半封闭走廊中无线信道传播特性分析与建模

针对半封闭环境下无线信道模型缺失的现状,以半封闭走廊为研究对象,对2.4 GHz无线信号的接收信号强度进行测量和分析。利用线性回归分析建立单斜率和双斜率对数距离接收功率模型,拟合得到相应的模型参数。通过与参考模型进行对比,分析半封闭结构对无线信号传播的影响。结果表明,对数距离接收功率模型适用于半封闭走廊环境,且双斜率模型的拟合效果优于单斜率模型。与常用的理论模型和近似场景的经验模型相比,提出模型能更真实地反映目标环境的实际传播特性。     

基于无线信号K-M模型的三维室内定位算法研究

针对无线信号在室内环境中易受到干扰、波动较大等问题,提出一种改进粒子群优化RBF神经网络的无线信号K-M传播测距模型。利用RBF的非线性特性模拟室内传播的复杂性,以信号接入节点(AP)发射功率、路径损耗因子、未知节点(RP)接收信号强度值RSS等构建模型,预测输出AP与RP之间的距离d。以d为半径,AP为球心,建立多个球体方程,采用极大似然(MLE)采样方程组与RSS-d加权质心混合定位算法,粗略估算未知节点位置信息,再利用加权质心法来进一步提高RP的定位精度。通过MATLAB实验仿真表明,与常见的优化算法对比,该模型预测距离误差更小,平均距离误差为1.3 m;RP的三轴坐标平均误差分别为x轴1.55 m、y轴1.48 m、z轴0.98 m,表明该模型提高了定位精度。     

基于BP神经网络的距离损耗模型室内定位算法研究

传统的基于距离损耗模型的室内定位算法大部分都是先将接收信号强度RSSI进行滤波,再转换成距离,然后再通过位置距离算法实现位置估计。此方法必需要根据经验或通过大量数据拟合无线信号传播模型中的参数A和N,因此过于依赖经验且对不同的定位环境算法普适性不强,精度不高。在研究分析无线信号传播模型和传统的室内定位算法的基础上,提出了用BP神经网络模型来拟合传统的距离损耗模型,得到距离后,再利用泰勒级数展开的算法最终实现位置估计。实际的实验结果表明,与传统定位算法相比提高了定位精度和算法普适性。     

基于GABP神经网络曲线拟合的快沿电磁脉冲信号源模型求解

为给电子设备的电磁脉冲效应仿真提供准确的快沿电磁脉冲(fast rise-time electromagnetic pulse,FREMP)信号源模型,提出一种基于遗传算法优化BP神经网络(GABP-NN)曲线拟合的信号源模型求解方法;该方法通过示波器对脉冲信号进行采集,利用GABP神经网络对波形曲线进行高精度拟合,提取网络参数建立信号源模型;为进一步获得BP神经网络拟合规律设置对比实验,采用隐含层神经元数为10的GABP神经网络对FREMP信号源进行建模,所得模型拟合度为91.64％;仿真结果表明该方法运算速度快、精度高.     

基于监督对比学习的小样本甲骨文字识别

针对由于甲骨文中部分字符的出现频率较低,直接利用深度神经网络进行识别会产生严重的过拟合现象,进而导致识别精度较差的问题,本文提出一种基于监督对比学习的小样本甲骨文字识别方法。选用利用增强样本的Y型（ensemble augmented-shot Y-shaped,EASY）学习框架作为网络的主干部分,通过集合数据增强、多骨干网络集成、特征向量投影等训练策略,直接实现利用少量带标签样本进行识别;引入监督对比学习,并提出联合对比损失,使得特征空间中类内特征向量距离更近,类间特征向量距离更远,进一步提高模型性能。实验结果表明：相比于当前效果最好的Orc-Bert模型,提出的小样本甲骨文识别模型在1-shot任务中的准确率提升了26.42%,3-shot任务的准确率提升了28.55%,5-shot任务的准确率提升了23.98%,较好解决了低频率出现的甲骨文字识别精度较差的问题。     

基于自组织神经网络的非平稳信号盲分离

针对具有二阶非平稳特性的源信号盲分离问题,提出一种基于自组织神经网络的在线盲源分离新算法.利用自组织神经网络构建一种多层盲分离网络模型,以网络输出层信号的相关性为代价函数,采用自然梯度原理对网络参数进行学习,最小化该代价函数从而实现信号分离.将多层自组织神经网络和自然梯度原理相结合,提高了分离算法的灵活性和性能.最后将该算法与其他算法进行了仿真对比,仿真结果表明该算法具有较好的收敛精度及稳定性.     

