神经网络辅助的组合导航系统信息融合方案

传统的Kalman滤波器自适应能力弱，而单纯的神经网络滤波器估计精度较差，且网络训练经验性太强。面向组合导航领域，提出BP神经网络辅助自适应联邦Kalman滤波器方案，设计并实现了SINS／GPS／TAN／SAR智能化容错组合导航系统。结合自适应滤波和神经网络两种方法共同提高系统的自适应能力，并提出新的神经网络输入量，改善了算法的实时性。系统的估计精度得到显著提高，仿真结果证明了该方案的可行性和有效性。     

基于神经网络模型的智能电网线损估计方法

为了准确、有效、实时估计智能电网中配电网线损,提出了一种基于神经网络模型的智能电网线损估计方法.在BP神经网络算法的基础上采用LM算法对神经网络权重和阈值进行连续优化从而实现网络自适应调节,进而搭建神经网络模型.将模型应用于IEEE33节点系统进行实验,实时估计每条线路的功率损耗并将估计线损值与实际测得的线损值进行比较并提出相应的评估指标对方法有效性进行评估.结果表明,与传统的潮流法相比,所提出的方法具有更优的运算速度和准确度.     

履带式移动机器人自主跟随算法研究

基于履带式移动机器人自主跟随控制平台,研究并设计了一种履带式农业机械自主跟随控制系统.结合神经模糊控制(ANFIS)思想,提出一种自适应前视距离自主跟随算法,并进行了履带式移动机器人的运动学求解并建立其纯追踪模型,在纯追踪算法中对前视距离参数进行动态调节.通过将引导车行驶路径划分成多段直线路径组合成的折线路径,使跟随车自主跟随的本质转化为对折线路径的快速跟踪,实现跟随车对引导车的自主跟随.仿真及试验结果表明:折线路径平均横向偏差由0.092m减少为0.022m,调节时间缩短约50%,该算法对折线路径的跟踪精度较高,响应时间短,满足自主跟随需求.     

场景自适应的红外焦平面阵列非均匀性校正新方法

提出了一种基于神经网络的红外焦平面阵列 (IRFPA) 非均匀性自适应校正方法,重新设计了隐含层结构以获得更接近真实信号的期望信号,此外,还将变步长归一化LMS (VSS-NLMS)自适应滤波技术引入到校正参数的迭代估计过程中,以实现对校正速度和稳定性的提升．实验结果表明,该方法在校正精度、收敛速度和稳定性方面的性能均显著优于传统的神经网络校正算法．     

改进粒子群优化BP神经网络的目标威胁估计

为了提高目标威胁估计精度,提出一种运用改进粒子群算法优化BP神经网络的方法。为了避免陷入局部极值,将变异过程引入粒子群算法中,并对相关参数进行优化,形成改进粒子群算法,对BP神经网络的初始权值和阈值进行优化。利用样本数量不同的训练集对网络进行训练,并用60组测试集数据对网络进行验证。实验结果表明,改进粒子群优化BP神经网络目标威胁估计算法具有更高的预测精度,在训练样本数量较小时能够获得较好的预测能力,可以有效地完成目标威胁估计。     

基于MB栅格回波强度和改进BPNN的底质分类

提出了基于多波束栅格图像和改进神经网络的底质分类方法,研究了多波束栅格回波强度的提取方式和改进的反向传播(BP)神经网络.论述了波束脚印包络内以采样数量进行等角度栅格分配获取回波强度所在位置序列值,并在传统BP神经网络基础上附加动量因子和自适应学习率,同时为激活函数添加斜率和偏置可随误差信号进行修正.改进的BP神经网络不仅可以提高神经元的自适应能力,而且可以明显加快算法的收敛速度.利用提出的方法进行底质分类,实验结果表明,提出的方法显著提高了海底底质分类的分辨率和精度.     

基于BP神经网络和多元Taylor级数的混合定位算法

针对多元Taylor级数算法定位精度严重依赖初始值的问题,提出一种新的混合定位算法。通过BP神经网络定位算法提供初始值,提高多元Taylor级数展开法的收敛速度;通过多元Taylor级数展开法,充分利用未知节点之间的距离信息,减小测距误差造成的定位误差。仿真结果表明:混合定位算法的精度更高,并且减少了网格间距对定位精度的影响。     

基于渐消滤波的神经网络优化算法及其应用

针对BP神经网络在训练过程中易陷入局部极小值的问题,提出一种新的基于渐消滤波的神经网络学习算法。该算法采用渐消卡尔曼滤波对神经网络的权值进行更新,有效避免了梯度下降算法产生的局部极小问题;与卡尔曼滤波相比,在渐消滤波中充分考虑了最新量测值的影响,能更合理地利用新的有效信息,从而提高了学习算法的收敛速度。学习后的网络不仅具有普通神经网络的自主学习能力,而且具有渐消滤波的最优估计性能。将提出的神经网络算法应用于SINS/BDS组合导航系统进行仿真验证。结果表明,提出的算法在逼近精度方面优于BP算法和卡尔曼滤波算法,可以有效提高神经网络的泛化能力。     

