基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

基于免疫神经网络的陀螺仪漂移预测

BP神经网络可用于预测陀螺飘移误差，但容易陷入局部极值，训练速度很慢。针对上述缺点，该文提出了一种基于免疫算法的神经网络，以样本输出为抗原、神经网络权值矩阵为抗体，通过克隆、变异、抑制等步骤找到最优抗体，将最优抗体用于陀螺仪漂移预测。仿真试验显示，免疫训练算法能有效优化网络权值，基于该模型的漂移预测精度较高。     

基于神经网络的多传感器融合PDR定位方法

针对当前行人航位推算系统因行人随意性行走、传感器漂移等造成行人步长估计不精确、方向计算误差累积问题,提出了一种基于神经网络和智能手机内置多传感器融合的PDR室内定位方法.首先利用加速计采集的传感器数据和移动距离数据训练BP神经网络,将训练好的BP神经网络模型进行行人移动距离预测,然后根据行人行走步伐的连续性特点和传感器输出之间的相关性,设计了一种微航向角融合的方向估计算法.该算法通过对行走过程中的情况进行分类以获得可靠的传感器源,利用3种微航向角进行分类加权融合,最终获得行人行走方向的精确估计.实验结果表明,通过行人移动距离预测和微航向角融合算法能够实现得较好的定位效果.     

基于GRU循环神经网络辅助的组合导航算法

针对复杂场景下GPS信号失锁导致的INS/GPS组合导航系统定位精度严重下降问题,提出基于GRU(门控循环单元)循环神经网络辅助的方法.在GPS信号锁定的情况下,使用GRU循环神经网络对IMU传感器数据、组合导航信息、GPS信息进行训练;GPS信号失锁后,利用训练好的模型进行预测,继续补偿INS结果.通过实际跑车采得的数据进行验证,在GPS信号失锁时,使用GRU循环神经网络辅助相较于纯惯导系统精度有较大提高.与MLP(多层感知器)辅助的方法进行比较,验证了循环神经网络对于连续时间轨迹推算的优越性.     

基于滑模观测器和神经网络的传感器故障诊断方法比较研究

针对航空发动机传感器故障诊断中各种方法的优势和劣势,选择滑模观测器和神经网络这两种故障诊断方法分别对航空发动机转速传感器进行故障诊断研究,采用实验室搭建的发动机实验台DGEN380的实验数据,选择对航空发动机控制系统影响较大的偏置故障、漂移故障、脉冲故障、周期性干扰故障这四类传感器故障进行诊断。研究结果表明,滑模观测器和IPSO-BP神经网络都能实现航空发动机传感器的故障诊断;滑模观测器方法可以诊断出偏置故障、脉冲故障和周期性干扰故障,但不能诊断出传感器发生的漂移故障;IPSO-BP神经网络方法可以诊断出偏置故障、漂移故障、脉冲故障和周期性干扰故障。因此,滑模观测器在故障诊断中可能会出现漏诊的现象,IPSO-BP神经网络相对滑模观测器而言不会出现漏诊的现象。     

基于改进eRCNN的局部路网交通流预测

针对误差反馈循环卷积神经网络在运用到短时交通流预测时存在仅仅能接收时序误差序列,忽略交通流误差数据中隐含的空间拓扑特征,且在模型初始化时其采用的通用卷积神经网络初始化方法降低了模型训练效率的问题,本文提出一种优化的误差反馈循环卷积神经网络模型,在误差反馈循环卷积神经网络模型基础上根据预测误差数据的时空特性对误差反馈层进行结构强化,能够处理包含简单空间关系的误差序列。同时通过在模型训练的过程中分离模型产生的历史预测误差和训练误差,使得模型构建过程更加高效,加速了模型收敛速度。通过北京市四环道路交通数据的实验表明,优化的误差反馈循环卷积神经网络预测模型在预测精度、构建效率及鲁棒性上均得到有效提高。     

基于循环神经网络和卡尔曼滤波器的多变量混沌时间序列预测

混沌时间序列的鞍点远多于极值点,且容易出现多重共线性问题。对此,提出基于循环深度神经网络和卡尔曼滤波器的时间序列预测算法。利用循环深度神经网络预测高维时间序列,使用实时递归学习算法搜索最小化预测误差的最优网络参数,采用Levenberg-Marquardt算法对神经网络进行迭代训练。在线更新循环神经网络的过程中,利用卡尔曼滤波器对循环神经网络的输出权重进行调节,解决多重共线性的问题。实验结果表明,该算法实现了较低的预测误差,并且缓解了高维时间序列的多重共线性问题。     

