基于神经网络改进算法的飞控系统故障诊断

应用神经网络技术对复杂的飞行控制系统进行故障诊断对提高飞机的可靠性和容错能力具有重要意义。为了提高网络的学习效率和稳定性,该文提出一种改进的径向基神经网络学习算法,使用混合共轭梯度优化算法对网络参数进行调整。利用神经网络对某型飞机的飞行控制系统进行故障诊断,仿真结果表明该神经网络具有较强的故障识别能力。     

基于自适应神经网络的高速数字电路测试的研究

介绍了神经网络的模型建立。针对高速数字电路故障诊断的特点,提出了基于自适应神经网络诊断方法;与传统的神经网络相比,基于自适应神经网络具有学习速度快、网络能够收敛到最优权值、收敛精度很高、网络的分类能力强等特点,从而很好地提高故障诊断的效率;通过一个测试用例验证自适应神经网络在高速数字电路测试诊断中的应用,可以大大提高故障诊断的效率。     

具有多重分支的通用学习网络结构优化分析

本文介绍了一种新型的神经网络－通用学习网络（Universal Learning Networks-ULNs)这种网络具有如下特点：（1）节点之间有多重分支，（2）所有节点互连，（3）节点之间可具有任意的时间延迟。本文通过学习网络对机器人手臂的实测信号进行系统辨识，通过系统仿真验证了具有多重分支的通用学习网络要优于单分支的神经网络。     

一种基于多目标的自组织神经网络学习方法

自组织神经网络又称为无教师指导学习网络，可以自动地从环境中学习、获取知识、从而具有较强的自适应能力。目前，自组织神经网络在图象理解、模式识别、智能机器人控制等领域得到越来广泛的应用。但是，由于目前大部分组织神经网络都采用单准则无教师指导学习方法，从而导致了神经网络学习效率低等问题，这在一程度上影响了自组织神经网络更加广泛的有效应用。为此，本文提出了一种基于模糊熵准则和误差平方和准则的多目标（准则）自组织神经网络学习算法，该算法可以克服单准则无教师指导学习方法所存在的局限性，实验结果表明：该算法是有效的，并且较其它自组织神经网络学习方法，无论在学习效率上，还是在网络优化上，都具有很大的优越性。     

基于深度无监督学习的多小区蜂窝网资源分配方法

针对多小区蜂窝网络资源分配所要求的低能耗、高速率和低延时问题,提出一种基于深度无监督学习的多小区蜂窝网络资源分配方法.首先,构建基于无监督学习的深度功率控制神经网络,通过约束处理输出优化的信道功率控制方案以最大化能量效率的期望;然后,构建基于无监督学习的深度信道分配神经网络,通过约束处理输出优化的信道分配方案,并联合前期训练好的深度功率控制神经网络拟合输出优化的信道功率,进一步优化能量效率的期望.仿真结果表明,所提出的方法在保证低计算时延的同时可获得优于其他算法的能量效率和传输速率.     

大学生综合素质评价中BP神经网络的建模与仿真

介绍了神经网络的基本理论,指出传统BP算法存在的问题及改进方法。在建立大学生综合素质评价指标体系的基础上,提出并建立了一个BP神经网络模型。采用基于动量法和自适应学习率的BP算法对网络进行训练,避免网络陷入局部极小点,提高训练效率。应用该模型对大学生综合素质评价进行仿真,结果表明,利用神经网络进行大学生综合素质评价具有良好的前景。     

视觉情感识别系统的设计与实现

在现实生活中,人们具有丰富的情感,而情感会影响人的行为及认知等.为了获取并识别人类的情感,提出一种基于深度学习的"视觉情感识别系统"的设计方案.通过Python语言编写网络爬虫程序,爬取网络上带有情感标签的人脸图片,从而为神经网络的训练提供数据;采用Keras框架搭建卷积神经网络,对带有情感标签的人脸图片进行深度学习,使卷积神经网络收敛到理想的模型,从而实现对人脸图片的情感识别.实验结果表明,该方案具有一定的识别效率.     

