试验,采用融合地理信息的BP网络模型和径向基函数网络模型,并选取反距离加权法和克里金方法,对各种方法的插值结果进行对比分析,计算结果表明,人工神经网络方法可调参数较少,操作简单,插值效果较好.     

经验模态分解方法中端点问题的处理

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征,但是在利用样条插值获得信号上、下包络过程中存在着棘手的端点问题。有文献提出利用线性神经网络对信号进行延拓的方法,来解决经验模态分解方法中存在的端点问题。提出利用BP和RBF网络对信号进行延拓的方法解决该问题;并利用实验对三种网络的延拓效果进行比较,证明了RBF神经网络的有效性。     

基于新型深度神经网络的民机表面缺陷识别

为解决机务人员依靠经验来对民航飞机的表面缺陷进行识别时易发生误判的问题,开发了一种用于民机表面的缺陷识别的结合Inception-net和残差模块的新型深度神经网络。首先,通过对各机场的在修飞机表面缺陷进行采样建立数据集,手段包括使用图像处理修复不合格图像、使用数据增强缓解数据类别不平衡、使用立方卷积插值法降采样保留图像特征等图像预处理操作。然后在自建的数据集上对新型深度神经网络与其他神经网络进行对比测试。实验结果表明,新型神经网络在较少的参数下能够达到最深的网络深度,且在自建数据集的测试集上的识别率和查全率分别为74.23%和62.29%,优于进行对比的其他网络。说明在一定程度上该网络能够有效用于民机表面缺陷识别工作中。     

基于Neville型插值的过程神经网络

为了适当的将过程神经网络的初始离散数据连续化,研究利用Neville型插值的简洁性和高效性,在不需知道原始数据导数的条件下,就能够直接将离散数据连续化,过程非常简便和实用.之后为了更加方便计算以及对过程神经网络有更好的了解,巧妙的构造一组标准正交基将隐含层结构中的积分运算去除,此时发现过程神经网络等价于具有“前层”的传统神经网络.实验结果表明,该方法进行离散数据的连续化转化是可行的.     

高速高精度运动控制算法的研究与应用

为解决裁床运动控制系统在加工不规则轨迹曲线中存在的插补精度低,效率不高的问题,提出了基于改进BP神经网络B样条曲线插补算法的研究与设计。该算法通过加入动量因子改进BP神经网络离线训练B样条曲线,利用负反馈校正输出预测插补点,避免了BP神经网络插补器自身带来的偏差。同时根据加工曲线曲率半径的变化完成对速度的前瞻规划,实现了加工在拐角处的高速过渡。最后在Matlab上进行了算法仿真并在实验平台上进行了测试,实验结果表明本文提出的裁床运动控制算法能够高效高精度的完成材料切割。     

基于自组织神经网络在油气分层中的研究

测井曲线的分层研究是勘探和开发油气资源的重要手段,也是认识油气层的地质面貌,以及剖析油气藏量内在规律的一种有力武器。该文介绍了一种基于自组织神经网络对测井曲线进行聚类自动分层的识别方法,它是一种通过网络自身的调节,从而对输入数据进行聚类的方法。该文采用某地区的油气层数据来建立网络模型,首先采用了插值的方法,消除该测井数据随机干扰带来的噪声,同时保留了数据的完整性和代表性;然后通过利用自组织神经网络算法,对该数据自动进行四层的识别分类;最后结合人工分层的结果进行验证,以保证利用自组织神经网络识别的结果更加客观和可靠。该方法的可操作性强,原理简单易于实现,说明该算法对研究测井曲线具备一定的有效性和可行性。     

Performance comparison between the training method and the numerical method of the orthogonal neural network in function approximation

The orthogonal neural network is a recently developed neural network based on the properties of orthogonal functions. It can avoid the drawbacks of traditional feedforward neural networks such as initial values of weights, number of processing elements, and slow convergence speed. Nevertheless, it needs many processing elements if a small training error is desired. Therefore, numerous data sets are required to train the orthogonal neural network. In the article, a least‐squares method is proposed to determine the exact weights by applying limited data sets. By using the Lagrange interpolation method, the desired data sets required to solve for the exact weights can be calculated. An experiment in approximating typical continuous and discrete functions is given. The Chebyshev polynomial is chosen to generate the processing elements of the orthogonal neural network. The experimental results show that the numerical method in determining the weights gives as good performance in approximation error as the known training method and the former has less convergence time. © 2004 Wiley Periodicals, Inc. Int J Int Syst 19: 1257–1275, 2004.