基于粒子群优化算法的自适应滤波

提出并设计了一种基于粒子群优化算法的振动信号的自适应滤波模型。该滤波模型在计算机仿真测试中,获得了很高的效率和良好的结果。     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度。本文在Hopfield神经网络的基础上，提出了自适应滤波算法的神经网络硬件实现。从理论上进行了分析，并进行了仿真。     

自适应滤波算法的神经网络实现

为了提高传统自适应滤波器求解权值的速度，本文在Hopfield神经网络的基础上，提出了自适应滤波算法的神经网络硬件实现，从理论上进行了分析，并进行了仿真。     

基于自适应神经网络滤波的噪声消除

设计的自适应神经网络噪声抵消系统不需要关于输入信号的先验知识,非线性映射能力强,具有自学习能力、计算量小、实时性好。利用该系统对含噪声的非线性信号建模,达到消除噪声的目的。通过LMS算法,对不同信噪比(SNR)的含噪信号进行滤波。仿真结果表明,该滤波器能有效地抑制噪声。     

基于自适应滤波的MEMS姿态确定方法

针对消费类电子设备对姿态测量系统的需求,本文提出了一种基于MEMS加速度计、陀螺仪和磁强计的九轴姿态确定算法.针对实际系统中传感器量测噪声未知的情况,首先介绍了一种基于矢量观测器的矩阵Kalman滤波姿态确定算法,然后利用残差匹配技术,设计了一种基于残差匹配的自适应滤波方法.论文采用自适应滤波对传感器量测噪声进行估计,并将估计的量测噪声代入线性矩阵Kalman滤波算法,有效解决了线性矩阵Kalman滤波需要准确量测噪声统计信息的缺陷.最后设计了仿真实验验证本文提出的算法,并将其与线性矩阵Kalman滤波算法比较.仿真结果表明,自适应矩阵Kalman滤波的姿态旋转误差角为0.6091°,标准差为0.3009°,能够有效的估计传感器量测噪声,并具有更高的姿态确定精度和稳定性.     

基于脉冲耦合神经网络的自适应图像滤波

为有效滤除灰度图像中的椒盐噪声并保留图像的边缘及细节信息,提出一种简化的阈值单向衰减脉冲耦合神经网络(PCNN)点火矩阵自适应图像滤波方法,简化的PCNN结构减少了所需参数并提高了运算速度。该方法通过对PCNN点火矩阵的分析,定位出被噪声污染的像素,只对噪声像素进行滤波,因而有效地保留了图像的细节信息;并根据椒盐噪声的特点,动态估计图像的噪声强度,自适应地选择滤波窗口的大小和滤波次数。实验结果表明提出方法较常见的图像降噪方法在滤波效果、自适应性及保留图像细节方面有明显的优势。     

基于进化规则的自适应IIR滤波

针对基于梯度下降算法的自应用ＩＩＲ滤波器（ＡＩＩＲＦ）具有潜在的不稳定性和性能指标函数容易陷入局部极小而导致性能下降等问题。本文将进化规划用于ＡＩＩＲＦ的优化设计，不仅解决了ＡＩＩＲＦ系统稳定性问题，而且有效地实现了滤波器性能指标函数的全局导优和快速收敛，同时允许大动态范围的输入号。计算机仿真结果验证了基于进化规划算法的ＡＩＩＲＦ的性能优于基于梯度算法的ＡＩＩＲＦ，尤其对高阶、极点靠近单位圆的自适     

一种自适应确定性采样滤波方法

对确定性采样滤波方法进行了改进,提出了一种自适心确定性采样滤波方法.首先,分别推导得到了平稳噪声情况下递推形式的噪声统计参数估计算法,以及三种针对非平稳噪声统计参数的估计算法;然后,将所得到的噪声统计参数估计算法与确定性采样滤波方法相结合,得到自适应确定性采样滤波算法.仿真结果表明,当时变过程噪声统计参数未知时,利用本文所提出的自适应确定性采样滤波估计算法,仍然可以得到精度较高的估计结果.     

基于进化规划的自适应IIR滤波

针对基于梯度下降算法的自适应IIR滤波器（AIIRF）具有潜在的不稳定性和性能指标函数容易陷入局部极小而导致性能下降等问题，本文将进化规划用于AI－IRF的优化设计，不仅解决了AIIRF系统稳定性问题，而且有效地实现了滤波器性能指标函数的全局寻优和快速收敛，同时允许大动态范围的输入号。计算机仿真结果验证了基于进化规划算法的AIIRF的性能优于基于梯度算法的AIIRF，尤其对高阶、极点靠近单位圆的自适应IIR滤波器。     

基于模糊神经网络的彩色图像滤波方法

提出一种基于模糊神经网络的彩色图像滤波方法．该方法将滤波窗口内的像素矢量作为模糊神经网络的输入，根据像素间的矢量距离进行模糊化，通过模糊推理实现对各个像素加权求均值，得到中心像素的输出．输入的模糊化和模糊推理参数由神经网络的自学习功能自动调整，实现最优的滤波效果．对样本图像的处理结果表明，该滤波方法对不同类型的噪声均有较好的滤波效果。     

基于神经网络的复杂垃圾信息过滤算法分析

垃圾信息的识别是自然语言处理方面主要的任务之一.传统方法是基于文本特征或词频的方法,其识别准确率主要依赖于特定关键词的出现与否,存在对关键词识别错误或对未出现关键词的垃圾信息文本识别能力较差的问题,提出基于神经网络的方法.首先,利用传统方法针对这一类垃圾信息文本进行识别训练和测试;然后,利用从垃圾短信、广告和垃圾邮件数...     