GARBF在网络入侵检测中的应用研究

研究网络安全问题,提高入侵检测效率,针对网络入侵检测传统采用RBF神经网络方法在网络入侵中由于初始权值设定不当导致检测入侵耗时长、正确检测率低,误报和漏报率记的难题,为了解决上述问题,提出了一种GARBF神经网络入侵检测模型.GARBF神经网络模型在网络入侵检测过程中,采用遗传算法对RBF神经网络初始权值进行优化,然后将网络入侵数据输入优化的RBF神经网络中进行学习和检测.结果表明,相比较传统网络入侵检测模型,网络入侵检测误报率、耗时都较低,证明提高网络入侵检测的正确性和效率.     

遗传算法优化的神经网络入侵检测系统

研究确保网络安全问题,网络入侵手段具有多样性的,针对病毒和黑客攻击,传统方法检测易出现因初始权值设置不当,导致检测速度慢、检测正确率低的难题,为了提高网络检测正确率,提出一种遗传算法来优化BP神经网络权值的网络入侵检测方法.方法首先通过遗传算法找到BP神经网络的最适合权值,而后采用优化的BP神经网络对网络入侵数据进行学习和检测.实验结果表明,与传统网络入侵检测算法相比,优化的BP神经网络提高网络入侵检测正确率,加快了网络入侵检测的速度,提高检测效率,为设计提供了依据.     

基于改进自构形学习算法的RBF网络结构优化

RBF网络中的隐层神经元的数目直接影响着整个网络的性能和效率,因而对RBF网络的结构优化是一个非常必要的环节。本文先采用分步式训练构造初始RBF网络,然后利用改进的神经网络自构形学习算法对所构造的RBF网络的隐层进行优化,最后通过实验结果的分析与对比,验证改进的神经网络自构形学习算法对RBF网络优化的有效性。     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.     

求解二维装箱问题的强化学习启发式算法

二维带形装箱问题是一个经典的NP-hard的组合优化问题,该问题在实际的生活和工业生产中有着广泛的应用.研究该问题,对企业节约成本、节约资源以及提高生产效率有着重要的意义.提出了一个强化学习求解算法.新颖地使用强化学习为启发式算法提供一个初始的装箱序列,有效地改善启发式冷启动的问题.该强化学习模型能进行自我驱动学习,仅使用启发式计算的解决方案的目标值作为奖励信号来优化网络,使网络能学习到更好的装箱序列.使用简化版的指针网络来解码输出装箱序列,该模型由嵌入层、解码器和注意力机制组成.使用Actor-Critic算法对模型进行训练,提高了模型的效率.在714个标准问题实例和随机生成的400个问题实例上测试提出的算法,实验结果显示：提出的算法能有效地改善启发式冷启动的问题,性能超过当前最优秀的启发式求解算法.     

一种高效的模糊规则自动生成方法

文中提出一种模糊规则自由生成方法。该方法借助Ｋ－Ｎｅａｒｅｓｔ－Ｎｅｉｇｈｂｏｒ的概念确定控制曲面的的关键点,然后根据关键点确定模糊划分,并由此构造模糊神经网络学习模糊规则。神经网络采用ＢＰ算法学习,在学习过程中可根据收剑情况适当增加模糊分区,并重构神经网络继续学习。该方法能生成较精简的规则集,并具有良好的收敛性和较快的收剑速度。     

基于人工神经网络的负相关学习研究

人工神经网络集成技术是神经计算技术的一个研究热点,在许多领域中已经有了成熟的应用.神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定.负相关学习法是一种神经网络集成的训练方法,它鼓励集成中的不同个体网络学习训练集的不同部分,以使整个集成能更好地学习整个训练数据.改进的负相关学习法是在误差函数中使用一个带冲量的BP算法,给合了原始负相关学习法和带冲量的BP算法的优点,使改进的算法成为泛化能力强、学习速度快的批量学习算法.     

