应用RBF神经网络的体绘制传递函数设计方法

提出一种基于RBF神经网络的体绘制多维传递函数设计方法,利用直观的交互界面,通过画笔获得感兴趣体素的特征信息作为训练样本对RBF神经网络进行训练,使用训练后的RBF神经网络实现全部体素的分类识别,对不同的分类结果赋予不同的光学参数进行显示,自动完成传递函数的设计。实验结果表明,所设计的交互界面能直观方便地定义感兴趣的对象,大幅提高人机交互的效率;RBF神经网络的自主学习能力能够避免传递函数设计的盲目性,增强感兴趣区域的绘制效果,实现传递函数设计的自动化和智能化。     

基于正交多项式函数的神经网络及其性质研究

神经网络的非线性逼近能力的研究是神经网络研究中的一个热点问题。该文提出了基于正交多项式函数的神经网络构造理论,以此为基础提出了基于正交多项式函数的神经网络的构造方法,利用Stone-Weierstrass定理从理论上证明了基于正交多项式函数的神经网络具有能以任意精度逼近任意紧集上的连续函数的全局逼近性质,最后,提出了基于正交多项式函数的神经网络的选择和评价方法,研究表明,在一定条件下,当选择Chebyshev多项式时,所构造出的神经网络性能最优。     

传递函数与脉冲传递函数的直接换算方法

在极点互异的条件下,本文导出了传递函数与脉冲传递函数参数换算的解析表达式,对不同的保持器,它们具有统一的数学形式和算法,对于重极点,本文给出一种有效的摄动方法,使其可用互异极点代替,作为应用例子,本文证明了应用Tustin算子的条件。     

稳定场图像重建中的传递函数研究

目的 针对2维图像重建（或修复）的准确性和效率问题,以传递函数为核心并提出相关重建算法。方法 在图像局部纹理稳定场模型的基础上,针对每一个缺损像素点,考虑其周围已知区域的像素点都对它进行能量传递,且在重建过程中首先将能量传递到最近邻域内,由此构造传递函数并引入标量场的二阶泰勒展开来完成,最终依据最近邻域内的能量值,以插值完成重建。结果 采用重新构造的传递函数并结合不同的插值方法分别对缺损的几何图形、灰度图像及彩色图像进行重建,结果与图像场方向导数的局部区域重建算法、典型的CDD（curvature driven diffusion）、BSCB（Bertalmio Sapiro Caselles Ballester）、TV（total variation）重建算法相比,重建准确率分别提高了6%、10%、15%、13%,峰值信噪比（PSNR）分别提高了2 dB、1 dB、3 dB、2.5 dB,并且图像缺损边缘及纹理细节的重建更加清晰。结论 对2维图像重建的传递函数的研究及所提出的相关重建算法,对于不同类型图像不同程度的缺损,以保持较好的整体视觉效果和重建效率为前提,较大地提高了重建准确性和PSNR,尤其在图像缺损区域边缘及纹理细节的重建上表现出色。     

基于MATLAB的Butterworth最优传递函数的求解与仿真

针对Butterworth最优传递函数分母多项式的系数随着阶数n的增大,计算麻烦的问题,本文引入MATLAB语言,进行求解和仿真,使得计算和分析过程得到简化。     

广义模糊推理与广义模糊RBF 神经网络

在提出广义模糊推理概念的基础上,提出并分析了广义模糊径向基(RBF)神经网络模型,给出了该网络的广义学习算法。仿真结果验证了广义模糊RBF神经网络模型具有良好的函数逼近能力,所提出的学习算法是可行和有效的。     

电动执行机构传递函数的研究

介绍了一种获得电动执行机构传递函数的新方法。该方法从分析电动执行机构的各个组成部分出发,最终推导出以供电电压为输入、反馈电压为输出的开环传递函数,并通过求解微分方程,提出了一种简单、快速确定执行机构传递函数参数的新方法,来求解该传递函数的参数。物理实验和Matlab仿真都表明,这种方法简单、便捷。     

广义同余神经网络及BP神经网络的比较研究

从神经网络的结构、激励函数、权值调整算法等方面对三种广义同余神经网络(generalized congruence neural network,GCNN)及传统BP神经网络(back propagation neural network,BPNN)的异同点进行了比较和研究.通过对正弦函数的逼近性能比较,表明最新改进的第三种GCNN既继承了前两种GCNN收敛速度快的优点,又具有传统BPNN稳定性好的优点;既克服了前两种GCNN不稳定性的缺点,又克服了传统BPNN收敛速度慢的缺点.采用分段线性激励函数有利于GCNN的推广应用.     

MDF施胶系统的神经网络逆复合控制器设计

针对中密度纤维板(MDF)施胶系统,在分析其物理特性的基础上,利用神经网络广义逆控制的方法设计出期望的伪线性系统,并结合经典控制理论,采用PID控制器作为该伪线性系统的闭环控制器.由神经网络广义逆系统与作为附加控制器的PID控制器结合在一起构成的控制器称作神经网络逆复合控制器.为验证该控制器的可行性,通过Matlab进...     

