脉冲神经网络在运动目标检测中的应用

近几年,在智能监控系统中,广泛应用了基于生物视觉原理的运动目标检测与跟踪计算模型。这里提出一种基于神经轴突延迟机制,利用脉冲神经元网络模型对运动目标进行检测与跟踪的算法,该神经网络模型是利用轴突延迟脉冲神经网络模拟人类的视觉特性,从而提取运动目标,并具体分析脉冲神经元网络算法的实际意义。实验结果表明,该算法能够动态并行地进行运动目标提取,可通过硬件实现而应用于监控系统中。     

三阶灰色神经网络模型的建立及应用

根据BP神经网络和灰色系统的基本理论,在现有的灰色神经网络模型理论的基础上,为能更加准确地反映复杂的非线性的动态过程,建立了基于时间响应函数的三阶灰色神经网络模型GNNM(3,1)。     

用于光流计算的一种神经网络算法

本文给出了一种利用神经网络计算光流场的新算法。整个计算过程分为三个阶段:神经网络模型参数的估计,轮廓边界垂直速度分量的动态测量以及光流场的计算。通过网络能量函数和运动的约束误差函数的比较对网络参数进行估计。用一个动态算法迭代运行非线性光流场计算方法以使神经网络能量函数达到最小,同时也对垂直速度分量进行动态估计。由模拟试验结果讨论了影响神经网络收敛性能的若干因素。     

基于OBF神经网络的温度传感器非线性补偿方法

针对热敏电阻温度传感器应用中存在的非线性问题,提出应用递推最小二乘法训练正交基(OBF)神经网络进行非线性补偿的方法.研究结果表明,与RBF神经网络非线性补偿模型和BF神经网络非线性补偿模型相比,该正交基神经网络非线性补偿模型具有误差小,精度高,训练次数少的优点,故为一种有效的非线性补偿方法,在测控领域具有实用价值.     

核卷积神经网络研究与应用

利用核函数非线性映射的优势,结合卷积神经网络算法,提出一种基于核卷积神经网络（Kernel-Convolutional Neural Network , Kernel-CNN）的新的网络学习模型。该方法首先对数据预处理,其次利用核卷积神经网络对数据进行特征提取,最后,构建softmax分类器对数据进行分类。本网络将非线性映射引入卷积过程构成核卷积过程,通过核卷积过程进一步增强模型的特征提取能力,在MNIST手写数字库以及美国麻省理工学院提供的MIT-BIH心律失常数据库上实验验证,本文模型正确率分别为98.5%、97%,均较好于卷积神经网络和支持向量机,且本文模型具有较小的LOSS值。      

基于IMM—UKF的转弯机动目标跟踪

针对目标作转弯机动时产生运动模式的不确定性和运动模型的非线性问题,提出基于Unscented卡尔曼滤波器的交互多模型算法.该算法采用带有极坐标系速度的转弯模型和二维Singer模型作为模型集,将Unscented卡尔曼滤波取带传统的扩展卡尔曼滤波解决转弯模型的非线性,同时在模型交互时使用Unscented变换取代雅可比矩阵解决目标状态转换时的非线性.通过Monte-carlo仿真表明,与标准交互多模型方法相比,基于Unscented卡尔曼滤波器的跟踪算法具有很好的跟踪性能.     

弹道目标被动段跟踪算法研究

围绕弹道导弹被动段跟踪问题,分析了被动段弹道目标的运动方式,在地心固定直角坐标系下建立了被动段弹道导弹运动模型;根据被动段弹道目标高速、高机动、强非线性的运动特点,采用基于"当前统计"模型的UKF滤波算法,实现了对弹道目标被动段的稳定精确跟踪。通过仿真试验,与传统的基于"当前统计"模型的EKF算法相比,该模型和滤波算法提高了对弹道目标的跟踪精度,尤其是对目标的速度和加速度估计,同时降低了对非线性系统跟踪发散的可能性。     

卡尔曼滤波在目标跟踪中的研究与应用

卡尔曼滤波算法是现阶段雷达信号处理中最常用的跟踪算法,结合雷达跟踪的空中目标的实际情况,针对目标运动模型中的线性运动和非线性运动模型,分别设计了两种模型,并利用马尔可夫状态转移矩阵实现交互多模算法。最后对交互多模型卡尔曼滤波算法进行了Matlab仿真及结果分析。     

神经网络在雷达信息处理领域的应用

神经网络的大规模并行分布或非线性处理特征为其在雷达信息处理应用奠定了基础。神经网络在雷达信息预处理，多目标跟踪雷达目标识别，下伏面识别，空中交通管制雷达信息分类和反辐射导弹制导方面具有大量应用实例，并且建立了反向散射神经网络模型。本文旨在各种基于神经网络的雷达信息处理方法和结构，详细介绍了利用神经地目标数据进行优化处理，提高目标跟踪分类和识别能力，建立杂波模型等雷达信息处理各个方面的应用，展示了     

无源定位对机动目标跟踪研究

通过分析飞行目标的空间运动关系,建立符合飞行目标运动特性的PVT三维跟踪模型。因为飞行目标无源跟踪的观测模型的高非线性,并且状态向量维数较高,文章把粒子滤波应用到飞行目标跟踪,并与卡尔曼滤波跟踪结果比较。仿真试验验证了PVT模型和PF滤波算法跟踪飞行目标的优越性。     

