基于混沌理论的汉语语音信号的分析与预测

目前语音信号的分析与预测都是采用线性理论和线性预测技术,而语音信号的产生系统是一个复杂的非线性时变系统,而且具有混沌性,所以采用线性方法是不够的.深入研究了汉语语音信号的非线性特性,包括相空间重构理论及延迟时间、嵌入维数等相空间重构参数的确定方法,并求解出汉语语音音素的李雅普诺夫指数、延迟时间、嵌入维数和关联维数,所得结果表明汉语语音信号既非确定性的信号,又非随机信号,而是具有混沌特性的信号;根据汉语语音音素的延迟时间及嵌入维数的均值确定RBF神经网络(Radical Basis Function Network)模型中三层网络的神经元个数,结合 RBF 神经网络分析方法构造了一个非线性预测模型.仿真结果表明:基于 RBF 神经网络构造的非线性预测模型与线性预测模型相比,预测误差明显减小,预测性能上有所提高.     

基于改进RBF神经网络的ADPCM语音编码算法研究

以G．721ADPCM语音编码算法为研究对象，在语音编码的预测中引入神经网络模型来克服传统线性滤波方法中存在的不足，研究了基于RBF神经网络的ADPCM语音编码系统的结构。通过k均值聚类算法来确定RBF神经网络的中心和宽度，用最小二乘法确定RBF网络权值的方法改进了ADPCM语音编码算法。实验证明．其平均信噪比较原ADPCM编码算法有1-2dB的提高。     

基于改进RBF神经网络的TDOA/AOA定位算法

为了减小NLOS传播的影响,提出基于改进RBF网络的TDOA/AOA定位算法.模拟退火算法与k-均值聚类算法相结合的RBF网络训练算法,利用模拟退火算法全局寻优能力改变k-均值算法易陷入局部极值的缺点.仿真结果表明,该算法减小了NLOS传播的影响,在NLOS环境下有较高的定位精度,性能优于WLS算法和k-均值聚类的RBF网络定位算法.     

一种优化RBF神经网络训练算法及其在目标识别中的应用

OLS训练方法应用在径向基(RBF)神经网络里时，存在当训练数据量很大时速度很慢的问题，并且OLS方法不能自动确定基函数的平滑参数。本文针对此问题提出了一种基于快速模糊C-均值算法(AFCM)与OLS算法相结合的AFOLS训练算法，该算法使用AFCM方法对数据进行聚类，并获取基函数的平滑参数，然后使用OLS方法从聚类结果中选取网络中心。利用实测的4类飞机目标数据对其进行性能检验，试验结果验证了该训练算法可提高网络的训练速度，缩小网络规模，提高网络的分类能力。     

基于人工神经网络的改进共轭梯度算法研究

针对前馈式神经网络结构,提出用一种改进共轭梯度算法建模的最速下降搜索迭代的新方法,并把它用于神经网络。同时用神经网络来预报经济指标,通过预测中使用的基本模型和训练算法,提出了单因素非线性自回归和多因素非线性回归两种神经网络预报模型,并对四川省的社会总产值进行预测,结果表明此神经网络用于经济预测是一种新的、更精确、更有效的预测方法。     

基于RBF神经网络在转炉炼钢终点预报中的应用研究

转炉炼钢控制目标是对终点温度和含碳量进行预测。由于我国转炉炼钢自动化控制水平的限制,特别是动态控制水平不够高,因此需要基于RBF神经网络建立终点预报模型。其基本思路为:基于RBF神经网络局部逼近网络的特性之上,采用k-均值聚类算法确定隐藏层的中心,权值调整采用递推最小二乘法,建立基于RBF神经网络在转炉炼钢终点预报的模型。最后结合实际数据进行模型的仿真研究。结果表明经RBF神经网络预测模型的实时训练,提高了终点预报的精度。     

一种变步长LMS自适应滤波算法

本文基于对最速下降法梯度的优化估值，提出了线性－指数自适应滤波算法。文中指出：对最速下降法的梯度优化估值和对误差信号非线性处理，是改善ＬＭＳ算法性能的等同措施。文中的理论分析与计算机模拟结果都证实了Ｌ。Ｅ算法的性能优于１所提出的线性－符号算法。理论分析与计算结果吻合较好。     

基于Legendre神经网络的单目视觉相对位姿解算

将BP神经网络、RBF神经网络以及Legendre正交基神经网络应用于单目视觉相对位姿强非线性解算,并且在梯度下降法的基础上推导了Legendre正交基神经网络的最优权值,最后进行了相应的仿真及物理实验.实验结果表明,基于Legendre正交基神经网络的单目视觉相对位姿解算方法不仅精度高、鲁棒性强,而且实时性较好.     

RBF神经网络CDMA多用户检测方法

分析了采用正交最小二乘(OLS)算法的RBF神经网络应用于DS-CDMA扩频通信的多用户检测的问题,给出了基于RBF网络进行多用户检测的理论依据和仿真分析性能。     

基于改进的蛙跳算法的神经网络在语音情感识别中的研究

本文提出了一种改进的混合蛙跳算法,利用混沌运动的遍历性改善初始个体的质量和引入高斯变异,提高了算法的全局搜索能力,同时将改进算法与人工神经网络结合,并把它应用到语音情感识别系统中.依据情感的维度空间模型.分别提取了情感语音的韵律特征与音质特征,研究了谐波噪声比特征随情感类别的变化特性.利用本文所提的蛙跳算法(SFLA)训练随机产生的初始数据,优化神经网络的连接权值,能快速地实现网络的收敛.在实验中比较了BP神经网络、RBF神经网络与改进SFLA神经网络分别用于语音情感以别的识别性能,结果表明基于改进SFLA的神经网络的平均识别率高于BP神经网络9.2个百分点,高于RBF神经网络7.9个百分点.因此本文所提的蛙跳神经网络用于语音情感识别能获得明显的识别性能的提升.     