用基于实数编码的自适应遗传算法进化神经网络

为了提高进化神经网络的速度,文章提出了一种基于实数编码方案的的遗传算法,该算法中采用了自适应变 异算子。用于求解ＸＯＲ问题,结果表明该算法具有很好的收敛性能。     

基于ArcReLU函数的神经网络激活函数优化研究

近年来深度学习发展迅猛。由于深度学习的概念源于神经网络,而激活函数更是神经网络模型在学习理解非线性函数时不可或缺的部分,因此本文对常用的激活函数进行了研究比较。针对常用的激活函数在反向传播神经网络中具有收敛速度较慢、存在局部极小或梯度消失的问题,将Sigmoid系和ReLU系激活函数进行了对比,分别讨论了其性能,详细分析了几类常用激活函数的优点及不足,并通过研究Arctan函数在神经网络中应用的可能性,结合ReLU函数,提出了一种新型的激活函数ArcReLU。实验证明,该函数既能显著加快反向传播神经网络的训练速度,又能有效降低训练误差并避免梯度消失的问题。     

基于改进遗传算法的神经网络优化方法

为了克服神经网络反向传播算法收敛速度慢,易陷入局部极小值,初始权值和阈值的选择缺乏依据,具有很大随机性等缺陷,采用基于自适应遗传算法的神经网络优化方法,方法结合了两者的优点,但是仍存在种群早期进化速度慢的缺点,于是提出了一种改进的自适应遗传算法,将其应用于神经网络的权值和阈值的优化设计中,并将此模型用于对某城市污水厂难测参数SVI的预测.仿真结果表明,算法不仅可克服BP算法的缺陷,而且与BP和GA-BP网络模型比较,大大提高了收敛速度与收敛精度,获得了良好的测量效果.     

应用神经网络和遗传算法实现多变量离散系统优化

多变量系统是科学研究和实际应用中经常面对的系统,由于系统的应用环境各异,系统变量多,虽然可以通过试验获得系统的部分输入输出,但是系统的复杂性使得难以确定系统的数学模型,也无法实现对系统的优化。该文提出了一种针对多变量离散系统的建模和优化方法,用BP神经网络对系统的模拟能力建立离散系统的模型,同时为了寻找系统的最优解,结合遗传算法对建立的模型进行寻优,编写了神经网络建模和遗传算法的MATLAB程序,并将建模和优化算法在工艺优化中进行了应用。     

RCGNN：一种基于实数编码的遗传神经网络预测方法

将遗传算法与神经网络相结合,提出一种实数编码、自适应选择、算术交叉、高斯变异、爬山操作的改进遗传BP神经网络RCGNN,利用遗传算法对神经网络权值和阈值进行优化。以时间序列预测的实例进行编程计算表明,用遗传算法进行网络训练,其收敛速度快,最终总误差最小,预测准确率高。对算法中参数进行的相应研究表明,增加爬山操作次数能很好地提高网络训练的速度,同时使误差下降快;爬山操作越多,收敛速度越快,最终误差越小,但计算运行时间也会增加。     

遗传算法自适应模糊神经网络控制

神经网络能够以任意精度逼近任意复杂的非线性关系,具有高度的自适应和自组织性,在解决高度非线性和严重不确定系统的控制方面具有巨大的潜力.但一般神经网络训练算法如BP算法训练速度慢,受初值影响大且易陷入局部极小点,该文提出了一种基于模糊神经网络的间接自校正控制系统,控制器以高斯隶属度函数的径向基函数（RBF）神经网络结构,利用改进的遗传算法（GA）对结构和参数进行同步优化,改进适应度函数指导搜索过程,在保证稳定情况下大大加快了收敛的速度.神经网络正向模型（NNP）利用弹性BP算法进行离线辨识,使得到的模型泛化性能好.     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

基于神经网络的复合材料胶接修补参数优化

胶接参数对于胶接修补的效果影响非常明显,但是采用传统的数值计算方法不容易分析得到优化值.针对复合材料层合板胶接修补参数优化,采用改进的BP神经网络建立参数优化预测模型.层合板胶接修补的有限元分析为神经网络预测模型提供训练样本,通过神经网络预测胶接参数对修补效果的影响,并用试验结果验证预测结果的准确性.结果表明所建的模型是准确有效的,最后采用预测模型得到优化的胶接修补参数为:补片的直径为孔径的2.41倍、补片厚度为母板厚度的0.608倍、补片的铺排方式为:(0/90/±45/90)s.     

基于GA-NN的复杂工艺生产过程多目标优化研究

在复杂非线性多目标优化问题求解中,非线性模型结构很难事先给定,需要检验的参数也非常繁多,应用传统的建模方法和优化模型已难以解决更为复杂的现实问题。人工神经网络技术为解决复杂非线性系统建模问题提供了一条新的途径。将神经网络响应面作为目标函数或者约束条件,加上其他常规约束条件进行系统模型的建立,再应用遗传算法进行优化,从而实现设计分析与设计优化的分离。以某化工企业的生产过程优化问题为例,利用BP神经网络建立了工艺参数与性能目标之间的模型,然后利用遗传算法搜索最优工艺参数,获取了用于指导生产的样本点数据。研究结果表明,该方法能够获得高精度的多目标优化模型,从而使优化效率大为提高。     

基于遗传算法的前馈神经网络结构优化

为防止交叉后优秀基因段的丢失,在随机非一致线性交叉的基础上,设计了一种与个体适应度相关的线性交叉方案。构造了一种使交叉率与变异率随进化过程自适应调整的方法,有效抑制了遗传算法的早熟收敛。然后,针对函数逼近问题用改进后的遗传算法去优化前馈神经网络的结构,降低了神经网络训练陷入局部最优的可能性,提高了网络的泛化能力。