水声通信中变步长神经网络盲均衡算法研究

在水声通信领域多途引起的码间干拢可以用均衡消减。盲均衡不需要训练序列,这将有效的节省通信带宽,提高通信效率及通信性能。实际中的通信信道不可能是完全线性的,神经网络作为一种非线性动态系统,具有大规模并行处理及高度的鲁棒性特征,将其应用于水声信道盲均衡切实可行。文中对变步长BP算法的前馈神经网络进行了理论和算法分析,并通过计算机对其实现水声信道盲均衡进行了仿真。仿真结果表明采用变步长BP算法比采用传统BP算法的神经网络盲均衡器收敛速度快,均衡性能明显提高。     

线性修正下的神经网络盲均衡算法

研究了一种利用横向滤波器对神经网络进行线性修正的盲均衡算法。在神经网络的输入层之前加入一个横向滤波器,以横向滤波器的节点输出作为神经网络盲均衡器的输入,利用常数模代价函数分别得到横向滤波器和神经网络盲均衡器的瞬时输出误差,将瞬时误差加权处理作为调节误差分别对横向滤波器和神经网络盲均衡器的权系数进行调节,算法实现了对非凸性误差曲面进行线性和非线性寻优的组合。计算机仿真证明提出的算法有效提高了神经网络盲均衡算法的收敛速度,降低了稳态剩余误差,具有更好的实用性和均衡性能。     

基于BP神经网络的金属拉深件裂纹在线监测

论文运用设计的三层BP神经网络对采集到的10个声发射参数进行特征提取。通过对比不同隐含层神经元个数的BP神经网络的训练误差与训练次数,确定当隐含层神经元个数为13个时,BP神经网络的逼近效果较好,产生的网络误差最小。然后利用计算各声发射参数对表征裂纹信号灵敏度的大小,逐步删除各个声发射参数,降低模式识别时输入信号的维数。最后确定相对到达时间、幅度、能率、上升计数、持续时间和平均信号电平六个声发射参数能够有效地识别金属拉深件裂纹。本研究对于金属拉深件裂纹的在线监测具有理论和实际意义。     

一种黄金分割优化的极限学习机算法

针对极限学习机(ELM)存在大量隐层神经元个数和随机给定权值导致算法性能不稳定等问题,将黄金分割法(Golden Section)与ELM相结合提出了基于黄金分割优化的极限学习机算法(GS-ELM).首先通过黄金分割法对ELM隐含层节点数进行优化,接着再用该方法对ELM输入层权值和隐含层偏差进行优化.实验结果表明,相比较传统的BP神经网络,支持向量机和极限学习机,GS-ELM算法能获得较高的分类精度.     

判决引导和常数模融合盲均衡算法研究

结合判决引导（DD：Decision-Directed）算法和常数模算法（CMA：Constant Modulus Algorithm）的各自优点,研究了一种基于DD和CMA的融合盲均衡算法。DD算法收敛速度快,但要求初始接收信号眼图张开,CMA算法稳健,但是收敛速度慢,为此,对接收信号依DD算法和CMA算法获得瞬时误差后进行加权融合处理,以加权后获得的瞬时误差对均衡器权系数进行调节,实现均衡。计算机仿真证明了融合盲均衡算法有效提高收敛速度的同时具有良好的稳健性和均衡性能。     

改进型最小均方算法的仿真比较及在语音提取中的应用

介绍噪声抵消的原理和从强背景噪声中自适应滤波提取有用信号的方法,并对基于Sigmoid函数的变步长LMS算法（SVSLMS）、基于箕舌线的变步长LMS算法和基于抽样函数的变步长LMS算法进行对比研究,并将这三种改进型变步长算法用于强背景噪声中语音信号的提取,使其能消除含噪语音信号中的背景噪声,达到提高语音信号质量的目的。计算机模拟仿真结果表明,这三种算法都能通过有效抑制各种干扰来提高强噪声背景中的语音信号的检测特性。相比之下,基于抽样函数的变步长算法具有良好的收敛性能,更小的权噪声,更大的抑噪能力。     

拟牛顿优化BP网络盲判决反馈均衡器

针对水声通信严重多途效应导致的码间干扰,利用神经网络良好的非线性拟合能力,将盲判决反馈均衡器结构与神经网络相结合,同时通过拟牛顿算法提升神经网络的收敛速度,提出了一种拟牛顿优化神经网络的盲判决反馈均衡器.用两个单隐层误差反向传播(Back Propagation,BP)网络替换判决反馈均衡器前馈和反馈滤波器,利用拟牛顿...     

