测量噪声功率谱作为筛选光电耦合器件的方法研究（Ⅱ）

在文献「１」中作者曾提出用测量光电耦合器件噪声功能率谱的方法,筛选光电耦合器件。此 根据低频噪声的幅值。但在实验中发现,由于１／ｆ、ｇ－ｒ和爆裂噪声三者之间相关性较弱,在剔除掉１／ｆ噪声值较大的器件后,ｇ－ｒ噪声和爆裂噪声较大的器件却可能未被易除。     

基于BP神经网络的X频段功率分配器优化设计

针对电大尺寸目标的高功率分配器电磁特性模拟难、对计算结果精度要求高等特点, 利用BP(Back Propagation)神经网络良好的非线性模拟能力,优化设计了一种电大尺寸的X 频段四路高功率分配 器,与HFSS仿真相比较减少了运算时间。采用Agilent矢量网路分析仪N5244A测试表明,在9 2 ～9.6 GHz频率范围内,各路损耗均优于6.8 dB,相位差为2°,与BP神经网络模拟 结果吻合较好,为电大尺寸的微波电路工程设计提供了参考。     

基于BP神经网络的光电测量系统畸变校正

在大视场光电测量系统中,由于光学系统畸变的影响使得目标在线阵CCD上的成像偏离了理论成像点,导致系统产生测量误差,为了提高测量精度,必须进行畸变校正。根据畸变光学原理,利用BP神经网络对非线性畸变进行良好的逼近,通过对由畸变测量装置获得的数据进行训练建立网络模型,从而建立整个视场畸变校正的数学模型。实验结果表明,当目标物高为200.115 mm时,利用BP神经网络方法,可将畸变误差从校正前的-2.080 mm提高到校正后的-0.104 mm,使得整体检测精度从1.039%提高到0.052%。     

噪声测量作为筛选光电耦合器件的一种方法

本文针对目前用于光电耦合器件筛选方法的不足，提出了用测量耦合器件噪声功率谱的方法来筛选掉噪声值大的器件，给出一批光电耦合器件的测量统计结果及在不同工作点时的噪声功率谱，并给出相应的筛选标准，实验结果表明，这种方法是有效、可行的。     

神经网络在光电位置坐标传感器中的应用

光电位置敏感器件(PSD)是一种可直接对其光敏面上的光斑进行检测的光电器件,基于PSD可以构成多种非接触的高精度动态位移监测仪器.在PSD器件使用中的一个关键问题是如何克服器件本身的非线性,以提高监测的精度和可靠性.提出一种基于神经网络的PSD非线性补偿方法,利用神经网络具有逼近任意非线性函数的特点,通过训练使神经网络建立在PSD输出与其理想值之间的非线性映射关系,实现PSD非线性补偿.计算机仿真表明,该方法不仅能有效地消除非线性的影响,而且能在神经网络的输出端得到期望的线性输出.     

基于单个LCD的光电混合并行计算

本文提出一种基于单个ＬＣＤ的光电混合并行计算方案。该方案不权可以降低成本,解决以ＬＣＤ作为空间光调制器时所遇到的级联和衍射问题,而且可以在此基础上进一步实现光电混合并行计算的集成化和微型化。文中给出此方案用于实现多目标容错性光电混合神经网络模式识别系统的实验结果。     

基于BP神经网络的通信信号分类器的设计

利用BP神经网络设计了一种通信信号分类器,并通过对3种噪声的分类比较,证明了这种分类器的可靠性、合理性和正确性,同时也展现了BP网络在通信领域的良好应用前景.     

