正交神经网络的动态建模方法研究

This paper presents a dynamic modeling method based on orthogonal neural network, it fully uses the characteristics of the nonlinear processing ability of neural networks and the efficient disposal of the large scaling sparse problems that Givens transform can process. It can not only train the notwork quickly, but also can optimize the structure of the networks. Simulating experiments show that the new modeling method is a simple universal modeling method for the nonlinear systems.     

Tchebycheff正交神经网络的动态建模方法研究

本文提出一种正交神经网络的动态建模方法, 它充分利用了Tchebycheff多项式的非线性处理能力和Givens正交变换的有效处理大型稀疏 问题的优点,不仅能快速进行网络的训练,而且能对网络的结构进行优化,为非线性系统的 动态建模提供了一种有效方法．实验表明它是一种简单的、普遍适用的系统建模方法．     

基于成长型神经网络以线段为基元的曲线重建

在逆向工程中,对基于散乱数据点的曲线重建研究有着重要的意义。曲线可用线段基元逼近。提出使用成长型神经网络以线段为基元的曲线重建新算法。给定某一曲线的散乱点集和一初始折线,新算法优化折线上的顶点位置,使折线更好地逼近散乱点;持续分裂折线上活动性强的顶点和删除活动性最弱的顶点,使折线上顶点的分布更符合散乱点数据的概率分布。实验结果表明,新算法能够取得良好的曲线重建效果。     

一种用于电容层析成像三相流重建的神经网络算法

在对B－P网络激励函数作出修改的基础上,提出了充分利用ECT系统的测量数据对气／油、水三相流进行成象的方法,该图象重建算法具有概念简单,易于实施,成象速度快,抗噪能力等优点。     

神经网络训练的一种随机方法

本文提出了一种基于Alopex算法的多层前向网络的快速随机学习算法并用其对非线性过程进行辨识，仿真结果表明本文提出的方法是有效可行的。     

一种基于正交基神经网络算法的传感器误差补偿方法

为了提高传感器的误差补偿精度,提出了一种基于正交基神经网络算法的传感器误差补偿方法.研究了神经网络算法的收敛性,为学习率的选择提供了理论依据.为了验证算法的有效性,给出了传感器误差补偿实例.研究结果表明,基于正交基神经网络算法的传感器误差补偿方法具有高的误差补偿精度,因而是一种有效的误差补偿方法.     

一种基于误差的径向基神经网络学习方法

提出了一种基于误差的径向基神经网络竞争学习法，它以网络的输出误差为度量，通过竞争调节神经元中心，RLS算法训练网络的权值，并利用IPL算法判断网络神经元的冗余性。仿真结果表明，该算法提高了网络的输出精度，简化了网络结构，其运算速度也较快。     

系统故障诊断的一种神经网络方法

该文首先提出一个通用故障示例模型,然后运用一种自适应神经网络学习算法来寻找差错属性与故障类型之间的对应关系,由此对故障进行诊断。因为网络的结构事先并不确定,而是在训练的同时进行同步构造,所以确保了训练后建立网络具有较好的适应性。     

基于卷积神经网络的视频图像超分辨率重建方法

为了进一步增强视频图像超分辨率重建的效果,研究利用卷积神经网络的特性进行视频图像的空间分辨率重建,提出了一种基于卷积神经网络的视频图像重建模型。采取预训练的策略用于重建模型参数的初始化,同时在多帧视频图像的空间和时间维度上进行训练,提取描述主要运动信息的特征进行学习,充分利用视频帧间图像的信息互补进行中间帧的重建。针对帧间图像的运动模糊,采用自适应运动补偿加以处理,对通道进行优化输出得到高分辨率的重建图像。实验表明,重建视频图像在平均客观评价指标上均有较大提升（PSNR +0.4 dB / SSIM +0.02）,并且有效减少了图像在主观视觉效果上的边缘模糊现象。与其他传统算法相比,在图像评价的客观指标和主观视觉效果上均有明显的提升,为视频图像的超分辨率重建提供了一种基于卷积神经网络的新颖架构,也为进一步探索基于深度学习的视频图像超分辨率重建方法提供了思路。     

一种新的神经网络学习算法

通过对人类学习机理和机制的研究,以及对现有ＢＰ神经网络学习算法及其改进的深入分析,本文提出了一种新的学习算法。该学习算法使神经网络学习由纯数学推导向智能化（启发式）学习发展,获取解决问题的最佳结构中神经元数及神经元间的联接数随问题的变化而动态变化,克服了目前神经网络学习算法普遍存在的学习时间长、局部极小小等问题。     

基于深度卷积神经网络的图像重建算法

视频或者图像在传输过程中,可能出现随机性的误码、突发性的误码、传输中的丢包等等,对解码出的图像数据也会有严重的影响.本文提出了基于深度学习的图像重建算法：一种基于图像背景预测生成模糊区域内容的无监督图像重建神经网络模型.为了重建出逼真的图像,神经网络模型需要既理解整个图像的内容,又为缺失的部分重构出一个合理的假设.损失函数包含标准像素级重建损失和对抗损失,在训练卷积神经网络模型时,能够更好地处理图像中的结构细节产生更清晰的结果.通过实验可以发现本文设计的深度卷积神经网络模型与基于样本插值的算法相比在图像重建中有着较好的效果.     

