混沌背景下微弱信号时域参数检测的研究

数字示波器不能测量混沌背景中的微弱信号,该文结合混沌和神经网络构建检测模型实现该功能。运用混沌时间序列的相空间重构理论计算嵌入维数作为神经网络的输入维来构建网络模型,并采用单步预测方法,在混沌状态下直接测量混沌背景中微弱信号,获取微弱信号的波形。该方法能够测量微弱信号的时域参数,测量范围宽,逼近目标精度高,计算量小。实验结果证明了该方法具有很强的实用性。     

基于改进的自组织映射神经网络的 调制方式识别分类器

为了提高调制方式识别分类器算法的正确识别概率和缩短识别时间,使其有自适应能力,利用自组织映射神经网络自组织、自适应的特点,提出采用自组织映射神经网络作为调制方式中的分类器,以自适应于信噪比的变化。对其学习规则和竞争传递函数进行改进,使每次获胜的输出神经元为2个。这样能减少输出神经元个数,加快神经网络的收敛速率,以较短的时间识别接收信号的调制方式。仿真结果表明改进的自组织映射神经网络的识别概率高于其它的神经网络。并且由于其结构简单,便于工程实现。     

基于神经网络的汽油干点软测量

针对常压蒸馏塔产品质量(汽油干点)测量困难的特点,建立质量指标(汽油干点)与其影响因素的多层前馈神经网络,应用神经网络的输入输出非线性函数逼近原理,将易于测量的温度压力等参数作为网络的输入,使经过BP算法学习的神经网络输出与实际化验的质量指标(汽油干点)值逼近。以此方法来实现常压蒸馏塔产品质量的在线软测量,以获得控制与优化所需的实时质量测量信号。这种软测量为实现常压塔的质量优化控制奠定了基础。     

基于FPGA的多功能函数发生器

以C8051F040高性能单片机、AD9850和Altera Cyclone EP1C3T144 FPGA为核心,由控制模块、信号产生模块、放大模块、调制模块、键盘及LCD显示等模块组成的系统,实现了频率范围为20 Hz-20 MHz、步进为10 Hz,电压峰-峰值为6Vopp的正弦波信号输出;用FPGA产生的1 kHz的调制信号控制AD603放大器增益实现模拟幅度调制（AM）信号输出;根据调制信号幅度改变AD9850频率控制字实现模拟频率调制（FM）信号输出;用FPGA实现了2ASK和2PSK数字调制信号输出.     

数字调制信号发生器的设计

以设计数字调制式信号发生器为目的，依据通信系统中模拟和数字调制方式的理论基础，采用直接数字合成技术(DDS)，开发出了一种具有数字调制功能的信号发生器，它具有AM，PM，FM，ASK，PSK，FSK的功能，经调试，该信号发生器的频率分辨率达到1μHz，最高频率达到40MHz,同时具有输出相位连续、抗干扰能力强等优点。     

基于改进CORDIC算法的光电编码器正交性误差测量

通过对小型光电编码器输出的光电信号精度误差来源进行研究,得出了正交性偏差是其主要误差来源的结论。针对光电编码器输出信号正交性误差的测量,引入了一种改进的坐标旋转数字计算机算法。该算法是在传统坐标旋转数字计算算法的基础上,通过改进其迭代结构得到的,能够很好地实现对光电编码器输出信号的正交性误差进行动态实时测量。MATLAB软件仿真结果显示,与其他方法相比,利用该方法测量的正交性误差范围明显更小、检测精度更高且运算速率更快。     

基于时频特征的卷积神经网络跳频调制识别

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络（CNN）的跳频信号调制方式识别系统. 该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题. 采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别. 仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54%.     

数字示波器静态校准的混沌方法研究

为了提高示波器静态测量精度,实现自动校准,2维Henon映射混沌测量模型测量信号幅度.通过选择模型参数和初始值,调整混沌阀值,实现高精度校准.同时,构建了变参数的混沌检测模型和测量算法.该算法不需要判断混沌系统从混沌状态变为稳定状态,减少了计算负担,将其作为数字示波器校准算法嵌入到示波器函数库中,改变了传统的校准方法,提高了校准性能.实验结果表明,该方法比采用传统算法测量结果好,分辨精度高,具有很好的应用性.     

改进型RBF神经网络在线的学习算法

为了更好的满足嵌入式应用领域和实时性环境的要求,在资源分配网络(RAN)的基础上提出了一种改进型径向基函数(RBF)神经网络在线学习算法.在网络参数调整过程中引入了分级学习率因子,根据理论输出和网络输出误差绝对值的大小选择不同的学习率因子参与学习过程.在VC++6.0编程环境中进行的软件仿真试验表明:相对于传统的RBF神经网络在线学习算法,改进型RBF神经网络在线学习算法在不增加网络规模的情况下可以进一步减小输出误差.     