基于GABP-KF的WSN数据漂移盲校准算法

针对无线传感器网络节点容易产生数据漂移的问题,提出了一种新型的跟踪和校准节点数据流漂移的算法。首先使用基于遗传算法优化的BP神经网络对目标节点和其邻居节点间的时空相关性进行建模,以获得目标节点的预测值,再使用卡尔曼滤波器跟踪和校准该节点的数据漂移。针对不同的真实数据集进行仿真实验显示,该方法相较于其他对比方法模型预测精度更高,漂移校准性能更好。实验结果表明,该算法可以精确地校准传感器节点的数据漂移,提高节点数据的可靠性。     

基于神经网络的航空传感器故障检测

用离线训练的神经网络进行导航传感器故障检测。首先,用已获得的正常飞行数据通过离线训练的方法训练神经网络并构造估计器的结构,然后用已选择好结构并训练好的神经网络作为估计器对传感器的读数进行一步预测。若预测值与传感器实际值之间的差值仅为递推误差和传感器输出噪声,则认为传感器工作正常,若相应的残差分量显著增大,则认为传感器故障。因此设计了相应的检测策略进行故障检测,以达到既避免不必要的报警、切换,又准确、及时的监测、报警。通过仿真试验验证,结果证明该方法可行。     

基于混合优化算法的压力传感器温度补偿

针对压阻式压力传感器存在温度漂移,其测量精度受温度影响很大的问题,使用最小二乘拟合方法与RBF神经网络共同建立压力传感器温度补偿模型.针对低温和高温区域使用RBF神经网络进行补偿,对中间线性区域使用最小二乘拟合方法进行补偿.同时为了提高RBF神经网络拟合效果,使用进化算法和下降梯度算法优化RBF神经网络参数.实验结果表明,本文使用方法与单纯使用RBF神经网络或最小二乘拟合方法进行温度补偿,具有更高的训练效率和温度补偿效果,能够提高压力传感器在各种环境下的测量精度和工作可靠性.     

Memory Analysis for Memristors and Memristive Recurrent Neural Networks

Traditional recurrent neural networks are composed of capacitors, inductors, resistors, and operational amplifiers. Memristive neural networks are constructed by replacing resistors with memristors. This paper focuses on the memory analysis, i.e. the initial value computation, of memristors. Firstly, we present the memory analysis for a single memristor based on memristors' mathematical models with linear and nonlinear drift. Secondly, we present the memory analysis for two memristors in series and parallel. Thirdly, we point out the difference between traditional neural networks and those that are memristive. Based on the current and voltage relationship of memristors, we use mathematical analysis and SPICE simulations to demonstrate the validity of our methods.      

气体传感器阵列温度漂移抑制的研究

半导体气体传感器存在漂移问题,温度变化对漂移的影响尤为明显.在气体传感器阵列中,可以加入温度、湿度等传感器,监测其工作环境.实验系统采用恒温箱设定一组温度,制备气体样本20例(两种浓度样本各10例),采集传感器对样本的响应;通过人工神经网络来识别样本;当有误判发生时,在原网络中引入温度传感器的响应值,消除了误判,在一定程度上抑制了漂移,改善了网络性能,验证了该温度漂移抑制方法的可行性.     

基于数据分类的领域自适应新算法

一般的机器学习都假设训练数据与测试数据分布相同,而领域自适应算法则是在不同数据分布条件下进行知识传递和学习,在数据挖掘、数据校正、数据预测等领域有着广泛的应用。支持向量机SVM的主要思想是针对二分类问题,在高维空间寻找一个最优分类超平面,以保证最小的分类错误率。CCMEB理论由Tsang I提出的,是一种改进了核向量机CVM的最小包含球算法,在大样本数据集处理上有着较快的速度。而CCMEB理论同样适用于二分类的SVM数据集。将SVM理论、CCMEB理论与概率分布理论相结合,提出了一种全新的基于数据分类的领域自适应算法CCMEB SVMDA,该算法通过计算各自分类数据组的包含球球心,能够有效地对不同领域数据进行整体校正和相似度识别,具有较好的便捷性和自适应性。在UCI数据、文本分类等数据上对该算法进行了验证,取得了较好的效果。     

传感器故障检测、分离与恢复的神经网络方法

传感器是测控系统不可缺少的部件,传感器数据的高可靠性是系统正常工作的重要保证,本文基于递归神经网络具有优良的动态系统建模能力和时间数据序列预报区能力,融合时空信息,构造出具有传感器故障检测,分离和故障恢复能力的智能传感器系统,理论 仿真结果表明,所研究系统的优良性能。     

