共查询到10条相似文献,搜索用时 15 毫秒
1.
为直观地检验膜层的质量,建立微弧氧化工艺参数(电流大小、脉冲宽度、氧化时间)与微弧氧化膜层厚度之间的反向传播(BP)神经网络预测模型,其结构为3-10-1(即3个输入神经元,10个隐含层节点,1个输出神经元)。采用遗传算法(GA)优化BP神经网络的初始权值和阈值,构建基于遗传算法神经网络的膜厚预测模型。用GA-BP神经网络对膜厚进行模型仿真,并将仿真结果与BP神经网络模型仿真结果进行对比。结果表明,GA-BP网络模型预测值的平均误差为1.65%,最大误差为9.75%,而BP模型预测结果的平均误差为8.62%,最大误差为13.68%。GA-BP神经网络模型预测精度要优于BP神经网络模型。 相似文献
2.
3.
4.
5.
6.
7.
采用RBF神经网络的状态监测数据趋势预测,通过选取状态参数、数据预处理、运用Matlab神经网络工具箱建立RBF神经网络模型.先对网络初始化,确定输入、输出和隐含层的节点数.再将网络输出结果与样本比较,根据求得误差值逐步调整隐含层神经元数量,直至误差满足实际需求为止.对网络仿真证明该法具有较高精度. 相似文献
8.
使用宽带处理和小波变换理论对延展目标进行主动声成像.在对均匀密度的粗糙球体和常用的窄带散射函数模型进行分析的基础上,研究了对于球体模型的宽带扩展函数(WBSF)及其与球体相关的参数,讨论了通过使用小波变换方法来处理模型中存在的奇异值,最后,通过计算接收信号的小波变换对宽带扩展函数进行估计. 相似文献
9.
针对水下弱目标跟踪受干扰和噪声影响容易出现量测丢失或偏差,导致传统Kalman滤波方法跟踪误差显著增加甚至出现发散的问题,为此提出一种基于神经网络的目标跟踪方法,利用深度神经网络解决不同运动模式下目标方位跟踪的问题。水下目标跟踪的神经网路模型可通过运动模型生成大量量测数据进行充分训练,有效解决水声目标数据少、标记样本不足的问题;在量测不连续条件下,提出一种新的损失函数用于增强目标跟踪模型的稳健性;对未学习的仿真数据及实测海试数据进行测试。研究结果表明:构建的卷积神经网络(Convolutional Neural Network, CNN)模型适用于3种不同运动模式下的目标,能在平台静止和运动两种情况下稳定跟踪目标;CNN模型较传统Kalman滤波方法跟踪误差分别降低了7.75°和1.41°,验证了该模型的稳健性和可推广性。 相似文献
10.
基于粗集-神经网络模型的目标识别方法研究 总被引:1,自引:0,他引:1
为了克服传统目标识别方法的缺点,建立了一种基于粗集理论和神经网络结合的粗集-神经网络模型.利用粗集对输入信息进行约简,剔除冗余信息,简化了生成规则和神经网络模型结构,提高了网络训练速度和运行速度,并通过仿真实验证明了该混合模型的可行性。 相似文献