适用于QAM信号的方形判决超指数迭代盲均衡算法

针对超指数迭代判决反馈(Super-Exponential Iteration Decision Feedback Equalization,SEI-DFE)盲均衡算法在水声通信系统中表现出的收敛性差的问题,提出了一种基于正方形判决的修正超指数迭代判决反馈盲均衡算法。该算法在修正超指数算法的基础上,引入判决正方形机制分别对输出信号的同相分量和正交分量进行均衡,以进一步提高相位补偿能力;在判决反馈均衡器中引入二阶数字锁相环,实现对相位旋转的跟踪和补偿。消声水池实验采用16QAM调制信号,从滤波器阶数、步长以及Q矩阵大小三个方面对算法的影响来验证算法的误码率性能,结果表明,新算法的误码率相比修正超指数迭代判决反馈(Modified Super-Exponential Iteration Decision Feedback Equalization,MSEI-DFE)算法改善了两个量级,实现了对相位旋转的有效补偿,大大改善了载波恢复性能。     

变步长LMS自适应均衡算法研究

为解决宽带无线通信中由多径信道产生的符号间干扰,对最小均方(LeastMeanSquares,以下简称LMS)自适应均衡算法进行深入分析。针对LMS算法收敛速度和稳态均方误差相互矛盾的问题,重点研究变步长LMS算法,在现有算法的基础上,进行步长分析,提出一种新型变步长LMS算法。利用信道响应长度、均衡器阶数、收敛误差共同控制迭代步长,简化步长设置,提升算法的收敛速度并降低稳态均方误差。仿真分析表明新型变步长LMS算法有更好的收敛特性。     

基于BP神经网络算法的316L不锈钢极薄带热处理力学性能预测

目的 为了预测不锈钢极薄带热处理后的力学性能、优化热处理工艺以及实现热处理工艺的智能控制,构建基于BP算法的神经网络模型。方法 以316L不锈钢极薄带为研究对象,进行热处理试验和拉伸试验,通过以热处理的退火温度、保温时间和取样方向作为输入层参数,以屈服强度、抗拉强度、断后伸长率作为输出层参数,采用BP算法构建了316L不锈钢极薄带力学性能预测的思维进化算法优化BP神经网络模型,并进行模型的预测和应用验证,考虑不同隐含层节点数及不同BP神经网络模型对性能的影响。结果 思维进化算法优化的BP神经网络模型测试集的屈服强度、抗拉强度和断后伸长率的平均相对误差分别为8.92%、5.21%和9.28%,训练集相关系数为0.980 94。思维进化算法优化BP网络单、双隐含层误差总和最低分别为0.578 6和0.546 9,BP网络与思维进化算法优化的BP网络误差总和最低分别为0.579 9和0.546 9。结论 思维进化算法优化BP神经网络模型具有较好的预测能力和泛化能力,以及较高的预测精度。与企业现用生产工艺相比,采用模型优化后热处理工艺的综合力学性能有显著提高。     

PSO算法结合BP神经网络在传感器静态非线性校正中的应用

将粒子群优化(PSO)算法与BP神经网络相结合,应用在传感器静态非线性特性的校正中.用PSO算法所得到的全局最优值作为BP神经网络的初始权值,训练BP神经网络,训练结束后的神经网络作为传感器的静态特性校正器.应用结果表明,该方法可以提高BP神经网络的精度,并且该神经网络具有良好的泛化能力.     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