基于空间特征的非线性电路神经网络诊断

本文提出线性模拟电路的单、双、三故障空间特征,采用分段线性模型（PWL）将非线性电路线性化,通过遗传算法求电路的容羞范围,用神经网络对非线性嘲络进行诊断。本文的方法大火减少了模拟计算量,同时,使神经网络的训练过程加快,训练误差减少,并大大提高了诊断的正确率。     

基于遗传神经网络的AOA跟踪算法

提出了一种在非视距传播环境中基于遗传神经网络的到达角定位跟踪算法。首先使用遗传算法优化后向传播神经网络的初始权值,将优化后的GA-BP神经网络对AOA测量值进行修正,用最小二乘算法确定移动台的位置,再用卡尔曼滤波器配合相关检测距离门对移动台实施跟踪。仿真结果表明,该算法能有效地实现移动台的动态跟踪,且性能优于传统BP神经网络和LS算法。     

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络（CNN）特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。     

Trajectory control of robotic manipulators using neural networks

The authors present a nonlinear compensator using neural networks for trajectory control of robotic manipulators. The neural networks are not used to learn inverse-dynamics but to compensate nonlinearities of robotic manipulators. The performance of the proposed neural network controller is compared with that of the adaptive controller proposed by J.J. Craig (1988), and the effectiveness of the proposed neural network controller in compensating the unstructured uncertainties is clarified. A learning scheme using a model of known dynamics of manipulators is also proposed. The model learning can be done offline and needs no data recording of actual manipulator operation     

Use of neural networks in modeling semiconductor manufacturingprocesses: an example for plasma etch modeling

System modeling using the plasma etch process is used as a vehicle to demonstrate the application of adaptive nonlinear neural networks in complex process modeling. The system is an active manufacturing process for tantalum silicide plasma gate etching. The model is for a single process recipe, a single technology (1.25 μm), and a single machine. The model uses a few process signatures to successfully predict the oxide remaining (within 7 Å). The model is pattern density invariant. It is demonstrated that the backpropagation algorithm is adequate for building neural network models of complex nonlinear processes using production databases. The neural network model has a correlation of 0.68 while the statistical model has a correlation of 0.45     

用记忆型 BP 神经网络实现 HPA 预失真的算法研究简

在分析宽频带CMMB直放站高功率功放(HPA）特性的基础上,提出了一种可分离处理功放记忆效应和非线性的延时神经网络（FIR-NLNNN）模型。该模型以实数延时神经网络（RVTDNN）为基础,用Levenberg-Marquardt（LM）优化算法确定神经网络系数,在模型中新增参数w0,给出了LM算法的修改公式。接着在预失真神经网络系统中引入Bayesian机理消除LM算法的过拟合现象,构建CMMB数字直放站的间接学习预失真器,拟合HPA的非线性和记忆效应。结果表明：RVTDNN和FIR-NLNNN 2种预失真器均能显著提高系统性能,降低邻信道功率比30 dB左右。在保持均方误差（MSE）小于10?6的情况下,FIR-NLNNN结构的网络参数比RVTDNN结构减少了近50%,迭代过程中的乘法和加法次数约降低75%。     

改进BP神经网络的EMG手指运动识别

在基于肌电信号(EMG)手指运动的模式识别中,稳定性和识别率是两个主要问题,为此提出了一种新的EMG模式识别算法。该算法采用现代信号处理理论中的AR模型和改进的BP神经网络相结合的算法,有效的解决了BP网络识别中落入局部极值问题。进行试验,将提取到的特征值输入MATLAB建立一个改进多层BP神经网络,识别三个不同类型的手指运动。实验表明,改进BP算法较传统BP算法获得了更高的识别精度,达到94%左右。     

基于正交校正共轭梯度法的快速神经网络学习算法研究

前馈神经网络由于具有理论上逼近任意非线性连续映射的能力,因而非常适合于非线性系统建模及构成自适应控制。为了提高前馈神经网络的权的学习效率及稳定性,该文提出一种基于正交校正共轭梯度优化方法的快速神经网络学习算法,通过与其它学习算法(如:BP算法、变尺度法、用差商近似代替导数的Powell法等)的比较,经仿真试验表明,本算法是一种高效、快速的学习算法。     

Linear and nonlinear ARMA model parameter estimation using anartificial neural network

Addresses parametric system identification of linear and nonlinear dynamic systems by analysis of the input and output signals. Specifically, the authors investigate the relationship between estimation of the system using a feedforward neural network model and estimation of the system by use of linear and nonlinear autoregressive moving-average (ARMA) models. By utilizing a neural network model incorporating a polynomial activation function, the authors show the equivalence of the artificial neural network to the linear and nonlinear ARMA models. They compare the parameterization of the estimated system using the neural network and ARMA approaches by utilizing data generated by means of computer simulations. Specifically, the authors show that the parameters of a simulated ARMA system can be obtained from the neural network analysis of the simulated data or by conventional least squares ARMA analysis. The feasibility of applying neural networks with polynomial activation functions to the analysis of experimental data is explored by application to measurements of heart rate (HR) and instantaneous lung volume (ILV) fluctuations