神经网络结构搜索方法综述

如今,深度学习广泛地应用于生活、工作中的各个方面,给我们带来了极大的便利.在此背景下,需要设计针对不同任务的神经网络结构,满足不同的需求.但是,人工设计神经网络结构需要专业的知识,进行大量的实验.因此,神经网络结构搜索算法的研究显得极为重要.神经网络结构搜索(NAS)是自动深度学习(AutoDL)过程中的一个基本步骤,对深度学习的发展与应用有着重要的影响.早期,一些神经网络结构搜索算法虽然搜索到了性能优越的神经网络结构,但是需要大量的计算资源且搜索效率低下.因此,研究人员探索了多种设计神经网络结构的算法,也提出了许多减少计算资源、提高搜索效率的方法.本文首先简要介绍了神经网络结构的搜索空间,其次对神经网络结构搜索算法进行了全面的分类汇总、分析,主要包括随机搜索算法、进化算法、强化学习、基于梯度下降的方法、基于顺序模型的优化算法,再其次探索并总结了提高神经网络结构搜索效率的方法,最后探讨了目前神经网络结构搜索工作中存在的问题以及未来的研究方向.     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循。文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性。讨论了构筑动态神经网络的一种途径。学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值。     

基于深度双Q网络的多用户蜂窝网络功率分配算法研究

针对现有蜂窝网络功率分配算法存在泛化能力弱、效率低等问题进行了研究,提出基于深度双Q网络(deep double Q network,DDQN)的功率分配算法。采用双神经网络结构,解决强化学习过程中易出现的维度灾难及值函数过估计问题;对状态信息进行设计并输入神经网络,输出智能体的动作行为,并设计奖赏函数反馈给神经网络,使智能体可以有效地自主学习,多次迭代得到最优的功率分配策略。仿真结果表明,所提的模型可获得的平均速率为1.89,平均运行时间为0.0013 s,在不同用户密度及小区数量下均可达到最高的平均速率,验证了算法的有效性,为蜂窝网络资源分配问题提供了新的思路。     

Temporal difference learning applied to sequential detection

This paper proposes a novel neural-network method for sequential detection, We first examine the optimal parametric sequential probability ratio test (SPRT) and make a simple equivalent transformation of the SPRT that makes it suitable for neural-network architectures. We then discuss how neural networks can learn the SPRT decision functions from observation data and labels. Conventional supervised learning algorithms have difficulties handling the variable length observation sequences, but a reinforcement learning algorithm, the temporal difference (TD) learning algorithm works ideally in training the neural network. The entire neural network is composed of context units followed by a feedforward neural network. The context units are necessary to store dynamic information that is needed to make good decisions. For an appropriate neural-network architecture, trained with independent and identically distributed (iid) observations by the TD learning algorithm, we show that the neural-network sequential detector can closely approximate the optimal SPRT with similar performance. The neural-network sequential detector has the additional advantage that it is a nonparametric detector that does not require probability density functions. Simulations demonstrated on iid Gaussian data show that the neural network and the SPRT have similar performance.     

基于小样本学习的SAR图像识别

深度学习已成为图像识别领域的一个研究热点。与传统图像识别方法不同,深度学习从大量数据中自动学习特征,并且具有强大的自学习能力和高效的特征表达能力。但在小样本条件下,传统的深度学习方法如卷积神经网络难以学习到有效的特征,造成图像识别的准确率较低。因此,提出一种新的小样本条件下的图像识别算法用于解决SAR图像的分类识别。该算法以卷积神经网络为基础,结合自编码器,形成深度卷积自编码网络结构。首先对图像进行预处理,使用2D Gabor滤波增强图像,在此基础上对模型进行训练,最后构建图像分类模型。该算法设计的网络结构能自动学习并提取小样本图像中的有效特征,进而提高识别准确率。在MSTAR数据集的10类目标分类中,选择训练集数据中10%的样本作为新的训练数据,其余数据为验证数据,并且,测试数据在卷积神经网络中的识别准确率为76.38%,而在提出的卷积自编码结构中的识别准确率达到了88.09%。实验结果表明,提出的算法在小样本图像识别中比卷积神经网络模型更加有效。