RBF神经网络的梯度下降训练方法中的学习步长优化

梯度下降法是训练ＲＢＦ神经网络的一种有效方法。和其他基于下降法的算法一样,ＲＢＦ神经网络的梯度下降训练方法中也存在学习步长的取值问题。本文基于误差能量函数对学习步长的二阶Ｔａｙｌｏｒ展开,构造了一种优化学习步长的方法,进行了较详细的推导：实验表明,本方法可有效地加速梯度下降法的收敛速度、提高其性能。该方法的思想可以用于其他基于下降法的学习步长的优化中。     

基于非单点模糊RBF网络的判决反馈均衡器

提出了一种具有较强抗突发干扰能力的非单点模糊径向基函数（Radial Basis Function,RBF）网络判决反馈均衡器.该方法将具有前置滤波特性的非单点模糊化技术引入RBF网络,利用梯度下降法自适应调整参数.通过仿真实验,并与基于径向基函数网络的判决反馈均衡器（Radial Basis Function Network-Decision Feedback Equalizer,RBFN-DFE）和传统判决反馈均衡器（Decision Feedback Equalizer,DFE）进行比较,结果证明该方法抗突发干扰能力强,误码性能好.     

最小二乘算法在神经网络函数逼近方面的研究

介绍了人工神经网络的一个重要的模型径向基函数网络,并且对径向基函数中心的选取问题进行了研究,最后给出了应用实例,结果证明,由于计算过程中应用了最小二乘算法的正交化性质,所以网络调整时对已有模式的扰动可以达到最小。这说明最小二乘算法不仅简单有效,而且性能优越,并有较强的实用性,在许多领域有广泛应用。     

基于遗传算法的RBF神经网络在涡流传感器非线性补偿中应用

为了解决涡流传感器的非线性问题,应用遗传算法(GA)训练径向基函数(RBF)神经网络(NN)实现其非线性补偿.介绍非线性补偿的原理和网络训练方法.从实测数据出发,建立了涡流传感器的非线性补偿模型.该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿.实验结果表明,所采用的涡流传感器非线性补偿方法是有效的和可行的.补偿后,最大非线性误差在0.5%范围内,具有良好的线性.     

基于遗传RBF网络的混沌背景微弱信号检测方法

弱信号检测问题是目标检测中的一个重要研究内容。利用背景信号为混沌信号这一先验知识，采用径向基函数神经网络（RBFNN）建立混沌背景的一步预测模型，RBF网络利用遗传算法训练，最后，设计了门限滤波器，得到感兴趣的信号。仿真结果表明，在非线性程度很高的情况下，通过与其它几种训练RBF网络算法的比较，利用遗传算法训练的RBF网络具有最高的检测精度，并且训练得到的网络的复杂程度最低。     

IMMUNE RBF NETWORK AND ITS APPLICATION IN THE MODULATION-STYLE RECOGNITION OF RADAR SIGNALS

Based on Immune Programming(IP), a novel Radial Basis Function (RBF) network designing method is proposed. Through extracting the preliminary knowledge about the width of the basis function as the vaccine to form the immune operator, the algorithm reduces the searching space of canonical algorithm and improves the convergence speed. The application of the RBF network trained with the algorithm in the modulation-style recognition of radar signals demonstrates that the network has a fast convergence speed with good performances.     

On an algorithm for Vision-based hand gesture recognition

A vision-based static hand gesture recognition method which consists of preprocessing, feature extraction, feature selection and classification stages is presented in this work. The preprocessing stage involves image enhancement, segmentation, rotation and filtering. This work proposes an image rotation technique that makes segmented image rotation invariant and explores a combined feature set, using localized contour sequences and block-based features for better representation of static hand gesture. Genetic algorithm is used here to select optimized feature subset from the combined feature set. This work also proposes an improved version of radial basis function (RBF) neural network to classify hand gesture images using selected combined features. In the proposed RBF neural network, the centers are automatically selected using k-means algorithm and estimated weight matrix is recursively updated, utilizing least-mean-square algorithm for better recognition of hand gesture images. The comparative performances are tested on two indigenously developed databases of 24 American sign language hand alphabet.     

RBF网络用于性能退化的可靠性评估

针对无法用数学式准确描述退化量与环境因子间复杂非线性关系的问题,提出了一种基于RBF网络的退化轨迹建模方法.利用RBF网络能够逼近任意非线性函数的特性,进行退化轨迹的建模,并结合失效值预测产品寿命.将所有估计寿命作为完全失效数据进行可靠性评估,有效地解决了失效数据少的问题.通过对疲劳裂纹增长数据的RBF网络建模分析,证明RBF网络具有很好的函数逼近能力,寿命预测结果非常理想.经验证,在更少的退化数据下,RBF网络仍能够较好地模拟退化轨迹,寿命预测精度较高.