一种预测节日短信峰值发送量的方法

介绍了时间序列预测常用的遗传算法和神经网络算法相关理论.在此基础上,提出了改进的基于遗传算法结合LM优化算法的神经网络训练方法.该方法分两阶段使用遗传算法改善网络训练质量,首先通过遗传算法进行粗调得到一个全局的近似解.以此为初值,再采用遗传算法和LM优化算法交替训练神经网络.最后,阐述了将该方法实际应用于春节当天六忙时短信息发送量峰值的预测.     

基于正交校正共轭梯度法的快速神经网络学习算法研究

前馈神经网络由于具有理论上逼近任意非线性连续映射的能力,因而非常适合于非线性系统建模及构成自适应控制。为了提高前馈神经网络的权的学习效率及稳定性,该文提出一种基于正交校正共轭梯度优化方法的快速神经网络学习算法,通过与其它学习算法(如:BP算法、变尺度法、用差商近似代替导数的Powell法等)的比较,经仿真试验表明,本算法是一种高效、快速的学习算法。     

基于Levenberg-Marquardt算法的图像拼接

Levenberg-Marquardt(简称LM)算法是高斯-牛顿法和梯度下降法的结合,既有高斯牛顿法的快速收敛性,也有梯度下降法的全局搜索特性.将LM算法应用于图像拼接过程中变换矩阵的参数自动优化中,通过对多个对应点的自动优化后,可以较快得到变换矩阵,从而实现图像拼接.在LM算法中,以对应点距离的平方和作为目标函数,给出此方法详细的实现过程与结果.与以灰度差平方和为目标函数相比,避免了提前采用插值算法,从而求得的M变换矩阵更精确.结果表明,该方法实现图像拼接的精度高,速度快.     

基于LM5025的有源箝位反激变换器的前馈控制

在有源箝位反激变换器负载基本恒定的情况下采用前馈控制既可以减小变换器体积,又可降低变换器的成本。文中在分析有源箝位反激变换器工作原理的基础上,结合LM5025器件的前馈控制特性,深入研究了基于LM5025的有源箝位反激变换器前馈控制的实现方案,设计了前馈控制电路的参数,完成了有源前馈反激变换器电路设计。在此基础上进行了实验研究,实验结果证明了有源箝位反激变换器前馈控制的有效性和实用性。     

基于小波-神经网络的短期风功率预测

采用小波变换和神经网络相结合的方法对风电功率进行短期预测。利用小波变换将信号分解成不同频段的子序列,各子序列单支重构后,利用神经网络分别建模预测,最后将各子序列的预测结果叠加得到最终的功率预测值。在神经网络学习过程中采用LM算法,有效提高了收敛速度,降低了陷入局部极小值的可能。通过实例分析,验证了该方法可以较为准确地预测风电功率。     

基于BP神经网络的智能电网配电系统改进算法的研究

提出一种基于BP神经网络的智能电网配电系统改进算法.由于BP网络是一种按误差逆传播算法训练的多层前馈网络,具有学习性,可以根据已有的配电参数样本集进行训练,从中分析出内蒙古各地区根据时间不同所配电的分配情况的内在联系,实现对以后配电系统进行自适应控制.该算法的优点就是在构造过程考虑了BP的预测精度和训练时间,采用了梯度下降法的方法,进行Matlab仿真实验,获得了较为准确的预测结果.     

基于神经网络的联合混沌时间序列的预测研究

提出了利用前馈神经网络预测联合混沌序列,通过引用著名的Henon和Lozi混沌系统作为仿真实验产生联合混沌信号序列。预测结果证明,用改进的BP算法训练的NN可以完全预测联合混沌信号序列。     

人工神经网络在甲醇发动机中的应用研究

在四缸柴油机的进气管上安装喷嘴来喷射甲醇,实现甲醇一柴油混合燃烧模式。试验通过燃烧甲醇-柴油和纯柴油混合燃料两种模式进行对比。然后用Levenberg-Marquardt（LM）算法来预测发动机分别燃烧甲醇-柴油混合燃料和纯柴油的BSFC（制动燃料消耗率）,CO（碳氧化合物）和HC（未燃烧碳氢化合物）等废气排放特性,以及AFR（空燃比）,并与实际测得数据进行对比分析。试验结果表明,LM的学习能力对BSFC,CO,HC和AFR的预测是相当有效,而且和纯柴油相比,甲醇改善了排放特性。     