共生生物搜索算法在水声信道均衡中的应用

由于多径效应和频散效应导致水声信道中声信号衰减和失真严重,传统均衡技术不能满足在水声信道中应用的要求,近年来神经网络在均衡技术方面的突出表现受到广泛关注,因此,本文提出一种高效的神经网络训练算法,即基于非线性自回归神经网络的改进共生生物搜索算法(简称NARX-nSOS算法)实现水声信道均衡。该算法在非线性自回归神经网络(Nonlinear Autoregressive Neural Network with Exogenous Inputs, NARX)均衡器的基础上,用共生生物搜索算法(Symbiotic Organisms Search, SOS)来进行优化,并结合反向学习算法(Opposition-Based Learning, OBL)来提高该算法的收敛能力,利用计算机对NARX-nSOS算法的有效性进行了仿真验证,结果证明NARXnSOS算法加快了收敛速度,通信质量得到了显著提高。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于结构照明和BP神经网络的三维物体识别

提出一种具有旋转不变性的三维物体识别的新方法,该方法通过结构光照明的方法,使物体的高度分布以变形条纹的形式编码于二维强度图中,由于条纹图包含有物体的高度分布信息,因此对条纹的相关识别具有本征三维识别的特点.旋转不变性是通过BP神经网络实现的.计算机模拟结果表明,用二维强度像的基频分量做训练样本设计BP神经网络,选择训练样本和隐藏层神经元的数目,基于结构光编码的BP神经网络对三维物体具有良好的旋转不变识别效果.     

基于粒子群算法优化 BP 神经网络的色彩空间转换

目的研究基于粒子群算法优化BP神经网络对显示器色彩空间转换的预测准确性的方法。方法主要通过数据归一化处理、改进最大限制速度、惯性常数和适应度函数来优化BP神经网络的权值和阈值,以缩小其分布范围,再用BP神经网络法进行色差预测。结果改进粒子群算法优化BP神经网络预测模型,测试20次得到色块平均色差为2.8526,最小平均色差为2.0453。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

基于人工神经网络的光谱反射率重建

目的研究基于BP神经网络法和FNN神经网络法重构图像光谱反射率的精度。方法以SG标准色卡作为训练样本,分别使用BP和FNN神经网络法,对测试样本DC标准色卡的光谱反射率进行预测,并利用CIEL*a*b*色差公式、均方根误差(ERMS)和光谱匹配精度(GFC)对结果进行评价。结果 BP和FNN神经网络重构的光谱反射率平均色差(ΔEab)分别为2.997和3.071,平均均方根误差(ERMS)分别为0.056和0.049,平均光谱匹配精度(GFC)分别为0.987和0.991。结论 2种神经网络方法重构的光谱反射率具有相当优越的色度和光谱精度。相比于FNN神经网络,BP神经网络更加适合于光谱图像的获取领域。     

遗传算法优化 BP 神经网络的显示器色彩空间转换

目的基于改进遗传算法优化BP神经网络,研究对显示器色彩空间转换的预测准确性的方法。方法通过改进数据归一化处理和遗传算法的适应度函数,来优化BP神经网络的权值和阈值,以将它们的分布范围缩小,再用BP算法进行精确求解,并将该方式与常规方式作对比。结果训练优化后的BP神经网络预测模型20次,测试色块平均色差为2.9353,最小平均色差为1.9467。结论该方法大大降低了BP神经网络预测模型陷入局部极小值的可能性,对显示器色彩空间转换具有较好的非线性拟合能力和更高的预测准确性。     

Failure diagnosis of a servovalve by neural networks with new learning algorithm and structure analysis

This paper considers a failure diagnosis of a pneumatic servovalve used in automated production systems. The valve is monitored by an accelerometer. Six parameters characterizing the vibration data are extracted, and fed into neural networks to solve four types of diagnosis problems. A conjugate gradient followed by a variable metric method is demonstrated as an effective learning algorithm. Neural network structures are analysed through Boolean expressions summarizing network simulation results for given learning patterns. The neural networks are found to utilize majority voting mechanisms. Irrelevant neurons can be identified and removed without degrading the diagnosis performance.