神经网络在数字信号自动识别中的应用

分析了传统的基于决策理论的数字信号自动识别法的缺点.介绍了基于神经网络的数字信号自动识别法.采用改进的BP神经网络进行数字信号自动识别.仿真结果表明,改进的BP算法对数字调制信号的正确识别率高,可靠性好.     

基于改进Elman神经网络的氧化铝浓度控制建模

铝电解过程是一个非常复杂的非线性、时变和大滞后的工业过程体系,因而采用常规的控制方法很难达到良好的控制效果。针对此问题本文提出了采用改进的Elman神经网络对其进行建模,介绍了改进Elman神经网络结构及其学习算法;分析了影响氧化铝浓度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构。通过对现场采集的数据进行了仿真,仿真结果表明：与常规Elman相比,神经网络收敛速度和稳定性上都有明显提高,得到了令人满意的结果。     

进化Elman神经网络模型与非线性系统辨识

建立了一种采用改进的自适应遗传算法实现动态递归的进化E lman神经网络模型。提出了对网络的结构、权重、结构单元的初始输入和自反馈增益因子同时进化的学习算法。用初始状态优化的E lman网络集成反馈学习算法和E lman网络在线训练两种动态辨识算法形成的集成化动态递归网络辨识算法,实现了超声马达的速度辨识。模拟结果表明,提出的算法不仅实现了动态递归网络的全自动优化设计,而且明显提高了动态递归网络模型辨识算法的收敛精度,为非线性系统辨识提供了一条新的途径。     

改进Elman网络的逼近性质研究

提出了能够用于非线性系统建模的一种新型回归网络,该网络是Elman网络的改进,由输入层、隐层和输出层构成.输入层由外部输入和内部状态层组成,隐层到状态层的连接是任意的,因此在逼近系统时,改进的Elman网络比Elman网络有更多记忆空间.同时证明了改进的Elman网络能够逼近一定时间内的非线性系统的输出轨线,提出了利用动态反向传播算法训练神经网络的前向和反向权值,仿真结果验证了该方案的有效性.     

改进的Elman模型在紫坪铺月径流预测中的应用

Elman递归神经网络具有上下层,将隐藏层前一时刻的输出反馈到当前时刻的输入,这种反馈连接使Elman网络能够检测随时间变化的序列信息; 对Elman进行改进,使之对时间变化序列信息更敏感;利用岷江紫坪铺水文站数十年的天然月径流时间序列,采用改进的Elman递归神经网络对岷江紫坪铺站的天然月径流进行预测分析,并用误差检验和F方差对结果进行检验,表明该模型应用在紫坪铺水文站的月径流预测中是合理、可行的。     

基于免疫粒子群优化的一种动态递归神经网络辨识与控制非线性系统

提出了一种采用免疫粒子群优化算法对动态递归神经网络进行训练的方法,实现了对Elman网络的结构、权重、结构单元的初始输入和自反馈增益因子等参数的同时进化训练。进而针对非线性系统分别提出了相应的辨识与控制算法,并设计出了相应的辨识器和控制器。最后以超声马达为对象进行了仿真,结果表明:基于所提出的算法而设计的辨识器和控制器在辨识和控制过程中不仅都能取得很高的收敛精度和速度,而且对于随机扰动有较强的鲁棒性,从而为非线性系统的辨识和控制提供了一条新的途径。     

基于改进Elman神经网络的石膏纤维板厚度控制建模

针对石膏纤维板厚度控制系统的非线性、时变性及不确定性,采用改进的Elman神经网络对其建立动态模型,介绍了改进Elman网络的结构及学习算法;分析了影响石膏纤维板厚度控制精度的主要因素,并根据实际情况确定了输入层和中间隐层的维数,从而确定了模型的结构.由于改进的Elman网络具有适应时变特性的能力,而且学习精度高、学习速度快,与传统的BP网络相比,收敛速度有明显提高.通过对现场采集的数据进行仿真,得到了令人满意的结果.     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

一种高压开关柜温度预测的改进方法

对一种Elman神经网络进行高压开关柜温度预测的方法进行改进,融合小波包分析的方法对温度样本进行硬阈值平滑优化,与Elman神经网络松耦合组成松散型小波神经网络进行超短期温度预测。仿真结果表明,改进方法相比单一的Elman神经网络有效预测比率提高,均方根误差下降,其结果与实测温度值更加吻合,提高了预测的准确率和精确程度。     

基于铝电解过程神经网络建模的研究

目的利用神经网络铝对电解过程进行辨识建模,以解决采用常规方法难以建立模型的问题.方法分别利用递归神经网络（Elman神经网络）和延时神经网络（加入延时单元的BP神经网络）对铝电解过程进行辨识建模,并将二者的辨识结果进行了比较.结果递归Elman神经网络能更好地跟踪铝电解生产过程,并且网络结构简单误差小.结论笔者提出的递归Elman神经网络建模方案更适合于对铝电解过程进行辨识建模.