一种增强差异性的半监督协同分类算法

半监督学习中的Tri-Training算法打破了以往算法对充分冗余视图的限制,并通过利用三个分类器处理标记置信度和样本预测问题提高了标记效率.为进一步增强协同训练过程中分类器之间的差异性以提高性能,本文在其理论基础上提出了一种增强差异性的半监督协同分类算法.该算法利用三个不同的分类器进行学习;考虑到分类模型在更新过程中,可能会因随机抽样导致性能恶化,该算法利用基于标记类别的分层抽样法来对已标记样本集进行抽样,并通过基于分类正确率的加权投票法实现了分类器的集成,提高了预测准确率.本文通过实验对所提出算法与Tri-Training算法做了性能比较,实验结果表明本文所提出的方法在分类问题上具有较好的性能,验证了该算法的有效性和可行性.     

基于神经网络的数据挖掘算法研究

神经网络可以实现分类、预测等多种网络模型。将神经网络的BP(前馈神经网络)和SVM(支持向量机)数据挖掘算法应用于西安地区的空气质量预测,虽然它们的泛化和收敛能力不同,但通过以往的历史数据训练网络模型。实验结果证明该算法可以较准确地预测未来的数据。     

基于Web网页语料构建动态语言模型

为语音识别系统构建语言模型，首先要进行语料准备，语料来源决定语言模型的性能。Web网页中涵盖了各种最新的语言现象，为语料准备提供了最多样化的资源。但Web网页中语义完整字串通常夹杂在格式、标记、广告等无用字串中。首先介绍语言模型的训练算法和更新方法，继而提出一种从HTML文档提取用于训练语言模型的语义完整汉字字串的算法，最后给出语料提取实验结果、语言模型训练结果和语言模型的动态更新结果。为基于Web网页语料动态更新语言模型提供了一个完整的解决方案。     

GRNN与BPNN的函数逼近性能对比研究

为了研究GRNN和BPNN非线性函数的逼近能力,从数学角度详细阐述了GRNN和基于LM优化算法改进的BPNN的学习过程,编程建立了GRNN和BPNN,并分别用两种神经网络对指定的非线性函数进行逼近实验。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,相对于BPNN而言,GRNN的逼近精度更高、收敛速度更快,具有很好的逼近能力,为解决非线性函数的逼近问题提供了良好的解决手段。     

用于DS/CDMA系统多用户检测的变步长符号算法

提出了一种新颖的变步长符号算法用于DS/CDMA系统的多用户检测。这种算法对盲平均符号算法的步长又一次采用二次最小均方误差算法,克服了盲平均符号算法受步长影响的缺点,并利用符号算法计算复杂度低的特点,加快了算法的收敛速度。仿真表明,这种算法能够自动迅速地适应环境的变化并且不受初始步长和学习率的影响,在性能上优于与其类似的自适应接收机。     

基于改进BP网络的柴油机燃油故障诊断的应用

针对标准BP神经网络收敛速度较慢的问题,本文对所建立的BP网络的学习算法进行了改进,采用LM最优化算法对BP网络进行训练,替代了原来标准BP算法中的梯度下降法寻找最优网络连接权值。燃油喷射系统是柴油机的核心部分,其工作状况直接影响柴油机的燃油过程及其性能,将这种改进的BP算法应用到柴油机燃油故障诊断中,仿真实验证明,该...     

A Modified Error Function to Improve the Error Back-Propagation Algorithm for Multi-Layer Perceptrons

This paper proposes a modified error function to improve the error back-propagation (EBP) algorithm for multi-Layer perceptrons (MLPs) which suffers from slow learning speed. It can also suppress overspecialization for training patterns that occurs in an algorithm based on a cross-entropy cost function which markedly reduces learning time. In the similar way as the cross-entropy function, our new function accelerates the learning speed of the EBP algorithm by allowing the output node of the MLP to generate a strong error signal when the output node is far from the desired value. Moreover, it prevents the overspecialization of learning for training patterns by letting the output node, whose value is close to the desired value, generate a weak error signal. In a simulation study to classify handwritten digits in the CEDAR [1] database, the proposed method attained 100% correct classification for the training patterns after only 50 sweeps of learning, while the original EBP attained only 98.8% after 500 sweeps. Also, our method shows mean-squared error of 0.627 for the test patterns, which is superior to the error 0.667 in the cross-entropy method. These results demonstrate that our new method excels others in learning speed as well as in generalization.     

