基于变学习率三角基函数神经网络的4型FIR滤波器设计

本文提出一种基于变学习率三角基函数神经网络的线性相位4型FIR滤波器设计方法。该方法根据三角基函数神经网络与线性相位4型FIR滤波器幅频特性之间的关系,构建了一种变学习率三角基函数神经网络模型,在神经网络训练过程中引入变学习率算法自调整学习率取值,解决学习率通常依靠经验或试凑法确定带来的不确定性,提高神经网络的学习效率和收敛速度。通过训练神经网络的权值,使设计的FIR滤波器幅频响应与理想幅频响应在整个通带和阻带内的误差平方和最小。文中利用该方法对FIR高通滤波器和带通滤波器进行了优化设计,仿真结果表明了该方法设计FIR滤波器的有效性和优越性。     

一种基于数据并行的过程神经网络训练算法

针对过程神经网络时空聚合运算机制复杂、学习周期长的问题,提出了一种基于数据并行的过程神经网络训练算法。该方法基于梯度下降的批处理训练方式,应用MPI并行模式进行算法设计,在局域网内实现多台计算机的机群并行计算。文中给出了基于数据并行的过程神经网络训练算法和实现机制,对不同规模的训练函数样本集和进程数进行了对比实验,并对加速比、并行效率等算法性质进行了分析。实验结果表明,根据网络和样本规模适当选取并行粒度,算法可较大提高过程神经网络的训练效率。     

基于Gabor滤波器和BP神经网络的人脸皮肤皱纹区域自动识别

由于色斑和毛孔等强噪声的干扰,人脸皱纹识别特别是对面部细纹理的识别受到了严重影响。针对上述问题提出了一种基于Gabor滤波器和BP神经网络相结合的人脸皱纹识别算法。通过训练好的BP神经网络人脸皮肤图像首先识别是否存在皱纹,再分别自动标注存在皱纹的区域。本算法首先基于不同年龄的多幅人脸照片创建皱纹样本库,采用样本库训练神经BP网络。其次分别选取含皱纹和不含皱纹的图片,然后用Gabor滤波器组计算出图片的频谱特征,将它们作为训练样本,训练得到用于识别的BP神经网络。大量测试结果表明,本算法能够消除或减少色斑、毛孔等噪声的干扰,对有皱纹区域和无皱纹区域的识别率可达到85%以上。     

一种基于数据并行的过程神经网络训练算法

针对过程神经网络时空聚合运算机制复杂、学习周期长的问题,提出了一种基于数据并行的过程神经网络训练算法。该方法基于梯度下降的批处理训练方式,应用MPI并行模式进行算法设计,在局域网内实现多台计算机的机群并行计算。文中给出了基于数据并行的过程神经网络训练算法和实现机制,对不同规模的训练函数样本集和进程数进行了对比实验,并对加速比、并行效率等算法性质进行了分析。实验结果表明,根据网络和样本规模适当选取并行粒度,算法可较大提高过程神经网络的训练效率。     

全相位偶对称频率采样法设计FIR滤波器

提出FIR滤波器全相位偶对称频率采样设计方法,此方法可以根据截止频率的要求设置移位因子,将两个子滤波器分别进行相反方向的移位,并构造补偿滤波器,最后将子滤波器和补偿滤波器组合而成所需的低通、高通、带通、陷波等滤波器,这种设计方法概念明确,简单易行,解决了传统FIR滤波器设计方法不能精确控制截止频率的难题.     

基于最近邻规则的神经网络训练样本选择方法

训练集中通常含有大量相似的样本, 会增加网络的训练时间并影响学习效果. 针对这一问题, 本文将最近邻法 (Nearest neighbor, NN) 简单快捷和神经网络高精度的特点相结合, 提出了一种基于最近邻规则的神经网络训练样本选择方法. 该方法考虑到训练样本对于神经网络性能的重要影响, 利用改进的最近邻规则选择最具有代表性的样本作为 神经网络的训练集. 实验结果表明, 所提出的方法能够有效去除训练集中的冗余信息, 以少量的样本获得更高的识别率, 减少网络的训练时间, 增强网络的泛化能力.     

基于神经网络库存融合控制技术

神经网络控制系统通常会面临多种选择,如样本的训练方式、神经网络的算法等,不好的选择会降低预测率.BP(Back Propagation)神经网络库存控制系统融合多种库存控制技术,利用BP算法对学习的精度和收敛的速度进行改进,能比较精确地预测库存.讨论了有关BP神经网络的算法及算法改进等问题,以品牌服装库存控制为例,提出用神经网络的多层感知器实现库存融合控制.     

基于支持向量机的滤波器设计与硬件实现

针对传统有限脉冲响应(FIR)滤波器设计方法和神经网络设计方法的不足,在改进使用支持向量机(SVM)设计FIR滤波器方法的基础上,提出了SVM设计FIR滤波器的硬件实现方法.使用理想滤波器的幅值响应训练SVM,得到训练参数,据此构建基于SVM的FIR滤波器的嵌入式系统.软件实现FIR滤波器的训练部分,硬件实现FIR滤波器的测试部分.单次判定测试向量的时间约为3500 ns,滤波准确率可达到98.41%.设计的滤波器具有良好的幅频特性,边界控制精确,逼近理想滤波器.     

