一种新的电离层区域重构方法

针对以电离层模型为参考的电离层重构算法对模型依赖性强、计算复杂、适应性不强的问题，提出了一种不依赖于参考模型的电离层区域重构算法，其仅依靠区域内的采样数据对区域电离层分布进行重构.该算法首先根据重构区域覆盖范围内分布的多个垂测站实测的f_cF₂，构造经度因子、纬度因子与f_cF₂关系式，重构出区域内任一点的f_cF₂；然后选取一个垂测站为基准，构造基准站f_cF₂、f_cF₁与重构对应点的f_cF₂扩展因子的关系式，以及重构距离点上任一高度上的等离子体频率与扩展因子、基准站f_cF₁的关系式，通过该扩展因子及关系式即可得到区域内的电子浓度情况.与均匀电离层假设下合成的斜测描迹相比，本文重构方法合成的斜测描迹更接近真实值，且试验表明其进一步提升了电离层重构的精度.     

利用人工神经网络研究电离层参量变化

利用人工神经网络研究低纬电离层参量的预测，首先我们研究从某一个月的电离层月中值预测下一个月的月中值。     

改进的Kriging技术实时重构区域电离层foF2的分布

改进了kriging技术重构电离层F2层临界频率foF2的方法,利用国际参考电离层IRI-2001模型作为背景场,通过拟合国际参考电离层模型得到“等效太阳黑子数”,并利用kriging技术来完成区域电离层的重构,是区域电离层重构的一种方法,它适合重构区域内电离层探测站较少的情况。与直接利用实测临界频率进行kriging重构相比,改进的kriging技术提高了重构的精度和稳健性。也表明了背景电离层模型在电离层重构中的重要作用。     

心电信号识别的人工神经网络方法研究

本文提出一种新的隐含层神经元非全连接的心电信号识别的BP阿络(Back-Propagation neural network)。该网络也可以看成是多个子网络的并联,用该网络作多种正常、异常心电信号识別时,利用心电信号奉身的特点,将一周期心电信号按P波、QRS波群、T波、ST段,分成n段,每个子网络只反映心电信号某一段的病变信息,多个子网络的并联结果,综合反映整个心电信号周期的信息。实验表明:与一般多层网络相比,该网络具有更高的识别能力,更快的学习速度。     

基于LabWindows/CVI的人工神经网络BP算法的实现

提出了一种BP学习算法的改进算法，与传统BP算法相比，本算法针对传统BP算法收敛速度较慢的缺点，提出了两点改进：一是选用奇函数作为激励函数；二是改进了学习过程中不随误差变化的误差反向传播因子，并给出了该算法在LabWindows／CVI环境下的实现方法。程序运行表明，本算法使学习速度有了较显著的提高。     

人工神经网络BP算法在近红外光谱分析中的应用

简要介绍了人工神经网络及其在近红外光谱分析中的应用。给出了三层BP网络的基本结构和对应的BP算法。通过测定润滑油的流动性、苯和甲苯的回收率及相对标准偏差的两个实例,分析了人工神经网络BP算法的明显优势。最后指出了存在的部分问题。     

基于FPGA的人工神经网络实现方法的研究

基于FPGA的神经网络实现方法已成为实际实时应用神经网络的一种途径.本文就十多年来基于FPGA的ANN实现作一个系统的总结,例举关键的技术问题,给出详细的数据分析.引用相关的最新研究成果,时不同的实现方法和思想进行讨论分析,并说明存在的问题以及改善方法,强调神经网络FPGA实现的发展方向和潜力及提出自己的想法.另外,还指出基于FPGA实现神经网络存在的瓶颈制约,最后对今后的研究趋势作出估计.     

人工神经网络在气体分析系统中的应用

为了研究人工神经网络在气体分析系统中的应用,选择了识别CH4和CO的传感器阵列及用于网络模型训练的样本。实验分析确定了信号预处理方法,选取合适的网络模型并创新性的对用于气体种类识别的BP算法进行改进,并研究网络结构和参数的变化对气体分析系统性能的影响,实验结果证明气体传感器阵列与BP算法相结合进行气体成分分析具有一定的可行性,若能进一步调整及完善气体传感器阵列的硬件测量电路,则可开发出用于现实复杂环境的多气体分析系统。     

区域电离层模型在大洋洲的适用性分析

为验证区域电离层模型在大洋洲的适用性,利用达尔文和珀斯站点的电离层探测数据,对亚洲和大洋洲地区模型(Asia-Oceania Model, AOM)在大洋洲的预测结果进行了统计分析,结果显示：两个站点中foF2和M3000F2的观测统计值与模型预测值变化趋势有较好的一致性;foF2模型值与观测值的全年均方误差分别为0.99 MHz和0.62 MHz,相对误差分别为11.82%和8.59%;M3000F2模型值与观测值的全年均方误差分别为0.09 MHz和0.08 MHz,相对误差分别为3.12%和2.54%;在此基础上,分析了预测偏差的日统计、季节统计和全年统计变化规律。上述研究可为区域电离层模型研究及新模型的建立提供参考价值。     