基于自适应图卷积注意力神经协同推荐算法

随着互联网的快速发展,推荐系统可以用来处理信息过载的问题。由于传统推荐系统的诸多问题导致其无法处理发掘隐藏信息,提出一种自适应图卷积注意力神经协同推荐算法（ANGCACF）。首先获取用户和项目交互图,通过图卷积神经网络自适应的聚合用户和项目特征信息;其次对用户和项目特征信息添加自适应扩充数据,以解决数据稀疏性,利用注意力机制对用户和项目特征信息及添加的自适应扩充数据重新分配权重;最后将得到的用户和项目特征表示使用基于矩阵分解的协同过滤的算法框架得出最终推荐结果。在MovieLens-1M、MovieLens-100K和 Amazon-baby三个公开数据集上的实验表明,该算法在推荐准确率、召回率、MRR、命中率和 NDCG 五个指标上均优于基线方法。     

Automatic thesaurus construction for spam filtering using revised back propagation neural network

Email has become one of the fastest and most economical forms of communication. Email is also one of the most ubiquitous and pervasive applications used on a daily basis by millions of people worldwide. However, the increase in email users has resulted in a dramatic increase in spam emails during the past few years. This paper proposes a new spam filtering system using revised back propagation (RBP) neural network and automatic thesaurus construction. The conventional back propagation (BP) neural network has slow learning speed and is prone to trap into a local minimum, so it will lead to poor performance and efficiency. The authors present in this paper the RBP neural network to overcome the limitations of the conventional BP neural network. A well constructed thesaurus has been recognized as a valuable tool in the effective operation of text classification, it can also overcome the problems in keyword-based spam filters which ignore the relationship between words. The authors conduct the experiments on Ling-Spam corpus. Experimental results show that the proposed spam filtering system is able to achieve higher performance, especially for the combination of RBP neural network and automatic thesaurus construction.     

基于神经网络的多传感器系统误差校正方法

为提高传感器的准确度，减少传感器的研制成本，提出了基于神经网络多传感器误差补偿的方法。该方法利用BP网络较强的非线性映射能力，网络通过学习能实现对传感器系统误差的补偿。通过实例及仿真证明了该方法的有效性。     

基于自联想神经网络的数据滤波与应用

石油化工过程系统及其现场数据复杂,基于数据驱动的任何研究、设计、运行工作首先都需要进行数据滤波.本文研究了用自联想神经网络对化工过程数据进行滤波的方法.自联想神经网络通过使输入节点的信息压缩在隐层节点上,从网络输入的高维参数空间中提取反映系统结构的最具代表性的低维子空间,同时有效地滤去了测量数据中的噪声和测量误差,再通过输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各测量数据的重构.通过对测试函数的应用和误差比较验证了该方法可以达到比较理想的滤波效果,并采用该方法对某企业精对苯二甲酸(PTA)工业数据进行滤波后BP建模,该模型的预测效果要大大好于没有进行数据滤波建立的模型,从而进一步说明了用自联想神经网络对工业数据滤波不但是可行且有效的,同时也提高了模型预测的准确性.     

基于神经网络的电子邮件分类与过滤

现在电子邮件的应用非常广泛,已经成为人们生活中一种重要的通讯手段,但各种各样的垃圾邮件也是令我们十分困扰的问题,给出了一种电子邮件的分类过滤方法。电子邮件作为一种半结构化的文档,电子邮件信息包含了固定的语法部分和一定长度的可变文本部分,同时处理这两部分以得到更高的准确度。首先对邮件进行文本处理,得到特征向量;然后使用基于神经网络的方法对邮件进行分类过滤得到邮件分类器;最后通过实验验证分类器的有效性。     

神经网络修正动态GPS卡尔曼滤波算法研究

GPS导航定位系统噪声具有非先验性,而卡尔曼滤波进行最优估计需建立准确的系统模型和观测模型,这导致标准卡尔曼滤波的精度不高。为提高滤波精度,提出了神经网络修正动态GPS卡尔曼滤波算法,采用两个BP神经网络分别在时间更新预测部分及测量更新部分对标准卡尔曼滤波器进行修正,这样既考虑了现实环境的动态变化对系统模型造成的随机干扰影响,又融合了神经网络的自学习性和自适应性,使其对动态环境的扰动具有了自适应能力。仿真研究表明：该算法优于标准卡尔曼滤波器。     

基于神经网络模型分割的入侵检测方法

针对神经网络在入侵检测应用中存在资源消耗大、学习效率低等不足,提出一种基于神经网络模型分割的入侵检测方法.该方法根据当前典型攻击的特征,为每类攻击分别建立独立的子神经网络,对该类攻击进行学习和检测.然后再将每个子神经网络分割成多个更小的子模型,来降低学习时间和减少神经网络各层之间的连接权数目.设计了相应算法并进行仿真实验.实验结果表明,提出的方法提高了入侵检测的速度,降低了系统资源的消耗,提高了检测率.     

卷积神经网络在乐器板材优劣识别中的应用研究

目前民族乐器板材振动信号识别算法具有特征提取复杂且耗时长等缺点,针对此问题,提出了一种基于卷积神经网络的木材振动信号分类识别算法,实现了乐器板材优劣的判别。卷积神经网络将特征提取和分类过程结合来进行神经网络的训练,具有识别度高、鲁棒性好等优点。首先重点分析和讨论了提取木材振动信号的语谱图特征,然后应用卷积神经网络结合网格搜索的方法进行参数调优。为了防止过拟合,还应用了ReLU和Dropout等新技术,得到最终分类结果。实验证明,测试样本准确率达到96%,明显优于传统方法。该方法可减小人工测量的误差,加快板材的选取时间,为民族乐器制造领域的选材提供了一种更加实用的方法。