多模噪声中粒子滤波算法研究

粒子滤波是一种解决非高斯滤波问题的有效方法,受到许多领域的研究人员的重视。在扩展卡尔曼滤波(EKF)的基础上,提出一种基于多层感知器(MLP)的扩展卡尔曼滤波算法。利用扩展卡尔曼粒子滤波器和MLP对当前时刻状态重要性采样,引入MLP对样本进行重采样。该算法能有效利用测量值的最新信息,对状态估计的误差更小。在实验中,对于多模噪声非线性系统,该算法与另外算法进行比较。结果证明,所提算法性能优异于其他算法。     

压气机特性的高斯变换多层感知器预测方法

使用BP( back propagation)神经网络进行压气机特性预测时,容易出现外插精度低和系统稳定性差的问题.根据压气机特性图中等转速线线形分布特点,提出一种新型的多层感知器神经网络,利用高斯函数对数据样本进行变换,提取特性图中各条等转速线间的相似度关系.分析结果表明,该神经网络在预测精度、网络稳定性和逼近能力等方面优于BP神经网络.利用该神经网络对某型压气机特性进行预测,结果表明该神经网络对于样本数据内插值和外插值预测都有比较理想的精度.     

基于大数据的负荷边际电价联合预测方法

准确的电力负荷-边际电价联合预测有助于电力系统调度,同时也是电力系统运行和维护中最重要的任务之一。现有的独立预测方法割裂了负荷与边际电价之间的关系,影响预测精度,为此提出一种基于大数据的负荷-边际电价联合预测方法。首先以门限循环单元(gated recurrent unit, GRU)为基础,建立人工智能模型分别对负荷-边际电价进行预测;然后分别以历史温度与实时温度间的差值ΔT、历史负荷与实时负荷间的差值ΔP为基础,通过建立以多层感知器(multilayer perceptron, MLP)为基础的预测误差补偿模型,分别对负荷-边际电价的预测结果进行修正;最后将GRU的输出与MLP的输出叠加计算得到负荷-边际电价联合预测结果。算例验证表明:与传统方法相比,所提方法减少了13.4%的负荷预测误差,减少了71%的边际电价预测误差。     

热泵空调换热器水侧污垢故障的诊断

提出了换热器水侧污垢的理论模型;利用减小水流量的方法来模拟污垢故障,当故障发生时,吸排气压力会上升,这相当于热泵的制热系数降低了;神经网络由于具有模拟任何连续非线性函数的能力和利用样本学习的能力,已被用于本系统的故障诊断中;采用感知器学习算法对热泵空调换热器水侧污垢故障进行诊断.     

基于知识的模糊多层感知器

通过与标准模糊多层感知器的对比文章描述了基于知识的模糊多层感知器的具体结构,讲述了如何利用先验知识对连接权进行初始化以及如何从已经过训练的网络中抽取推理规则,文章最后指出这种网络在训练效率和识别性能上优于标准模糊多层感知器。     

改进的RBF网络及其参数优化方法

该文提出了一个改进的RBF网络及其参数优化方法。将典型的三层RBF网络改为一个两层RBF和一个单层感知器的串联网络。参数优化方法自动确定核函数个数,并根据核函数输出误差用BP算法修正核函数中心和宽度。根据样本分布的不规则性,引入了子类的概念,使每个类由若干子类覆盖,每个类生成一个单独的网络。实验表明,这种方法能得到较优的网络结构及其参数,并且提高了RBF网络中BP算法的收敛速度。     

一种基于模糊感知器的模糊神经分类器

隶属函数应能客观反映模式的不确定性分布情况,模糊神经分类器中为每个输入特征划分相同数量的模糊变量显然是不合理的.针对这一问题,根据模糊积分的思想,本文通过分析隶属函数的变化曲线来确定模糊密度,以此为依据为输入特征划分合适的模糊变量,并以Iris数据集为例验证了该方法的有效性.     

自适应RBF-LBF串联神经网络结构与参数优化方法

研究了前向单层径基函数(RBF)网络和前向单层线性基本函数(LBF)网络的分类机理，提出了RBF的中心和宽度应通过学习自动确定，在学习过程中根据错分样本被错分入的类别自动生成新的核函数这一观点．如果两个或两个以上核函数属于同一类，在输入空间相距较近且未被其它类别的样本分隔开来的情况下，则应考虑将之合并，或者使它们的作用区域部分重叠．从理论上阐明了采用Sigmoid活化函数的单层感知器的分类阈值为0．5，进而提出了由单层RBF网络和单层感知器组成的串联RBF—LBF神经网络．文中详细给出了确定该串联RBF—LBF神经网络结构、核函数个数、位置与宽度的优化算法．一般来说，该算法的计算复杂性比前向单隐层感知器采用的误差反传算法要小或至少相当．对几个经典的模式分类难题的处理结果表明，与一般RBF网络和前向单隐层感知器网络相比，该串联RBF—LBF网络及其自适应学习算法具有收敛速度快，分类精度高，易于得到最小结构，在学习过程中不易陷入局部极小点等优点，有利于实现实时分析．实验结果同时也验证了单层LBF网络对提高RBF—LBF网络分类正确率的重要性．     

一种新型单层感知器

本文提出了一种新型单层感知器。与传统的单层感知相比，这种新型单层感知器具有更强的学习能力，它能解决传统单层感知器所无法解决的异或问题。另外，由于对学习步长的优化选取，这种新型单层感知器的学习速度要比传统的单层感知器快。