用于神经网络容错的动态冗余BP算法

多层感知器(MLP)的容错性传统上采用改进算法和部件冗余方法。该文提出了一种动态冗余BP算法,这种方法在传统的带冲量项的自适应BP算法的学习过程中,根据各权值重要度的不同选取重要的权值进行冗余处理。该算法能有效地提高网络的容错能力,与学习中注入故障这一典型的容错改进算法相比,尽管容错能力并不突出,但相对可节省大量的学习时间。     

有限规模多层前向网络的机理分析

本文提出了有限规模多层前向网络的概念，基于对网络基本功能的认识，本文分析了网络在构成离散点集上的最小二乘逼近的机理和性质。     

基于多种群遗传神经网络的非线性系统辨识

提高非线性系统的辨识精度,本文提出利用多种群遗传算法对BP神经网络权值进行优化,并将该算法用于非线性系统辨识中,取得了良好的效果。实验证明,与单纯采用BP神经网络辨识方法相比,本文方法对非线性系统有更强的辨识能力。     

机敏约束层阻尼结构动态模型辨识

针对机敏约束层阻尼(SCLD)非线性系统的动力学建模问题,系统辨识是一种简便有效的方法.该文以NARX网络表征待辨识模型,并采用串并联与并联相结合的方法训练网络,根据实验数据辨识出非线性系统的动力学模型.通过对SCLD薄板结构外扰通道和控制通道的建模研究,证明了NARX网络良好的辨识性能及该文研究方法的正确性.为进一步验证该文建模方法的有效性和可行性,将NARX网络用于SCLD复杂车厢结构的动态模型辨识,并取得了较满意的效果.     

对多层前向神经网络研究的进一步看法

本文从函数逼迫的观点,讨论了样本量有限地重要性,简单回顾了学习理论的发展及其与神经网络的关系,指出学习理论对多层前向网络研究的重要性。     

基于多层感知融合网络的图像去雾模型研究

针对雾天环境下智能视觉系统采集图像严重降质,基于卷积神经网络提出了一种多层感知融合网络（multi layer perceptual fusion network, MLPFN）用来重建清晰图像。MLPFN通过下采样成三条不同分辨率特征流,其中多尺度感知模块用于增大网络感知域,残差密集连接模块强化特征提取能力,特征融合模块将来自不同层次的特征映射以自适应权重方式融合,有效结合高低层特征。除此之外,模型在监督策略上采用平滑损失和感知损失作为联合损失函数,保证恢复的图像在视觉感官上与原始清晰图像接近。实验结果表明,与其他图像去雾方法相比,所提的MLPFN不管在主观还是客观图像质量评价指标上都表现优异,去雾效果显著。     

前向多层神经网络的隐节点修剪算法

对硬件实现的神经网络而言，网络隐节点个数是一个十分重要的性能指标，它主要由神经网络的隐节点数和隐层数所决定，过分增加隐节点数和隐层数并不能明显地改善神经网络的性能，却使硬件结构的复杂性急剧增加，本文从国内外前向多层人工神经网络大量应用实例中总结归纳了一个确定隐节点数的经验公式，提出了一种判断隐点数是否多余的新方法，使用实例证明了我们提出了的经验公式和判断方法。     

多层光学神经网络

多层光学神经网络引言计算的神经网络模型包含许多简单的处理结或“神经原”，它们通过互连权进行相互通讯。（人们把这些处理结拟人化地叫做神经原，是由于生物学上还为复杂精致的神经原启发了计算互连模型的产生。）每一个神经原都有它自己的激活水平，将其它神经原的激...     

基于遗传算法和BP算法的多层感知机杂交训练算法

基于梯度下降的神经网络训练算法易于陷入局部最小，从而使网络不能对输入模式进行准确分类。本文提出综合遗传算法和ＢＰ算法的杂交算法ＧＡ－ＱＰ，它结合遗传算法的全局搜索特性和ＢＰ的局部收敛特性，实现对神经网络的有效训练。     

变遗忘因子递推最小二乘Hammerstein系统辨识算法

摘.要:本论文研究了单输入单输出非线性Hammerstein系统的辨识问题,提出了一种具有变遗忘因子的递推最小二乘算法.由于Hammerstein系统模型的非线性特征,传统的递推最小二乘算法无法直接用来解决该系统的辨识问题.为此,论文将Hammerstein系统参数进行了映射变换,使得变换后的系统参数与Hammerst...     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

时滞和滤波联合辨识的递推最小二乘算法

时滞和滤波联合辨识问题既是经典时滞估计问题的推广，又是自适应系统建模和时灌估计两方面的交叉。本文针对先滤波后时滞的系统模型，从方法上改进BOUDREAU＆KABAL提出的基于快速横向滤波器的递谁最小二乘滤波算法，使其时间复杂度由O［19ρ］下降为0［7ρ］，便于实时在线应用。我们以低通滤波器与线性时滞串联系统的辨识为例，表现该算法对变化时滞的跟踪能力及联合辨识性能。     

一种基于BP网络的星图识别算法

为了提高星图识别算法的抗噪性能,提出一种基于逆向传播(Back Propagation,BP)网络的识别算法。该算法通过将星图转换成“0”、“1”和“2”的网格矩阵,提取行列数值和星数形成匹配向量,利用多个BP识别子网进行训练完成匹配识别。通过仿真试验得出以下结论:对星等位置和星等添加噪声,当位置噪声标准偏差为2像素时,BP网络算法的识别率和识别时间相对传统栅格算法分别提高2%和60ms,对噪声有较强抗干扰能力,表明BP网络算法具有更快的识别速度。     

一种用于非线性复杂系统辨识的自适应模糊神经网络

该文提出一种用于复杂的非线性未知系统辨识的混合神经网络模型自适应模糊神经网络(AFNN)。AFNN网络结构简洁,具有通用逼近的特性,能够克服由于突变点的存在而对系统辨识所带来的误差,提高整个系统的辨识精度。对空空导弹攻击区辨识的仿真结果验证了AFNN网络的有效性。     

Decentralized Control of Dynamic Routing with a Neural Network Algorithm

A state-dependent routing algorithm based on the neural network model, which takes advantage of other dynamic routing algorithm for circuit-switched network, is given in [1]. But, the Algorithm in [1] is a centralized control model with complex O (N7), therefore, is difficult to realize by hardware. A simplified algorithm is put forward in this paper, in which routing can be controlled decentralizedly, and its complexity is reduced to O (10N3). Computer simulations are made in a fully connected test network with eight nodes. The results show that the centralized control model has very effective performance that can match RTNR, and the centralized control model is not as good as the centralized one but better than DAR-1.     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

基于云模型和矢量神经网络的辐射源识别方法

 矢量神经网络在训练阶段既不能处理语义信息,也没有考虑训练样本本身的可靠性,因而造成辐射源不能正确识别的问题,为此提出了一种基于云模型和矢量神经网络的识别算法.该算法利用云模型来实现定性概念到定量区间值的转换,并利用改进后的矢量神经网络实现区间类型的矢量输入到区间类型型号输出的非线性映射.仿真实验表明,本文方法不仅能处理语义类型的输入矢量,而且能够处理数字类型的输入矢量,并且在测量误差环境中具有较高的识别率.