基于遗传算法优化的神经网络自适应开关加权滤波研究

针对传统滤波算法对高噪声密度椒盐噪声污染的图像去噪效果不佳的劣势,采用遗传算法优化BP神经网络后对图像中的椒盐噪声进行自适应开关加权滤波处理.与几种相关方法的对比实验表明,本方法神经网络泛化性能强、椒盐噪声检测的准确率高、经过滤波处理后图像还原度高、图像细节信息保护效果较理想.     

基于迭代中值滤波的自适应两级排序滤波算法

针对图像去噪时往往会改变未受噪声污染像素的灰度值的问题，提出了一种去除图像中椒盐噪声的新型滤波算法．该算法采用两级滤波，并在两级滤波之间通过自适应算法确定未受噪声污染但在第一级滤波中被滤除的像素，以保持这些像素的原灰度值不变，保护了图像的真实性；同时在第一级滤波时采用迭代中值滤波，使滤波效果更佳．实验结果表明，所提出的滤波算法的效果优于现有的滤波算法，尤其是噪声密度超过0．3时，该算法的优势更加明显．     

基于迭代中值滤波的自适应两级排序滤波算法

针对图像去噪时往往会改变未受噪声污染像素的灰度值的问题,提出了一种去除图像中椒盐噪声的新型滤波算法.该算法采用两级滤波,并在两级滤波之间通过自适应算法确定未受噪声污染但在第一级滤波中被滤除的像素,以保持这些像素的原灰度值不变,保护了图像的真实性;同时在第一级滤波时采用迭代中值滤波,使滤波效果更佳.实验结果表明,所提出的滤波算法的效果优于现有的滤波算法,尤其是噪声密度超过0.3时,该算法的优势更加明显.     

基于自适应中值滤波的图像去噪技术研究

中值滤波和自适应中值滤波被广泛地应用于消除图像的椒盐噪声。传统中值滤波算法无法根据图像噪声浓度改变窗口尺寸,并且噪声浓度过高时,中值滤波算法基本失效。自适应中值滤波算法可以根据椒盐噪声浓度大小对窗口尺寸进行改变,在高浓度噪声干扰下仍然具有较好的去噪效果。针对椒盐噪声,对中值滤波算法和自适应中值滤波算法去噪结果进行比较。通过仿真实验对图像添加不同浓度的椒盐噪声,并分别使用中值滤波算法和自适应中值滤波算法进行噪声去除,实验结果表明,在去除椒盐噪声方面,自适应中值滤波克服窗口尺寸局限性后,比中值滤波具有更好地去噪效果,能很好地保留图像细节,且它的信噪比、峰值信噪比数值最大,均方误差的值最小。     

神经网络自适应滤波器

本文介绍一种新颖的非线性自逅应滤波器——自适应神经网络滤波器.由于神经网络具有学习非线性函数到任意的精度以及自适应能力,这种滤波器优于线性滤波器,能适应各种噪声环境.在自适应LMS算法基础上,提出了在线PB训练算法、收敛速度快.最后以自适应噪声对消系统为例,进行了计算机仿真,结果显示了这种滤波器的良好性能.     

一种模糊自适应滤波算法的研究与实现

为解决均值滤波和中值滤波算法在数字信号处理中存在的问题,提出一种模糊自适应滤波算法．根据每个元素噪声度的大小控制均值滤波窗口的大小,并做了大量的仿真．与普通的均值滤波和中值滤波进行比较发现,该方法不仅很好地去除了信号中混有的脉冲,而且在不损坏信号细节的前提下,很好地滤除了噪声信号．最后,使用了信噪比改善因子S来检验算法的滤波效果,证明其滤波效果好于传统的中值滤波和均值滤波,且具有算法简单、实时性好等特点,并已经应用在很多场合．     

线性调频信号增强的自适应滤波算法研究

在对基本LMS算法进行修改的基础上，提出了基于高阶累积量极性一动量迭代的自适应线性调颇（Linear Frquency Modulation,LFM)信号增强新算法，该算法有抑制高斯噪声效果好。计算量小，收敛快且输出信号平稳等特点，仿真结果证实了该算法的有效性和可靠性。因此，具有较强的实用性和较好的应用前景。     

基于子波变换的自适应滤波

研究了基于子波变换的子波子带自适应滤波,它不仅加快了最小均方（ＬＭＳ）算法的收敛速度,有利于降低计算复杂度,而且改善了收敛性能。给出的谱线增强器的模拟结果证实了上述分析。     

