基于RBF神经网络的辐射源威胁评估

提出基于一种新的鲁棒性径向基(RBF)神经网络的辐射源威胁评估方法。此网络应用Log-Sigmoid函数作为基函数，避免了学习过程中的不稳定状态，并且比传统的RBF有更好的学习性能和函数逼近能力。并介绍一种新的归一化函数，通过归一化函数把不同类型、不同量纲的原始评估数值转换到[-1，1]区间，该归一化函数较好地体现了“奖优罚劣”的原则，同时又更有利于神经网络的训练。仿真实验证明了该方法的优越性。     

FIR带通滤波器优化设计研究

提出了一种基于BP学习算法的正弦基函数神经网络模型，给出了该社会网络模型的收敛性条件，为社会网络训练的学习效率选取提供了依据。根据本文提出的优化设计算法，作者详细研究了FIR线性相位带通滤波器优化设计实例，研究结果表明，本文设计的FIR带通滤波器，基阻带衰耗特性好，最小衰耗分别在100分贝和140分贝以上，这是任何其它优化设计方法难以实现的，研究结果表明了本文提出的基于BP算法的正弦基神经网络模型是一种有效的神经网络模型。     

基于硬件的二阶插值单精度函数近似

最简单的初等函数实现方法是查找表，但其只有与简单算术操作相结合才可实现精度的函数近似；在介绍已有同类研究后，文章提出了一种基于二阶插值的改进查表计算结构，所需查表后的算术操作数据宽度低，不仅减少常数存储ROM面积，并且改善了系统总延迟，此固定结构可结构所有的初等函数的近似查表。     

第一类整数阶Bessel函数的逼近算法

为了方便地计算n阶第一类Bessel函数(n为整数或者为0时)的函数近似值,本文推荐了一种新的算法,即采用了多项式逼近和C++语言的算法相结合的方法,通过与MATLAB的精确计算结果进行分析,两者的绝对误差都在10e-5,并且该算法具有更高的精度,从而证明该算法的可行性和正确性。     

基于径向基函数神经网络的模拟/混合电路故障诊断

径向基函数神经网络是一种前馈型神经网络,具有较强的函数逼近能力和分类能力,学习速度快等优点.本文采用幅值恒定的正弦信号源进行模拟电路的故障仿真,从频域提取输出信号波形的特征值建立故障字典,应用径向基函数神经网络的这些优点进行响应分析和故障诊断,能够实现快速故障诊断及定位,具有准确率高的特点.     

扩频通信系统中弱信号检测研究

介绍了一种用于扩频通信系统微弱信号检测的新方法。该方法利用了正弦函数的特殊性质，在信号未知的情况下，通过多次自相关运算成功的检测出埋没于强大噪声中的微弱正弦信号。具有理论推导简单、物理意义明确、计算量小等特点。还给出了具体信号的仿真结果。     

基于Chebyshev正交多项式的通道相位估计算法

针对信号传输通道相位估计等问题，提出了一种通过利用Chebyshev正交多项式逼近函数计算反正切函数值求取通道相位的算法，该算法通过象限判别、区间划分的方法计算反正切函数的输入值，然后利用Chebyshev正交多项式逼近函数计算信号相位，最后，通过迭代算法简化计算。该算法具有算法简单，估计速度快、精度高的特点。     

基于自适应投影学习算法的RBF神经网络多用户检测方法

自适应投影学习算法是一种简单有效的构造和训练径向基函数神经网络的方法,该方法能迭代地确定径向基函数的个数,中心的位置以及网络的权系数。本文将基于自适应投影学习算法的径向基函数神经网络应用于CDMA系统多用户检测,仿真表明:这种方法对远近问题不敏感,具有良好的误码率性能和抗多址干扰性能。     

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.     

基于Matlab的BP神经网络结构与函数逼近能力的关系分析

人工神经网络是一种非线性动态数学模型,广泛应用于非线性系统建模、系统辨识、函数逼近等方面。介绍BP网络的结构和学习过程,并介绍利用Matlab人工神经网络工具箱设计BP网络的步骤,在此基础上设计了BP网络以验证其函数逼近能力,仿真结果说明了BP网络具有很强的函数逼近能力。并分析BP网络结构和函数逼近能力的关系,得出网络的结构直接影响网络对函数的逼近能力和效果。     

An RBF-based compression method for image-based relighting.

In image-based relighting, a pixel is associated with a number of sampled radiance values. This paper presents a two-level compression method. In the first level, the plenoptic property of a pixel is approximated by a spherical radial basis function (SRBF) network. That means that the spherical plenoptic function of each pixel is represented by a number of SRBF weights. In the second level, we apply a wavelet-based method to compress these SRBF weights. To reduce the visual artifact due to quantization noise, we develop a constrained method for estimating the SRBF weights. Our proposed approach is superior to JPEG, JPEG2000, and MPEG. Compared with the spherical harmonics approach, our approach has a lower complexity, while the visual quality is comparable. The real-time rendering method for our SRBF representation is also discussed.     