用于神经网络模式识别的一种改进的BP算法

在对采用BP算法的神经网络进行分析的基础上，针对标准BP算法的不足进行了改进，并给出了通过对作用函数进行修正后所得到的改进BP算法的应用实例。     

基于BP神经网络的说话人识别技术的实现

说话人识别就是从说话人的一段语音中提取出说话人的个性特征,通过对这些个人特征的分析和识别,从而达到对说话人进行辨认或者确认的目的。神经网络是一种基于非线性理论的分布式并行处理网络模型,具有很强的模式分类能力及对不完全信息的鲁棒性,为说话人识别技术提供了一种独特的方法。BP(Back-propagation Neural Network)是一种非循环多级网络训练算法,有输入层,输出层和N个隐含层组成。首先概述了语音识别技术,介绍了BP神经网络训练过程的7个步骤及其模型,如何建立BP神经网络模型。同时介绍了与其相关的特征参数的提取,神经网络的训练和识别过程,最后,通过编程在Linux系统下实现说话人身份的识别。     

神经网络应用于图像识别的实验系统

本系统基于视感神经网络(Perception Neural Network)的算法结构,着眼于神经网络的实用化,采用计算软件计算关联权重,通过光电计算机结合,实现了判断并学习1—9九个字符图形的实验系统,得到了实验结果。本系统是对神经网络应用于图像识别的新的尝试。     

基于BP神经网络的飞机娱乐系统采购短期预测

针对传统航材采购决策行为的局限性,研究了基于BP神经网络的航材采购短期预测方法,拟在建立BP神经网络模型的基础上,将BP神经网络模型运用到航材采购量短期预测中来,根据历史数据建立BP神经网络对其进行训练形成飞机娱乐系统采购量预测模型。阐明神经网络在决策时能提供更多的支持信息,实现采购数量科学化。并进一步通过预测结果说明基于神经网络的航材采购量短期预测是一个行之有效的方法,为民航航材集中采购的理论和方法提供借鉴和参考。     

基于联想记忆神经网络模型的BP算法

提出一种改进神经网络BP算法的识别训练系统。实验结果表明，基于联想记忆神经网络模型的BP算法，大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间，为BP算法应用于对实时性要求高的场合提供算法基础。     

基于K-RBF神经网络的认知无线电频谱预测

提出使用K-均值聚类算法的RBF神经网络(K-RBF)来进行频谱预测。该模型根据历史信息预测频谱空穴的位置,从而选出合适的频谱供次用户选择,减少频谱预测过程的盲目性和频谱感知过程中的资源消耗。仿真结果表明,该方法可以获得很好的预测精度,其预测误差只有RBF神经网络的1/3。     

BP网络参数对模式识别问题影响的研究

利用BP神经网络解决通信信号模式识别问题,在仿真过程中发现BP网络的各种参数对网络性能存在较大影响.并发现了BP网络参数选取的一些规律.     

基于BP神经网络的汽车车型识别方法

将BP神经网络应用于汽车车型的自动识别,在简述车型图像预处理和特征抽取的基础上,重点讨论学习算法的选取问题,提出一种分阶段的训练方法。对三类车型的36对样本做训练和测试实验,实验结果表明,所采用的训练算法优于传统BP算法和共轭梯度法,所设计的网络能快速有效地识别汽车车型。     

基于SVM和BP神经网络的车牌识别系统

针对车牌识别系统的车牌精确定位和车牌字符准确识别问题。提出一种基于SVM(支持向量机)和BP神经网络的车牌定位与识别算法。通过将HSV颜色空间和形态学方法相结合确定候选轮廓,以判断轮廓外接矩形的面积和长宽比筛选符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行测试判断,最终精确定位车牌的位置。此外,还可使用了BP神经网络进行车牌字符识别。经验证,该系统适用于复杂的车牌定位环境,且识别速度快,准确率高。     

基于BP神经网络的多模型估计融合算法

工程领域里的一类目标参数估计常常存在多个估计模型。本文提出一种BP神经网络数据融合算法,对两个模型给出的四个估计结果有效融合,力图给出一个可靠性和精度更高的融合结果.将融合结果与原模型估计结果比对分析发现,融合算法可以有效降低失效率,在一定程度上提高精度。