海杂波背景下的小信号检测

利用海杂波信号为混沌这一先验知识,将判决反馈RBF神经网络应用于海杂波信号的建模与预测中,设计了一个三层判决反馈RBF神经网络结构。实验结果表明,判决反馈RBF网络模型对混沌时间序列有很好的拟合能力,对比典型RBF网络结构,该方法具有较好的检测效果。     

伪逆BP神经网络在汽车尾气检测中的应用

为了准确、快速、高效地检测汽车尾气中各气体的质量分数,结合传感器阵列和神经网络技术,设计了一种汽车尾气检测系统.为了提高神经网络模型的拟合和预测能力,提出伪逆BP集成神经网络模型:利用伪逆法求得不同BP神经网络集成的最优权重系数,再通过加权平均法集成BP神经网络.利用伪逆BP集成神经网络模型对传感器阵列信号进行回归分析,结果表明:该模型的预测相对误差均小于5％,对比传统Adaboost-BP集成神经网络模型,该模型实现更简单,收敛更快,收敛精度和预测精度更高.     

基于深度卷积神经网络的变换域通信网络抗干扰优化算法

为了有效抑制变换域通信网络干扰信号,改善信噪比,研究了基于深度卷积神经网络的变换域通信网络抗干扰优化算法。应用傅里叶变换方法将信号从时域转换到频域,并以傅里叶变换通信信号获得的参数为依据构建干扰信号模型;嵌入干扰信号模型以形成接收信号,然后对接收信号进行处理并存储在干扰数据库中,利用深度卷积神经网络完成干扰信号的特征学习与干扰估计,并根据干扰估计结果,在接收信号中去除干扰信号,完成变换域通信网络抗干扰优化。实验结果表明：该算法可有效完成变换域通信网络抗干扰优化,优化后通信信号的信噪比改善性能与误码性能均较佳,输出的通信信号几乎无干扰信号存在。     

基于层连优化的新型小世界神经网络

对多层前向小世界神经网络的网络参数、权值修正策略以及网络结构进行改进, 提出一种基于层连优化的小世界神经网络的改进算法. 通过对比现有各种不同形式的小世界神经网络, 验证了上述改进的必要性. 仿真结果表明, 改进模型比现有小世界神经网络收敛速度更快, 逼近精度更高, 模型稳定性更强.     

基于PF-LSTM网络的高效网络流量预测方法

传统网络流量预测模型存在泛化能力弱和预测准确度低等缺点。为解决此问题,提出一种基于长短期记忆（LSTM）循环神经网络的网络流量预测模型。首先,用距离比较和优化组合策略改进粒子滤波算法（PF）的重采样过程;然后搭建PF-LSTM网络的网络流量预测模型,将改进的PF算法用于模型训练,提高其训练速率,克服传统LSTM网络中收敛于局部最优的缺点;最后将提出的模型用于网络流量预测。实验结果表明,相比传统的LSTM模型,提出的PF-LSTM模型具有较好的预测精度和收敛效率,能够更好地描述网络流量的变化趋势。     

基于拉普拉斯特征映射的分类器设计

引用监督学习策略,定义类内和类间不同的距离度量方式,以替代原来的欧式距离度量,实现对拉普拉斯特征映射算法的改进。将降维之后的结果作为BP神经网络的输入,实现分类。实验结果表明,基于改进的拉普拉斯特征映射算法降维之后的结果,减少了神经网络的训练时间,具有较好的分类正确率。     

基于改进的CNN语音识别研究

针对卷积神经网络进行语音识别时识别率较低的问题,结合序列的最大子序列理论,把真实数据和预测数据看作两个序列并计算两者的最大子序列,再使用欧氏距离计算MSLoss损失函数.使用闵氏距离和神经网络反向更新时的参数,提出自适应卷积核ACKS算法,根据网络传播情况动态地改变卷积核大小,改善模型在不同阶段对数据特性的提取效果.设...     

基于Im2col的并行深度卷积神经网络优化算法

针对大数据环境下并行深度卷积神经网络（DCNN）算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题,提出了一种基于Im2col方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先,提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES,提取数据中的目标特征作为卷积神经网络的输入,有效避免了数据冗余特征多的问题;其次,设计基于Im2col方法的并行模型训练策略IM-PMTS,通过设计马氏距离中心值去除冗余卷积核,并结合MapReduce和Im2col方法并行训练模型,提高了卷积层运算速度;最后提出改进的小批量梯度下降策略IM-BGDS,排除异常节点的训练数据对批梯度的影响,解决了损失函数收敛性差的问题。实验结果表明,IA-PDCNNOA算法在大数据环境下进行深度卷积神经网络计算具有较好的性能表现,适用于大规模数据集的并行化深度卷积神经网络模型训练。     

