基于神经网络改进的系统辨识方法

本文介绍了系统辨识的内容和步骤,通过对神经网络中有噪声干扰的二阶系统模型辨识的问题,提出了改进的神经网络MBP模型辨识方法,并仿真验证,证明了BP网络具有较全面的系统辨识能力,功能强大,适用面广,泛化能力优良。     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

系统辨识研究的现状

综述了系统辨识问题的研究进展,介绍了经典的系统辨识方法及其缺点,引出了将集员、多层递阶、神经网络、遗传算法、模糊逻辑、小波网络等知识应用于系统辨识得到的一些现代系统辨识方法,最后总结了系统辨识今后的发展方向。     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

神经网络在系统辨识中的应用

系统辨识在工业方面应用广泛,该文从基本的智能控制技术——神经网络(NN)技术出发,提出了一种利用神经网络进行系统辨识的方法.该辨识方法显示出很强的处理问题的能力,无需辨别系统阶次.辨识结构简单,精度高.仿真结果表明这种方法的有效性和可行性.本论文共分为四部分:第一部分介绍了神经网络用于系统辨识的特征,第二部分讲述了神经网络的工作原理,包括神经网络的模型、传递函数及训练过程,第三部分讲述了神经网络进行系统辨识的仿真实例,第四部分对上述内容作了简要小结.     

基于自组织模糊神经网络的污水处理出水水质预测建模

提出了一种新的自组织模糊神经网络算法,该算法能够基于输入数据自动进行神经网络结构辨识和参数辨识。首先采用一种自组织聚类方法得到神经网络的结构和网络参数初值,然后采用监督学习来优化网络参数。以某污水处理厂的运行数据为对象,应用该自组织模糊神经网络建立了活性污泥污水处理系统出水水质预测模型。仿真结果表明,该模型能够对污水处理系统出水水质进行较好的预测。     

一种基于模糊神经网络的非线性系统模型辨识方法

该文提出一种非线性系统的模型辨识方法。通过结构的辨识(学习)和参数的辨识(学习),构造了一个模糊神经网络,经调整网络的权值,获得一个精确的模糊模型。对两个非线性系统辨识的仿真结果验证了该方法的有效性。     

雷达目标辨识网络的对抗性样本分析

为了验证雷达目标辨识网络存在风险,提升基于辨识网络的雷达目标辨识效果,文中研究了不同雷达目标辨识网络的对抗性样本。针对雷达目标辨识网络中的卷积神经网络和分解卷积神经网络,建立对抗性样本生成模型,按照该模型生成对抗性样本,并对生成的结果进行分析总结。实测数据处理结果表明,雷达目标辨识网络存在潜在风险。     

动态系统多层网络模型的递推辨识算法研究

本文基于对多层前向神经网络学习训练获得最优权集合过程看成是非线性动态系统模型参数自组织、自学习的辨识过程，阐述了基于多层前向网络描述体系的定常和时变非线性动态系统的ＧＢＰ（广义反向传播算法）自适应递推辨识算法和模型的校验。ＧＢＰ递推算法包括在采样时间段上的纵向参数辨识过程和时序上的横向滑动辨识过程，它是现有多层网络学习算法的拓广，仿真研究表明该算法的有效性。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

一种基于BP神经网络算法PID控制器的研究与仿真

文中将BP神经网络的原理应用于参数辨识过程,结合传统的PID控制算法,形成一种改进型BP神经网络PID控制算法。该算法利用BP神经网络建立系统参数模型,能够跟踪被控对象的变化,取得较高的辨识精度。针对BP神经网络对权系初始值敏感的缺点,优化BP神经网络的初始权系数。通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。仿真结果显示了该算法收敛速度快、精度高、鲁棒性强、稳定性好,表明了该算法的可行性与有效性。     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。     

利用误差逆传播神经网络法识别几种毒品的太赫兹光谱

在采用太赫兹时域光谱(THz-TDS)技术对9种常见毒品进行实验研究并得到它们在0.2～2.6THz频率范围的特征吸收谱的基础上,用误差逆传播(BP)神经网络法对9种常见毒品的太赫兹吸收光谱进行了训练及识别。首先,用9种毒品的太赫兹吸收谱训练已经建立的误差逆传播神经网络;然后,选用与训练光谱不同时间测得的9种毒品的太赫兹吸收光谱作为检测光谱,经过二阶导数预处理之后分别输入到训练好的误差逆传播神经网络中进行识别,识别率达到89%。该误差逆传播神经网络模型采用MATLAB语言编制程序。识别结果充分表明,用误差逆传播神经网络可以实现对不同种类毒品的识别和鉴定,为太赫兹光谱技术用于毒品的检测和识别提供了一种有效的方法。     

基于光电混合功率谱分析的BP神经网络分类器在癌细胞筛选中的应用

基于光电混合功率谱分析的ＢＰ神经网络分类器在癌细胞筛选中的应用张以谟，史韦，李贺桥（天津大学现代光学仪器研究所）ＡｎＡｐｐｌｉｃａｔｉｏｎｏｆＢＰＮｅｕｒａｌＮｅｔｗｏｒｋｆｏｒＣａｎｃｅｒＣｅｌｌＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＢａｓｅｄｏｎｔ...     

基于BP神经网络的说话人识别技术的实现

说话人识别就是从说话人的一段语音中提取出说话人的个性特征,通过对这些个人特征的分析和识别,从而达到对说话人进行辨认或者确认的目的。神经网络是一种基于非线性理论的分布式并行处理网络模型,具有很强的模式分类能力及对不完全信息的鲁棒性,为说话人识别技术提供了一种独特的方法。BP(Back-propagation Neural Network)是一种非循环多级网络训练算法,有输入层,输出层和N个隐含层组成。首先概述了语音识别技术,介绍了BP神经网络训练过程的7个步骤及其模型,如何建立BP神经网络模型。同时介绍了与其相关的特征参数的提取,神经网络的训练和识别过程,最后,通过编程在Linux系统下实现说话人身份的识别。     

基于小波能量系数和神经网络的管道缺陷识别

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。     

基于遗传算法的神经网络集成在人耳识别中的应用

BP神经网络算法存在收敛速度慢和网络泛化能力差的缺点,影响分类识别率。为了提高网络的分类识别能力和泛化能力,在此介绍一种基于遗传算法的神经网络集成方法,即训练出多个个体BP神经网络,利用遗传算法选择差异度较大的个体BP网络进行神经网络集成,再利用该神经网络集成进行分类识别。实验结果表明,神经网络集成可以提高识别率。