基于神经网络的迭代控制器在超声马达速度控制中的应用

针对超声马达的速度控制问题提出了一种基于神经网络方法的迭代控制器。通过理论分析给出了保证控制器最快收敛的自适应学习率。数值结果表明该控制器对于多种形式的参考速度都有较好的控制效果 ,其控制精度与已有方法相比有较大提高。模拟结果还表明该方法对于随机扰动有较强的鲁棒性。     

基于SOM网络的股票聚类分析方法

无监督的自组织映射(SOM)神经网络是用于聚类的主要人工神经网络模型之一.在SOM网络的基础上改进了网络中的邻域函数,并将其用于对股票进行分析和选择,得到了令人满意的结果.为了提高解的精度,避免多个输入样本映射到同一输出节点还提出了禁忌映射的方法.数值模拟表明该模型对于上市公司的聚类结果令人满意,对于股民客观、准确地选出真正具有投资价值的股票具有指导意义.     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

基于输入输出回归神经网络的超声马达辨识和速度控制

建立了一个新的输入-输出反馈神经网络结构用于超声马达速度辨识.给出了以驱动电 压的幅值和驱动频率为控制量的双模式速度控制器,推导了辨识器和控制器的动态递归反传算 法.数值模拟结果表明,辨识器能比较精确地描述马达的输入-输出关系,双模式神经网络控制器 对多种形式的参考速度,都有很好的控制效果.     

采用三维自适应遗传算法的高校排课问题研究

根据教师、学生、课程、教室和时间要求建立多约束数学模型,并结合遗传算法特点,对其各个步骤进行了改进,提出了基于三维自适应遗传算法的排课方法。实验结果表明,与传统排课方法相比,基于三维自适应遗传算法的排课方法能有效降低课程之间的冲突率,提高排课效率和成功率。     

延时-回归神经网络及在超声马达控制中的应用

提出了一个结构简单的延时—回归神经网络(Time-delay recurrent neural network,TDRNN)模型.通过在网络中同时引入延时结构和反馈结构来保证网络具有高的记忆"深度"和的记忆"分辨率".建立了TDRNN型的控制器对超声马达进行控制,推导了TDRNN的动态递归反传算法.在离散型Lyapunov稳定性的意义下,导出了权值自适应学习速率的取值范围,保证控制系统的快速收敛.对超声马达速度控制的数值实验表明,本文提出的延时—回归神经网络在动态系统的辨识和控制方面具有很好的性能.     

多获胜节点SOM及其在股票分析中的应用

为了增强自组织映射(self-organizing map,SOM)网络的动态竞争和聚类能力,提高解的精度,在无监督的SOM神经网络的基础上,通过拓广获胜节点的数量,改进网络中的邻域函数和连接权函数等方法,提出具有多获胜节点的SOM模型.为了避免多个输入样本映射到同一个输出节点,还提出了禁忌映射的方法.为了验证所提出的方法的有效性,以股票的聚类分析为实例,对该方法进行了检验.通过对每股收益、每股净资产、净资产收益率、每股经营性现金流量及净利润等5项反映上市公司综合盈利能力的财务指标进行了模拟实验,所得的数值结果表明,在标准SOM及所提出的几种多获胜节点SOM网络模型中,具有双获胜节点(SOM with 2 winners,SOM2W)的网络模型获得了最好的聚类效果.结合实验结果对网络模型的进一步分析也表明,SOM2W的聚类能力优于标准SOM及其他网络模型.该模型为股票的分析和选择提供了一种可行的途径,在金融领域具有潜在的应用价值.     

远程教育招生报名系统的设计与实现*

随着远程教育报名人数的与日俱增,传统的电话咨询、现场报名的方式已经不能满足短时间内庞大的学生报名需求。本文通过分析远程教育招生报名系统的开发环境、报名管理需求、工作流程和报名系统的功能模块,设计了基于asp.net与sql server的远程教育招生报名系统,阐述了缓存优化技术和在线咨询2个关键技术,以实现远程异地报名,有效地解决了传统报名的工作量大、效率低的弊端。     

基于模糊理论和双向联想记忆神经网络的变压器老化评价

采用模糊理论和双向联想记忆神经网络(BAM)相结合的方式对变压器老化进行评价。该方法首先运用模糊理论对变压器的相关特征进行模糊化处理,处理相关参数的不确定性问题,之后采用模糊推理和解模糊过程进行变压器的老化状态评价。在模糊化过程中,因为绝缘油气体和绝缘油的电气特征主观性较强,本文使用BAM神经网络进行训练,从而实现这些规则的模糊化。通过对实际数据的模拟实验,对所提出的方法进行了检验,实验结果与实际情况吻合程度很好,验证了所提出方法的有效性。     

融合语言模型的端到端中文语音识别算法

为了解决语音识别模型在识别中文语音时鲁棒性差,缺少语言建模能力而无法有效区分同音字或近音字的不足,本文提出了融合语言模型的端到端中文语音识别算法.算法建立了一个基于深度全序列卷积神经网络和联结时序分类的从语音到拼音的语音识别声学模型,并借鉴Transformer的编码模型,构建了从拼音到汉字的语言模型,之后通过设计语音帧分解模型将声学模型的输出和语言模型的输入相连接,克服了语言模型误差梯度无法传递给声学模型的难点,实现了声学模型和语言模型的联合训练.为验证本文方法,在实际数据集上进行了测试.实验结果表明,语言模型的引入将算法的字错误率降低了21％,端到端的联合训练算法起到了关键作用,其对算法的影响达到了43％.和已有5种主流算法进行比较的结果表明本文方法的误差明显低于其他5种对比模型,与结果最好的Deep?Speech2模型相比字错误率降低了28％.