基于稀疏神经网络的图像超分辨率重建算法

部分基于深度学习的图像超分辨率重建算法通过扩展网络层的深度来提高网络模型的整体特征表达能力。然而,一味过度地扩展网络的深度会造成网络模型过参数化和复杂化,并且冗余的网络参数会增加特征表达的不稳定性。在LTH剪枝算法基础上改变权重参数并使用均衡学习策略,提出一种适用于图像超分辨率重建任务的神经网络非结构化剪枝算法RLTH。在不改变网络结构和不增加计算复杂度的前提下,通过搜索原始网络模型的最优稀疏子网络排除冗余参数带来的影响,在有限的参数资源中捕获更细粒度和丰富的图像特征,进而提高网络模型的整体特征表达能力。基于Set5、Set14和BSD100测试集的实验结果表明,与原始网络模型和应用LTH剪枝算法相比,应用RLTH算法获得的重建图像PSNR和SSIM均得到提升,且具有更丰富的细节特征,整体和局部轮廓更清晰。     

改进的卷积神经网络单幅图像超分辨率重建

针对经典的基于卷积神经网络的单幅图像超分辨率重建方法网络较浅、提取的特征少、重建图像模糊等问题，提出了一种改进的卷积神经网络的单幅图像超分辨率重建方法，设计了由密集残差网络和反卷积网络组成的新型深度卷积神经网络结构。原始低分辨率图像输入网络，利用密集残差学习网络获取更丰富的有效特征并加快特征梯度流动，其次通过反卷积层将图像特征上采样到目标图像大小，再利用密集残差学习高维特征，最后融合不同卷积核提取的特征得到最终的重建图像。在Set5和Set14数据集上进行了实验，并和Bicubic、K-SVD、SelfEx、SRCNN等经典重建方法进行了对比，重建出的图像在整体清晰度和边缘锐度方面更好，另外峰值信噪比（PSNR）平均分别提高了2.69?dB、1.68?dB、0.74?dB和0.61?dB。实验结果表明，该方法能够获取更丰富的细节信息，得到更好的视觉效果，达到了图像超分辨率的增强任务。     

基于神经网络的三维图象恢复与重建新算法

简介了兰伯特Lambertian反射模型用于三维图象的恢复与重建的算法,由于其具有很大的局限性,为此,给出了一种基于神经网络与模糊处理相结合的新型反向模型,用于三维图象的恢复与重建,且新算法不需知道光源方向,经实验证明,具有计算快捷且图象识别精度高的特点。     

基于改进全卷积神经网络的医疗数据表面重建算法

为了实现对医疗数据的快速检测和分类识别,需要对医疗数据进行表面重建设计,首先,提出一种基于改进全卷积神经网络的医疗数据表面重建算法.采用无线射频识别技术进行医疗数据的大数据采样,对RFID采集的医疗数据进行信息融合处理,采用多元回归分析方法提取医疗数据的相关性统计特征量,然后,针对医疗数据中的冗余特征采用匹配滤波检测器进行冗余滤波处理,对提纯后的医疗数据采用相空间重构技术实现医疗数据重构,最后,对重构数据采用改进全卷积神经网络分类器进行分类识别,实现医疗数据的表面重建和自动识别.仿真结果表明,所提方法的医疗数据冗余特征处理效果较好,数据分类精度可高达90%以上,且医疗数据重建误差小,耗时少.     

基于优化卷积神经网络的图像超分辨率重建

传统的图像超分辨率重建方法由于其计算局限性,无法对大批量或者模糊因子不同的图像做最优处理,也无法得出高分辨率图像.近年来随着深度学习神经网络越来越多被学者关注和青睐,其中卷积神经网络被成功应用于图像超分辨率重建.但是传统的图像超分辨率卷积神经网络,无论在训练速度,泛化能力,还是生成图像质量等方面仍存在问题.针对上述问题...     

一种面向图神经网络的图重构防御方法

近年来,图神经网络在图表示学习领域中取得了较好表现广泛应用于日常生活中,例如电子商务、社交媒体和生物学等.但是研究表明,图神经网络容易受到精心设计的对抗攻击迷惑,使其无法正常工作.因此,提高图神经网络的鲁棒性至关重要.已有研究提出了一些提高图神经网络鲁棒性的防御方法,然而如何在确保模型主任务性能的前提下降低对抗攻击的攻击成功率仍存在挑战.通过观察不同攻击产生的对抗样本发现,对抗攻击生成的对抗连边所对应的节点对之间通常存在低结构相似性和低节点特征相似性的特点.基于上述发现,提出了一种面向图神经网络的图重构防御方法GRD-GNN,分别从图结构和节点特征考虑,采用共同邻居数和节点相似度2种相似度指标检测对抗连边并实现图重构,使得重构的图结构删除对抗连边,且添加了增强图结构关键特征的连边,从而实现有效防御.最后,论文在3个真实数据集上展开防御实验,验证了GRD-GNN相比其他防御方法均能取得最佳的防御性能,且不影响正常图数据的分类任务.此外,利用可视化方法对防御结果做解释,解析方法的有效性.     

基于对分法求解线性规划问题的神经网络方法

从数值逼近的方法出发,结合对分法的思想,提出了一种新的神经网络计算模型,我们称为对分神经网络BNN(BisectNeuralNetwork)模型;给出了一种基于对分法思想的神经网络学习算法,并用于求解线性规划问题,其目的是给线性规划求解问题提供一个新方法。     

基于神经网络的多示例回归算法

通过重新定义全局误差函数,提出了一种基于神经网络的多示例回归算法,并在基准数据集上对该算法进行了测试,取得了较好的效果.