ANN Synthesis Models Trained with Modified GA‐LM Algorithm for ACPWs with Conductor Backing and Substrate Overlaying

Accurate synthesis models based on artificial neural networks (ANNs) are proposed to directly obtain the physical dimensions of an asymmetric coplanar waveguide with conductor backing and substrate overlaying (ACPWCBSO). First, the ACPWCBSO is analyzed with the conformal mapping technique (CMT) to obtain the training data. Then, a modified genetic‐algorithm‐Levenberg‐Marquardt (GA‐LM) algorithm is adopted to train ANNs. In the algorithm, the maximal relative error (MRE) is used as the fitness function of the chromosomes to guarantee that the MRE is small, while the mean square error is used as the error function in LM training to ensure that the average relative error is small. The MRE of ANNs trained with the modified GA‐LM algorithm is less than 8.1%, which is smaller than those trained with the existing GA‐LM algorithm and the LM algorithm (greater than 15%). Lastly, the ANN synthesis models are validated by the CMT analysis, electromagnetic simulation, and measurements.     

一种新的多特征融合视频篡改检测方法

三网融合的视频防插播、防篡改技术已成为信息安全领域重点攻关的关键技术。针对多媒体业务被恶意篡改的问题,提出一种新的多特征融合的视频篡改检测方法：结合LM算法对BFGS进行融合改进,提出改进的BFGS神经网络,通过提取视频特征平均梯度和信息熵,采用改进的BFGS神经网络进行融合篡改检测。实验结果表明,该算法收敛速度快,学习精度高,能有效地对视频篡改进行检测。     

用记忆型 BP 神经网络实现 HPA 预失真的算法研究简

在分析宽频带CMMB直放站高功率功放(HPA）特性的基础上,提出了一种可分离处理功放记忆效应和非线性的延时神经网络（FIR-NLNNN）模型。该模型以实数延时神经网络（RVTDNN）为基础,用Levenberg-Marquardt（LM）优化算法确定神经网络系数,在模型中新增参数w0,给出了LM算法的修改公式。接着在预失真神经网络系统中引入Bayesian机理消除LM算法的过拟合现象,构建CMMB数字直放站的间接学习预失真器,拟合HPA的非线性和记忆效应。结果表明：RVTDNN和FIR-NLNNN 2种预失真器均能显著提高系统性能,降低邻信道功率比30 dB左右。在保持均方误差（MSE）小于10?6的情况下,FIR-NLNNN结构的网络参数比RVTDNN结构减少了近50%,迭代过程中的乘法和加法次数约降低75%。     

一种改进的隐马尔可夫模型训练方法及其在声目标识别中的应用

提出了一种基于最大相对界的改进隐马尔可夫模型训练方法.为解决隐马尔可夫模型的传统Baum_Welch训练算法在识别声目标时的局限以及现存区分训练算法泛化能力不足的问题,在经典隐马尔可夫模型为初始模型的基础上,定义了相对界,并通过最大化最小相对界建立一个最优化问题,用梯度下降法进行迭代求解,得到基于相对界的隐马尔可夫模型...     

一种新的量子神经网络训练算法

量子神经网络是一种借鉴量子理论中的态叠加思想而设计的单隐层前馈神经网络,其主要用于数据分类。由于采用多层激励函数神经元,并且在量子间隔训练中采用了新的目标函数,即同类输入数据的隐层节点输出方差最小,从而使量子神经网络具备了发掘不同类别数据间模糊性的能力。但由于训练时对量子神经网络权值和量子间隔使用了不同的目标函数,使迭代过程中两者不可避免的会出现相互冲突,从而导致训练迭代次数的增加和网络性能的下降。本文借鉴约束优化理论,在两个目标函数的梯度下降求解中引入了惩罚函数,提出了一种新的量子神经网络训练算法,消除了两个目标函数间的冲突。实验结果表明,本文提出的训练算法可以显著提升训练的速度和网络的性能。