递归神经网络的设计与应用

结合实例,给出了递归神经网络的完整设计步骤,包括网络结构的选定,学习算法的选择和网络参数的训练过程。重点研究了学习速率的初始值选取及其调整顺序。给出的递归网络的设计方法,可以适用于多种递归神经网络。     

n比特随机量子系统实时状态估计及其反馈控制

研究了$n $比特随机量子系统实时状态估计及其反馈控制的问题. 对于连续弱测量(Continuous weak measurement, CWM)过程存在高斯噪声的情况, 基于在线交替方向乘子法(Online alternating direction multiplier method, OADM)推导出一种适用于$n $比特随机量子系统的实时量子状态估计算法, 即QSE-OADM (Quantum state estimation based on OADM). 运用李雅普诺夫方法设计控制律, 实现基于实时量子状态估计的反馈控制, 并证明所提控制律的收敛性. 以2比特随机量子系统为例进行数值仿真实验, 通过与基于QST-OADM (Quantum state tomography based on OADM)算法和OPG-ADMM (Online proximal gradient-based alternating direction method of multipliers)算法的量子反馈控制方案的性能对比, 验证了所提控制方案的优越性.     

用于英文字母识别的三种人工神经网络的设计

分别采用单层感知器、BP网络和霍普菲尔德网络三种神经网络对26个英文字母进行识别,通过实验给出各网络的识别出错率,从中可以看出三种人工神经网络各自的优缺点,为选择神经网络进行字符识别提供了一定的依据.     

基于视觉定位的二自由度机械臂控制系统

以二自由度机械臂为基础,用摄像机获取机械臂运动区域的图像,通过图像分析,求解机械臂末端执行器在直角坐标空间的坐标值,将该值作为系统的实际位置,并通过反馈与期望坐标值相减,将所获得的误差作为机械臂控制系统的补偿量,实现整个系统的全闭环控制,进一步解决了原半闭环控制带来的控制精度不高的问题.     

径向基函数网络的功能分析与应用的研究

径向基函数网络与BP网络在网络结构上都属于前向网络,但它们对网络权值训练所采用的算法是完全不同的。另外,径向基函数网络的网络结构与模糊系统有很紧密的关联。该文从径向基函数网络的结构入手,分别对其所具有的特点、权值训练、网络设计方法及其应用等方面,通过分析与实例,采用对比的方式,给予实验的验证。     

Simulink环境下二级倒立摆的实时控制

在Matlab环境下进行控制系统的设计、分析与综合已是很方便的事,但对系统的计算机实时控制往往都是在DOS或WindoW环境下编制特定的控制程度.本研究在Matlab环境下,避开采用复杂的操作系统实时内核,仅通过运用一系列S-Function,开发出了Simulink中的倒立摆实时控制工具包,扩充了Simulink模块库;提出了Simulik环境下的实时控制模型,利用倒立摆工具包和实时控制模型实现了二级倒立摆的实时控制,并在实际实验中取得了满意的控制效果.     

用随机神经网络优化求解改进算法的研究

随机神经网络是一种仿照实际的生物神经网络的生理机制而定义的网络,其网络结构及应用具有自身的特点。在详细讨论了动态随机神经网络求解典型NP优化问题TSP的算法的同时,特别提出了一种有效改进算法,使得参数在简单选取的情况下保证能量函数的下降,在组合优化问题上具有普遍意义,并且在10城市TSP对改进算法进行验证,指出RNN是解决TSP问题的有效途径。     

改进的迭代收缩阈值算法及其在量子状态估计中的应用

本文将含有稀疏干扰的量子状态估计问题,转化为考虑量子状态的约束条件下,分别求解密度矩阵的核范数,以及稀疏干扰l1范数的两个子问题的优化问题.针对迭代收缩阈值算法(ISTA)所存在的收敛速度慢的问题,通过在两个子问题的迭代估计中,引入一个加速算子,对当前值与前一次值之差进行进一步的补偿,来提高算法的迭代速度(FISTA).并将FISTA算法应用于求解含有稀疏干扰的量子状态估计中.针对5个量子位的状态估计的仿真实验,将FISTA分别与ISTA、交替方向乘子法(ADMM)、不动点方程的ADMM算法(FP–ADMM),以及非精确的ADMM算法(I–ADMM)4种优化算法进行性能对比.实验结果表明, FISTA算法具有更加优越的收敛速度,并且能够得到更小的量子状态估计误差.     

基于深度学习LDAMP网络的量子状态估计

设计出一种基于学习去噪的近似消息传递(Learned denoising-based approximate message passing, LDAMP)的深度学习网络,将其应用于量子状态的估计.该网络将去噪卷积神经网络与基于去噪的近似消息传递算法相结合,利用量子系统输出的测量值作为网络输入,通过设计出的带有去噪卷积神经网络的LDAMP网络重构出原始密度矩阵,从大量的训练样本中提取各种不同类型密度矩阵的结构特征,来实现对量子本征态、叠加态以及混合态的估计.在对4个量子位的量子态估计的具体实例中,分别在无和有测量噪声干扰情况下,对基于LDAMP网络的量子态估计进行了仿真实验性能研究,并与基于压缩感知的交替方向乘子法和三维块匹配近似消息传递等算法进行估计性能对比研究.数值仿真实验结果表明,所设计的LDAMP网络可以在较少的测量的采样率下,同时完成对4种量子态的更高精度估计.     

量子系统动态函数的跟踪控制

以随时间变化的二次函数为目标函数,对采用薛定谔方程的量子系统进行轨迹跟踪研究。根据Lyapunov稳定性定理,选择误差的平方作为Lyapunov函数设计控制律,实现系统从任意初始状态到目标函数的跟踪。在Matlab环境下对不同初始状态进行了系统仿真及性能对比研究,分析了系统初始值以及控制中观测量对跟踪性能的影响,验证了控制律在跟踪目标函数上的优越性。