一种用于电流测量的椭圆滤波器的仿真与设计

针对控制器电流测量电路输入信号存在纹波电流干扰的问题,设计了一种基于运算放大器的椭圆有源低通滤波器。该滤波器截止频率为10 Hz,通带增益为40 dB,对其进行了仿真分析,并且与同样性能指标的普通滤波器进行了比较,椭圆滤波器的幅频响应曲线在通带内增益平稳,过渡带特性较窄。     

一种基于区间优化的神经网络学习算法

神经网络的学习算法通常是采用梯度下降法,此方法容易陷入局部极小而得到次最优解。另外,对于有些应用来说,用于训练网络的样本的输入／输出数据无法精确给出,而只能以一定的范围的形式给出,这就给传统的神经网络带来了困难。该文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。     

基于PSO-DE-CA的FIR滤波器设计

为优化有限脉冲响应(FIR)数字滤波器的设计,提出一种基于双种群的文化算法。种群空间分别按照粒子群优化和差分进化算法独立进化。信仰空间作为知识库,用于保存求解问题的群体经验。仿真实验结果表明,在设计FIR数字滤波器时,该算法具有较高的鲁棒性和较快的收敛速度,优化结果好于同类算法。     

基于分布式算法的高阶FIR滤波器及其FPGA实现

提出一种新的高阶FIR滤波器的FPGA实现方法。该方法运用多相分解结构对高阶FIR滤波器进行降阶处理,采用改进的分布式算法来实现降阶后的FIR滤波器。设计了一系列阶数从8到1 024的FIR滤波器,通过Quartus II 7.1的综合与仿真,以及在EP2S60F1020C4 FPGA目标器件上的实现结果表明,该方法能够有效地减少硬件资源的使用且满足高速实时性的要求。     

基于类边界壳向量的快速SVM增量学习算法

为进一步提高SVM增量训练的速度,在有效保留含有重要分类信息的历史样本的基础上,对当前增量训练样本集进行了约简,提出了一种基于类边界壳向量的快速SVM增量学习算法,定义了类边界壳向量。算法中增量训练样本集由壳向量集和新增样本集构成,在每一次增量训练过程中,首先从几何角度出发求出当前训练样本集的壳向量,然后利用中心距离比值法选择出类边界壳向量后进行增量SVM训练。分别使用人工数据集和UCI标准数据库中的数据进行了实验,结果表明了方法的有效性。     

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影（LPP）算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP（ILPP）算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。     

提高动态汽车衡称重精度的算法设计与实现

为了提高动态汽车衡的称重精度,采用有限冲击响应（FIR）数字滤波算法滤除车辆动态称重过程中产生的随机干扰噪声。鉴于称重信号的信噪比较低和干扰噪声的复杂性,对基本算法进行了改进和优化,基于ARM微控制器平台实现了这一算法。通过对应用该算法的动态汽车衡的称重结果的分析,证明此算法对于提高动态称重精度具有良好的效果。     

改进量子遗传算法及其在FIR滤波器设计中的应用

在对遗传算法和量子遗传算法分析和比较的基础上,提出了一种改进的量子遗传算法,并通过典型函数的优化验证各算法性能的优劣。将改进的量子遗传算法应用于优化求解频率取样法设计FIR滤波器过程中的过渡点样值,实验结果表明算法可以得到更佳的设计参数。     

基于函数分类和布隆过滤器的布尔匹配方法

在现场可编程门阵列的自动化综合流程中,布尔匹配是核心子问题之一。基于布隆过滤器的布尔匹配方法需要消耗大量存储空间并牺牲部分可实现函数的覆盖率。针对该问题,提出一种布尔匹配方法,给出布尔函数的规则表达形式,对布尔函数进行分类,并在布尔匹配的过程中进行动态学习。实验结果表明,通过对函数分类可以使布尔匹配库所需的存储空间降低96%,而动态学习策略可以使电路在逻辑再综合算法应用中额外节省13%的LUT数目。     

FIR滤波在汽车动态轴组计量信号处理中的应用

为了提高轴组式动态称重系统的精度和稳定性,需要采用FIR(finite impulse response)滤波处理方法,过滤高频干扰.通过Matlab仿真,设计了FIR低通滤波器.同时为了保证动态称重良好的实时性,选择了功能强大的STM32F407微控制器芯片,实现了FIR滤波算法.STM32F407微控制器芯片主频高达168 MHz,且内部集成了单周期的DSP指令集和浮点运算单位(FPU,float point unit),可以轻松实现FIR滤波算法.最后,将该FIR滤波算法应用于轴组式动态称重系统,并进行了相关实验验证.实验结果表明:采用FIR滤波后,对系统中由汽车振动、称体晃动等因素引入的干扰信号有明显的滤除作用,称重精度和稳定性均有所提高.