非线性动态网络的离散算法及仿真

在非线性网络响应分析中,采用Volterra级数法可以导出与线性系统传递函数相似的非线性传递函数,能使非线性系统用线性化和系统化方法达到精确分析.文中给出了非线性网络响应的Volterra级数解的连续算式,为解决连续算式计算麻烦的问题,提出用方波脉冲技术处理用Volterra级数表示法描述的非线性网络响应与激励之间关系的一组广义卷积积分的迭加计算,从而得到非线性网络响应求解的Volterra级数解的离散算式.仿真表明该算法求出的非线性网络响应与真实模型曲线十分逼近,证明了它的有效性.     

基于Hopfield网络模型的A/D转换器设计

在我校电气信息类专业的课程教学中,结合A/D转换器的设计这一内容,研究了一种基于连续型Hopfield神经网络设计A/D转换器的方法。鉴于Hopfield网络收敛于其能量函数的极小值,本文中给出了A/D转换器的优化设计方案,并利用Hopfield网络设计了一个逐位比较的A/D转换电路。教学结果表明,将科研意识引入到课堂教学中,能够提高学生的学习积极性,扩展知识面,并增强他们的创新意识和创新能力。     

复数FIR DF设计的神经网络优化方法

本文基于人工神经网络(ANN)能量函数优化理论,提出了一种FIR数字滤波器(DF)神经网络优化设计(NNO)方法的理论框架。该理论将实数与复数FIR DF设计工作统一起来。表征设计质量的加权均方误差被当作ANN能量函数,以此导出FIR-NNO的Lyapunov方程。文中说明了算法实现的基本原则,并给出了两个实数线性相位和一个复数非线性相位FIR DF设计实例。通过与其它几种方法的比较证明了该方法的有效性。     

连续型神经网络解决信元调度问题的参数分析

本文利用连续型Hopfield神经网络实现信元调度问题,对采用的新的能量函数进行仿真模拟,通过对网络模型的参数特性进行研究分析,寻找最佳的取值范围,为Hopfield神经网络今后的研究和实际应用提供帮助。     

一个新的二进前向多层网学习算法及布尔函数优化实现

本文首先给出二进前向多层网几何学习算法的一个改进策略,提高了原算法的学习效率,然后同个新的神经网络启发式遗传几何学习算法。ＨＧＧＬ算法采用面向知识的交叉算子和变异算子对几何超平面进行优化的划分,同时确定隐层神经元的个数及连接权系数和阈值,对任意布尔函数,ＨＧＧＬ算法可获得迄今为止隐节点数量少的神经网络结构。     

基于改进的小波神经网络的汽车电控汽油机故障诊断

针对现有BP网络在汽车电控汽油机故障诊断中存在的问题,提出将小波函数与神经网络结合构成小波网络,代替BP网络用于故障诊断。并对小波神经网络提出了两个方面的改进。首先是对输出层函数进行了改进,其次是用熵函数代替均方误差函数作为网络的代价函数。仿真结果表明此改进的小波神经网络算法进行汽车电控汽油机的故障是有效的,而且与传统的BP神经网络相比,该改进的小波神经网络具有更强的逼近能力,更快的网络学习收敛速度和能有效避免局部最小值问题。     

Double-exponential sigmoidal functions for neural networks

A computationally efficient sigmoidal activation function is presented, called a double-exponential signal function, and the properties are compared with other signal functions. The sigmoidal function is monotonously increasing, continuous in all derivaties, and its output is 0.5 for zero input. The weight multiplication can be replaced by an addition when the training of the network is performed offline. We also present an approximation of this signal function, called a polygonal signal function, reducing the computational effort solely to bit sets and shift operations.     

一种新型的开关电容Hopfield神经网络

人工神经网络的单片集成是一个受到广泛关注的问题。采用开关电容技术对此进行了研究。讨论了连续时间Ｈｏｐｆｉｅｌｄ神经元的两种开关电容实现方案。提出了利用开关电容网络来实现连续的Ｈｏｐｆｉｅｌｄ神经网络的新方法。该方法便于单片集成，且得到的网络结构具有对寄生参数不灵敏的优点     

模拟神经网络稳定性研究

本文提出了模拟神经网络稳定性分析的静态等效模型,通过推广特勒根定理,从等效模型导出了物理意义清晰的能量函数。由一阶微分方程组求网络能量函数的方法普适于所有的一阶连续自治系统。文章并利用能量平稳原理对点格神经网络的稳定性质进行了讨论,得到了一些对于网络的电路实现具有一定指导意义的结果。