区分交通流模式的混合服务路口信号控制策略

相对于固定配时,基于交通流的动态变化特征的信号配时算法具有更好的道路状态适应性.鉴于此,提出一种基于交通流识别的自适应控制策略,首先利用自组织映射网络(SOM)神经网络对历史交通流状态聚类,结合路口时间段与路段环境特征分析实现交通流模式划分;在此基础上,引入概率神经网络(PNN)对该路口的交通流模式进行训练学习;最后针对不同状态类型交通流量,动态选取门限服务轮询信号配时和韦伯斯特信号配时策略计算信号灯配时周期,实现控制策略与交通流动态变化特征的匹配.仿真实验结果表明,区分交通流模式的混合服务路口信号控制方法对车流的随机变化具有更好的适应性.     

关于无线传感器网络定位算法仿真

针对无线传感器网络(WSNs)节点定位的问题,提出了一种通过构建粒子群机制的量子神经网络模型优化距离矢量跳跃(DV-HOP)的定位算法(PSO-QNN),根据传统DV-HOP所得到的平均距离和实测节点距离构建量子神经网络模型,并通过粒子群算法对平均距离进行训练,从而得到较优平均值,实现了对DV-HOP算法的优化.算法缩短了传统人工神经网络的训练时间,并且加快了收敛速度.仿真结果表明:与传统DV-HOP算法相比,所提出的PSO-QNN算法能够减少约20%的定位误差,定位精度显著提高.     

基于BP神经网络的智能轮胎标签仿真研究

为了更加快捷方便地研究RFID标签植入环境与阅读器阅读距离之间的关系,从而预测植入轮胎中的RFID标签的最大阅读距离;利用FEKO电磁仿真软件建立了不同情况下的天线,并仿真得到反射系数S_11,然后用弗林斯传输方程(Friis)计算得到仿真读取距离,再利用MATLAB强大的数据处理能力,建立BP神经网络预测模型,从而建立起标签天线长度、轮胎中标签与钢丝层的距离、轮胎介电常数和已得到的仿真读取距离之间的BP神经网络模型;最后实际测量值与训练后得到的预测仿真值在误差允许的范围内可以认定为实际测量距离;此方法可以通过建立BP神经网络模型,快速方便地在一定精度范围内预测阅读器的阅读距离。     

基于Agent的精确诊断策略的研究

针对信号设备故障的复杂性,设计了面向A g e n t的模糊算法和神经网络混合诊断策略。初步诊断采用模糊算法获得故障隶属度大的故障,精确诊断采用神经网络算法对初步诊断得到的故障计算严重程度,通过采用混合诊断方法能有效的提高诊断系统的精度。     

基于神经网络重力固体潮信号的建模与预测

重力固体潮信号主要是由于太阳、月亮等天体轨道相对位置变化而产生的,同时受地质、水文、大气等地理条件变化的影响,所以既是一个有规律、周期性变化的信号,也包含反映地质、水文、大气等地理条件变化的异常信息。通过对重力固体潮信号的建模,可反映、预测重力固体潮信号中周期性变化的基本规律,通过对比其理论计算值,可进一步提取重力固体潮信号中的异常变化信息。基于一种具有强鲁棒性、纯随机搜索的新群体智能优化算法,改进径向基神经网络学习算法,避免学习算法进入局部最优,提高网络训练的有效性和所建网络模型的可靠性。在实验中,利用重力固体潮信号训练改进的径向基神经网络,得到了重力固体潮信号的有效径向基神经网络模型。利用上述模型预测重力固体潮信号的估计值,并与传统径向基神经网络模型、AR模型预测结果进行对比,表明改进训练算法的径向基网络模型预测的结果更加精确,说明改进训练算法在重力固体潮信号的径向基网络建模中是有效的,可推广应用于其它时间信号序列的建模与预测中。     

基于状态延迟动态递归神经网络的机器人动态自适应跟踪辨识

对一种在Elman动态递归网络基础上发展而来的复合输入动态递归网络(CIDRNN)作 了改进,提出一种新的动态递归神经网络结构,称为状态延迟动态递归神经网络(State Delay Input Dynamical Recurrent Neural Network).具有这种新的拓扑结构和学习规则的动态递归网 络,不仅明确了各权值矩阵的意义,而且使权值的训练过程更为简洁,意义更为明确.仿真实验 表明,这种结构的网络由于增加了网络输入输出的前一步信息,提高了收敛速度,增强了实时 控制的可能性.然后将该网络用于机器人未知非线性动力学的辨识中,使用辨识实际输出与机理 模型输出之间的偏差,来识别机理模型或简化模型所丢失的信息,既利用了机器人现有的建模 方法,又可以减小网络运算量,提高辨识速度.仿真结果表明了这种改进的有效性.