基于神经网络的自适应控制

在常规模型参考自适应控制器基础上采用神经网络作为辨识器和控制器，组成模型参考神经网络自适应控制系统。利用神经网络的优点弥补传统自适应方法的不足，使系统具有更强的鲁棒性。仿真结果表明，该系统比传统模型参考自适应系统具有更好的稳定性和更快的响应速度。     

Adaptive Control by Using Neural Networks

ＡｄａｐｔｉｖｅＣｏｎｔｒｏｌｂｙＵｓｉｎｇＮｅｕｒａｌＮｅｔｗｏｒｋｓ￥（郝继红）（吕强）（段运波）（许耀铭）ＨＡＯＪｉｈｏｎｇ；ＬＵＱｉａｎｇ；ＤＵＡＮＹｕｎｂｏ；ＸＵＹａｏｍｉｎｇ（Ｄｅｐｔ．ｏｆＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇ，Ｈａｒｂｉｎｉ...     

神经网络自适应控制技术在空调系统中的应用

目的采用神经网络自适应控制方法，来解决中央空调系统大惯性、大时滞问题，提高控制效果．方法利用两个BP神经网络NNC和NNI，分别做控制器和辨识器，神经网络辨识器通过采集相关的输出量，监控系统的工作状态，并通过实时调整神经网络控制器参数．结果实现中央空调智能控制，仿真结果验证有良好的动态性能和稳态性能．结论神经网络自适应控制器优于常规控制器．调节速度快，超调小，具有良好的控制性能．     

一种神经网络自适应控制算法及其改进

Brandt和Lin提出了一种没有反馈网络的自适应神经网络控制器。由于这种算法结构简单,很适合于用硬件来实现,具有相当的使用价值。但是,经过仿真表明,这种自适应神经网络控制器在被控对象的阶数比较高时会产生不稳定现象,这就限制了其应用范围。通过在Brandt-Lin算法中引入一个死区非线性环节,使得神经网络当控制误差小于一定范围时停止学习,从而在一定程度上克服了不稳定现象。经过改进后的控制算法可以使其应用范围进一步扩大。     

采用一种新型神经网络的动态系统辨识与控制

目的研究动态系统的神经网络辨识与控制问题.方法为了减小网络的固有逼近误差,提出一种新型的神经网络模型,利用动态误差反馈来修正网络输入.结果得到了由新型网络和稳定滤波器构成的神经网络辨识模型及基于该网络模型的自适应控制方案.结论理论和仿真结果都证明了该神经网络模型能够有效地应用于一类非线性系统的控制.     

基于观测器的自适应神经网络Backstepping输出反馈控制

针对一类单输入单输出状态不可测非线性系统,提出一种自适应神经网络bakstepping输出反馈控制方法。首先,用神经网络逼近非线性函数,然后设计神经网络自适应观测器估计系统的状态。其次,在backstepping设计框架下,设计了自适应输出反馈控制器。最终,证明了所提出的自适应神经网络控制方法能够保证系统所有信号有界的同时,跟踪误差趋近于原点的一个小邻域内。仿真结果进一步验证了所提出方法的有效性。     

基于BP神经网络的协作过滤推荐算法

研究、探讨了协同推荐问题,提出了一种基于两层面的多个后向传播(BP)神经网络的协作过滤推荐算法(TMNN-CFRA). 两层面的多个BP神经网络协同工作,高层面BP网反向误差传播直至低层面多个人工神经网络(ANN)进行网络权值修正,以此为基础,借助用户评价等特征前向给出项目推荐. 标准评测集Movielens上的实验评测表明了TMNN-CFRA的可行性和有效性.     

一种具有自适应量化层的CMAC神经网络

首先阐述了ＣＭＡＣ神经网络的原理，结构和学习算法，提出了一种新有采用竞争学习原理的非等距自适应量化算法，理论分析和仿真结果表明，在保持量化总级数不变的前提下，该方法能有效的利用ＣＭＡＣ神经网络的内存，提高逼近精度。文中进行了理论分析，仿真实验证明了所提方法的有效性。     

神经网络自适应控制系统

提出了一种基于神经网络的自适应控制系统，其中一神经网络用于辩识非线性系统，另一神经网络作为控制器，依据本文推出的自适应算法得出了满意的仿真的结果。