基于新息的神经网络自适应卡尔曼滤波

卡尔曼滤波是一种基于最小方差的递推式滤波算法,系统模型和噪声统计特性的先验知识决定了滤波的性能和估计的准确性,不精确的先验知识将导致滤波性能的明显下降甚至发散。采用BP神经网络对系统进行辨识,获得精确的系统状态方程,利用新息自适应估计卡尔曼滤波算法中的过程噪声和测量噪声协方差矩阵,提出基于新息的神经网络自适应卡尔曼滤波算法。Matlab仿真结果表明,与传统卡尔曼滤波算法相比,改进的卡尔曼滤波算法获得了与原始信号几乎一致的输出信号,噪声得到明显抑制。同时,改进的算法不需要系统精确的数学模型,在实际应用中具有可行性和普适性。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.     

基于遗传算法的BP神经网络在声音智能监控中应用

针对标准的BP神经网络对于声音信号在线监控模型的预测误差比较大,提出了一种用遗传算法优化BP神经网络的算法,建立了声音监控的预测模型。遗传算法优化BP神经网络主要是用遗传算法来优化BP神经网络的初始权值和阀值,然后通过训练BP神经网络以得到预测模型的最优解,优化后的神经网络具有预测误差比较小、反应速度快等特点。实验结果证明,利用遗传算法优化BP神经网络在声音的智能监控中取得了比较好的效果,达到了系统设计的目的。     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

硬件实现基于BP神经网络设计的带阻FIR滤波器

针对带阻FIR滤波器传统设计方法的不足和缺陷,在改进BP神经网络设计带阻FIR滤波器方法的基础上,提出了BP神经网络设计FIR滤波器的硬件实现方法.通过神经网络训练使得实际滤波器的幅度响应逼近理想滤波器的幅度响应,训练得到带阻滤波器系数,再利用数字信号处理芯片(DSP),设计适当的FIR滤波器结构以及硬件结构,从硬件上实现带阻FIR滤波器.试验结果显示,用该方法设计的带阻FIR滤波器克服了传统方法的主要缺陷,具有良好的幅频特性及衰耗特性,并且边界频率控制精确.     

Improved ultrasonic differentiation model for structural coal types based on neural network

In order to solve the difficulty of detailed recognition of subdivisions of structural coal types, a differentiation model that combines BP neural network with an ultrasonic reflection method is proposed. Structural coal types are recognized based on a suit-able consideration of ultrasonic speed, an ultrasonic attenuation coefficient, characteristics of ultrasonic transmission and other parameters relating to structural coal types. We have focused on a computational model of ultrasonic speed, attenuation coefficient in coal and differentiation algorithm of structural coal types based on a BP neural network. Experiments demonstrate that the model can distinguish structural coal types effectively. It is important for the improved ultrasonic differentiation model to predict coal and gas outbursts.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

Research on adaptive notch filter cascading neural network anti-jamming algorithm

Satellite navigation suffers from performance degradation in the presence of narrowband interference. We present a Global Positioning System(GPS) receiver anti-jamming algorithm based on the neural network. The method combines the adaptive notch filter with the Back Propagation(BP) neural network. We first use the two order lattice infinite impulse response adaptive notch filter to eliminate-out-of-band jamming, then use the BP neural network predictor to estimate and cancel jamming. We analyze three aspects of algorithm performance which include acquired satellite numbers,signal-to-noise improvements and iteration numbers. Simulation results show that the method can effectively suppress narrowband interference and has a better anti-jamming capacity and a faster convergence speed.     

自适应控制下图像分割及并行挖掘算法

针对海量图像数据中目标的分割及识别问题,提出了一种自适应控制下图像分割及并行挖掘算法.采用隶属度函数窗口宽度在图像直方图控制下自适应调整模糊阈值图像分割方法对图像进行分割,提取出感兴趣的潜在目标区域,基于共轭梯度法改进的BP神经网络算法对潜在的目标区域进行训练和识别,识别算法基于OpenMP并行处理模型开发来提高执行效率.结果表明:本文算法相对于基于偏移场的模糊C均值、灰度波动变换自适应阈值和自适应最小误差阈值具有更高的分割准确率,与传统神经网络算法的识别结果相比,平均识别率提高了8%,运行时间减少了2. 5 s.     

神经网络BP算法在噪声主动控制中的应用

在噪声主动控制系统中采用神经网络控制方法，给出了神经网络BP算法的一种变异算法。仿真实验表明，基于神经网络的噪声主动控制系统具有非常好的降噪效果和稳定性。