基于自联想神经网络的传感器故障诊断

提出一种基于自联想神经网络(AANN)的新算法用于系统中传感器故障诊断。阐述了AANN的结构和算法。具体说明了搜寻2个故障传感器和恢复信号的方法。用改进的AANN诊断有噪声情况下传感器跳变故障并恢复信号。本方法有易实现、结构简单的优点,仿真结果表明:本方法是可行的。     

基于递归神经网络的水下机器人故障辨识

水下机器人故障检测与辨识是机器人实现主动客错控制的关键.针对一般非线性系统执行器和传感器故障辨识问题构造了一种基于递归神经网络的故障辨识模型,并将其应用于水下机器人执行器与传感器故障检测和辨识中.2个并行递归神经网络根据水下机器人实际输出与估计输出间的误差学习调整隐藏层与输出层权矩阵,辨识机器人中发生的执行器故障和传感...     

基于分段融合的压阻式传感器温度补偿方法

针对硅压阻式压力传感器在工程应用中受环境温度和压力的影响产生漂移,影响测量精度等问题.提出一种基于粒子群优化RBF神经网络与最小二乘法融合的温度补偿模型.使用粒子群算法对常规RBF神经网络的权值和阙值进行优化,提高神经网络的泛化性能和训练效率,增强传感器非线性段温度补偿的效果;使用最小二乘法对线性段进行温度补偿,提高整体模型的补偿效率.以飞思卡尔24 PC型压力传感器进行补偿实验,结果表明:对比优化前的神经网络和最小二乘方法,利用本文方法进行温度补偿,耗时短,总体误差低于其他两种方法.传感器在整个温度区间和压力测试点下的输出基本不受影响,补偿效果明显,数据精度符合课题实验的要求.     

压电陶瓷传感器的灵敏度温漂误差补偿研究

针对微测系统中压电陶瓷传感器的灵敏度温漂会使其在变化的温度环境中工作时性能不稳定,进而影响检测精度问题,提出了一种基于改进Elman神经网络的压电陶瓷传感器灵敏度温漂误差补偿控制方法。分析了压电陶瓷传感器产生灵敏度温漂现象的原因。以压电陶瓷切削力测量传感器为对象,在不同温度下对传感器的灵敏度进行了标定试验研究。研究结果表明,压电陶瓷传感器在同一温度下工作时具有良好的线性度,在温度变化的环境中工作会伴有灵敏度温漂现象。为了有效补偿灵敏度温漂附加误差,提高检测精度,建立了基于改进Elman神经网络的灵敏度温漂补偿模型,并对模型涉及的学习算法、激励函数、输入输出层节点以及承接层和隐含层节点数等相关内容进行了研究。对比试验验证结果表明,所建立的灵敏度温漂补偿模型对压电陶瓷传感器的灵敏度温漂误差补偿控制效果明显,未经灵敏度温漂补偿,直接按照常温下灵敏度标定结果预测的压电陶瓷传感器加载力和实际加载力之间误差较大,最大误差达到29.16 N,利用本文建立的基于改进Elman神经网路灵敏度温漂补偿模型补偿后,补偿模型的预测力和压电陶瓷传感器的实际加载力最大误差仅0.72 N,有效保证了检测精度。     

离散时间反馈神经网络的渐近行为研究

Hopfield神经网络是一类应用非常成功的人工神经网络模型，它是研究这个反馈神经网络的基础．该文主要研究离散时间、连续状态的反馈神经网络，它是Hopfield神经网络的推广．众所周知，研究反馈神经网络的稳定性不仅被认为是神经网络最基本、最主要的问题之一，同时也是神经网络各种应用的基础．文中主要研究离散时间反馈神经网络的稳定性，给出了连接权矩阵非对称的并且输入-输出函数是一般的S-函数的新的渐近收敛性条件及相应的收敛性结论．所获结果不仅推广了一些已有的结论，而且为反馈神经网络的应用提供了一定的理论基础．     

The Intermittent Control Synchronization of Complex-Valued Memristive Recurrent Neural Networks with Time-Delays

In this paper, the intermittent control synchronization of complex-valued memristive recurrent neural networks with time-delays is investigated. As a generalization on the real-valued memristive recurrent neural networks, complex-valued memristive recurrent neural networks own more complicated properties. In complex-valued domain, bounded and analytic complex-valued activation functions do not exist. Some assumptions about activation functions in real-valued domain cannot be applied directly to complex-valued fields. By appropriate transformation, complex-valued memristive recurrent neural networks can be divided into real parts and imaginary parts, which can avoid discussing the bounded and analytic. In the framework of differential inclusion theory and Lyapunov method, sufficient criteria of intermittent control synchronization are established. Finally, a simulation is given to verify the validity and feasibility of the sufficient conditions.