Fourier描绘子和人工神经网络应用于大样本集分类

模式识别常要求识别结果不受目标的平移、旋转和大小等变化的影响，因此通常先对模式进行规—化预处理，得到与图形形状有关但与目标的平移、旋转和放大缩小无关的图象数据，然后对预处理后的图象数据进行识别分类．这样就减少了原始数据量，且有助于区别带有不同特征的区域。为了识别有变形等失真的图形，要求识别系统有程强的容错能力，因此用神经网络是比较适合的。本文介绍了目前最常用的Fourier描绘子和反向传播算法(BP算法)，并针对飞机轮廊图的特点对这两种方法分别做了一些必要的讨论、比较和改进。成功地把这两个算法应用到大样本集飞机的分类和识别，网络训练后能识别三维空间中任意姿态的飞机在两维平面上的投影图。     

改进人工神经网络算法及其在E面分支波导耦合器优化设计中的应用

将混合遗传算法用于人工神经网络,训练出全局最优的权值和偏差,解决了反向传播网络收敛于局部极值的问题.运用该方法训练出E面分支波导耦合器的输入输出人工神经网络模型,并以此仿真并优化其他结构的耦合器.相对于精确电磁场数值计算,前者在保证有较高仿真精度的前提下,大大提高了仿真速度.     

基于神经网络的传播预测模型浅析

传播预测模型是网络规划和频谱资源合理利用的基础。在分析了现有模型不足的基础上,介绍了人工神经网络的结构及其传播预测模型的构建,并对该模型进行了改进,提出了应用反向传播(Back-Propagation,BP)神经网络的混合传播模型。人工神经网络具有良好的非线性逼近能力和泛化能力,非常适用于特定地区传播损耗的预测。通过对试验数据的分析处理,验证了此方法能够更真实地反映该区域的无线电波传播环境,得到更高的预测准确度。     

人工神经元网络的智能神经元模型

本文在仔细分析神经网络知识存储方式的基础上,指出了现有存储方式的严重不足;由大量具有简单处理能力的神经元组成的神经网络,虽然具有一定的智能处理能力,但由于每个神经元不具备复杂的处理能力,故必然导致由此构成的网络存在着诸如局部极小,收敛速度缓慢、推广能力差等缺点,尤其是难于用于实时处理系统,大大限制了神经网络的应用范围。为此,本文提出了一种新的智能型神经元模型并将它与常用的神经元模型进行了比较,后续     

基于RBF神经网络的B样条曲面重构

采用RBF神经网络模型进行自由曲面重构,建立了适合曲面重构的径向基函数网络模型,并在B样条曲面上做了仿真试验.实验结果表明:该模型不仅能够有效地逼近不完善的、带有噪声的曲面,而且拟合精度高、网络的训练速度快.说明了径向基函数神经网络应用于曲面重构问题的可行性.     

多层前向神经网络的权值平衡算法

对前向多层神经网络BP算法的改进方法作了分析,提出了一种新的改进方法——权值平衡算法,充分发挥各权值对网络训练的作用.仿真结果表明,新算法与基本的BP算法相比明显地提高了网络收敛速度和精度,对适合运用本算法的神经网络结构作了探讨.     

多准则图像重建的神经网络实现

本文提出一种以多目标优化理论为基础的神经网模型。它在多目标决策理论框架下学习和自适应,并具有鲁棒性、容错能力和快速收敛特性。这一模型应用於多准则图像重建的并行实现。计算机模拟结果表明了它的功效。     

基于神经网络的模型参考自适应控制

将神经网络应用于模型参考自适应控制系统中,组成模型参考神经网络自适应控制系统.利用神经网络自身的优点来克服传统模型参考自适应控制算法的不足,使系统具有更强的鲁棒性和容错性.仿真结果表明,该系统与传统的模型参考自适应控制系统比较,不仅能实现原系统的功能,而且该系统的稳定性和抗干扰性优于原系统.     

基于人工神经网络下的图像识别的研究

主要利用人工神经网络的理论知识研究在图像识别中的应用为目的,研究图像识别中图像分割的技术,同时详细分析了多层前馈神经网络的描述及BP算法工作过程。介绍隐层的选择及隐层神经元数选择的一些经验方法。针对BP算法存在的问题,提出加可变动量因子的BP算法,通过对网络训练过程参数调整以及增加可变动量因子等方面进行优化改进,实验证明加快了训练速度,改善了BP网络的学习效果。