一类非线性神经模糊控制系统

针对离散非线性系统,将神经网络和模糊技术有机结合,模糊神经网络与自适应控制方案相结合,设计了一种模糊神经网络自适应控制系统,它由模糊对向传播（FCP）网络辨识器和径向基函数（RBF）神经网络控制器组成,仿真结果表明了该方案的有效性。     

两级数据融合算法在木材干燥过程中的应用

本文提出了一种基于RBF神经网络和证据理论的两级数据融合方法。利用RBF神经网络实现特征层数据融合,建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D-S证据理论确定基本信任分配函数困难的问题。基于D-S证据理论的传感器故障诊断方法的研究,可有效地判断工业现场传感器的工作状态。实验结果表明该方法可正确定位并准确分离出木材含水率检测系统中失效传感器。     

基于遗传神经网络的个人信用评估模型的研究

针对当前传统个人信用评价体系中的种种问题,提出了一种基于遗传神经网络(GA-NN)的个人信用评估模型.利用BP神经网络(BPNN)的自学习、自适应、强容错性,并通过遗传算法(GA)优化BP神经网络的连接权重和阚值.弱化了评价中的人为因素,提高了评价结果的准确性和权威性,解决了BP神经网络存在落入局部最小点和收敛速度慢的问题.实例研究表明,遗传神经网络的评价模型是令人满意的.     

基于RBF神经网络混合遗传算法的多用户检测

提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构.并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中.仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好.     

基于遗传神经网络的皮肤癌图像分割

图像分割是医学影像技术中重要的组成部分,分割效果直接影响进一步的诊断和治疗.提出采用遗传神经网络对皮肤癌图像进行分割的方法,该算法充分考虑了医学图像中内容复杂,不确定性大的特点.为了提高神经网络的收敛速度,引入遗传算法优化神经网络的权值和闽值.与采用标准BP神经网络相比,采用的遗传神经网络分割速度明显提高.采用遗传神经网络分割后的皮肤癌图像边缘连续、轮廓清晰,可在定量分析和识别中使用.     

小波神经网络在智能优化控制系统中的应用

提出了一种基于小波神经网络的智能优化控制系统,并应用到污水处理絮凝过程的优化控制中,采用实验数据进行了测试,同时采用循环抽样验证法来验证系统的测试精度,结果表明该系统可方便有效地进行实时控制,而且控制效果良好,在运行过程中实时控制速度得到明显提高.研究结果表明,小波神经网络所建立的控制模型稳定性好,实时控制速度快,即基于小波神经网络的污水处理絮凝过程控制系统能准确地进行絮凝过程各参数的实时估计,实现污水处理絮凝过程的实时控制.     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.     

基于神经网络的视频压缩的FPGA实现

基于PC的传统的视频压缩实时性较差,给视频的实时压缩和传输带来了困难.针对实时视频压缩传输的难点,提出了在FPGA平台上实现基于神经网络的视频压缩的策略.在建立了基于神经网络的视频压缩系统结构的基础上,给出了神经网络算法的设计,同时完成了非线性的神经元激励函数的线性逼近,并给出了典型FPGA模块的设计,最后通过DSPBuilder和Matlab工具对编写的verilog模块加以验证,给出了实验结果.     

一种新的传感器网络混合广播调度方法

由于传感器网络所使用无线信道的共享性和相互干扰, 节点间数据广播会产生资源冲突, 广播调度要解决的即是为每个节点分配到一个无冲突传输时隙, 其目标是找到最优时分复用(TDMA: time division multiple access)调度解, 使得帧长度最短而信道利用率最大. 提出基于神经网络的两阶段混合广播调度算法. 在阶段一, 使用改进的顶点着色算法来获得调度所需最短时隙数目; 在阶段二, 使用模糊Hopfield网络将节点模糊聚类为M类, 同类 节点可以在同一时隙被调度, 不同类节点必须在不同时     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．