一种惯性平台自动调平系统的设计

为了缩短惯性平台的调平时间提高调平的精度,本文首先建立了平台的数学模型,在此基础上建立了基于PID(Propor-tional-Integral-Derivative)神经元网络控制的平台调平系统,该系统主要由水平传感器、PID神经网络控制器、D/A和A/D转换模块、变频器和电机组成,四条支腿同时升高调平.仿真结果表明,在x方向和y方向水平偏差角度分别不超过2°时,调平时间小于50s,调平精度小于2,调平过程中平台稳定,无虚腿现象,实现了机电式四点调平.经过长期使用,系统运行稳定,可靠性高.该控制器可应用于不同的调平系统中.     

异质性和时滞作用下神经元网络的共振动力学

利用参数互异的Fitzhugh-Nagumo神经元构建了含耦合时滞的无标度神经元网络模型,通过数值模拟的方法,提出研究参数异质性和耦合时滞影响下神经元网络的共振动力学.结果发现,当耦合项中不含时滞时,适中的参数异质性能够使得神经元网络对外界弱周期信号的响应达到最优,即适中的参数异质性能够诱导神经元网络的共振响应,而且异质性诱导共振对耦合强度具有鲁棒性.更重要的是,耦合时滞对参数异质性作用下神经元网络的共振特性也有着显著性影响.当时滞约为信号周期的整数倍时,神经元网络能够周期性地出现共振现象,即适当的耦合时滞能够诱导神经元网络的多重共振,而且这种现象在异质性参数的适当范围内都能明显出现.     

RBF在冷轧在线监测与故障诊断中的应用

通过对某钢厂冷轧电气传动系统分析,合理选取检测信号,构建了基于组态的实时在线监测系统,实现实时数据显示、报警、样本数据的存储、数据采集、参数设定等功能。利用MATLAB的Simulink工具构建了冷轧传动中的三相异步电动机故障诊断仿真系统。将RBF神经网络技术应用于冷轧电气传动系统的故障诊断,设计了基于RBF网络的三相异步电动机故障诊断系统。通过对训练好的网络进行验证,证明所设计的诊断方法能够对传动系统中的电动机故障进行很好的预测和判断,具有良好的实际应用前景。     

基于RBF神经网络的Web文本分类的研究

Web文本分类是采用文本分类技术将Web上的信息进行自动分类,使用户能够快速找到自己想要的资源。文本分类的过程中,将特征提取之后的来自Web的数据分成样本数据集和测试数据集,将样本数据集输入到RBF网络中进行训练,RBF网络经过训练之后,输入测试数据集中的数据进行验证,实验证明,RBF网络取得了较好的分类结果。     

基于Bagging算法和遗传神经网络的交通事件检测

提出一种集成遗传神经网络的交通事件检测方法,以上下游的流量和占有率作为特征,RBF神经网络作为分类器进行交通事件的自动分类与检测。在RBF神经网络的训练过程中,采用遗传算法GA（Genetic Algorithm）对RBF神经网络的隐层中心值和宽度进行优化,用递推最小二乘法训练隐层和输出层之间的权值。为了提高神经网络的分类能力,采用Bagging算法,进行网络集成。通过Matlab仿真实验,证明该方法相对于传统的事件检测算法能更准确、快速地实现分类。     

基于双链量子遗传算法的过程神经元网络训练

基于函数正交基展开的过程神经元网络训练,由于参数较多BP算法不易收敛。针对这一问题,本文提出了一种基于双链量子遗传算法的解决方案。首先按权值参数的个数确定染色体上的基因数,完成种群编码,然后通过染色体评估获得当前最优染色体,以该染色体为目标,用量子旋转门完成种群中个体的更新,用量子非门实现个体变异增加种群多样性。在该方法中,每条染色体携带两条基因链,因此可扩展对解空间的遍历性,加速优化进程。以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强。     

基于免疫算法和反向传播神经元网络的无线网络入侵检测研究

为了能够检测到无线网络系统中已知和未知类型的入侵者,提高无线网络系统的安全性,在对网络数据分析和研究的基础上,提出一种基于免疫算法和反向传播神经元网络的入侵检测方法。首先利用免疫算法对网络数据进行预处理,再运用反向传播神经元网络对处理后的数据(程序)进行识别。实验表明用该方法检测无线网络系统中的新型入侵者是可行、有效的,检测入侵者的准确率可达到97%。     

基于改进遗传算法的数字信号特征集选取

针对通信信号的特点,提出了一种应用于信号特征筛选的改进遗传算法。该方法首先确定了最能表现信号调制间差别的特征子集即优秀基因库,然后在遗传过程中通过选择、淘汰引起优秀基因库大小的变化,最后通过引进不同大小的库外特征量,保证每代遗传过程中的交叉和变异概率随环境的变化而自适应的变化,最终筛选出一高质量的特征子集,并结合RBF神经网络分类器得到更好的识别效果。通过仿真实验验证了该方法不但具有求解全局问题的鲁棒性、收敛性,而且具有更快的收敛速度和更强的全局收敛性。     

基于径向基神经网络的新型协同过滤推荐算法

针对传统协同过滤推荐算法对目标用户的评分预测过于依赖邻近用户,而忽略目标用户自身评分特性的问题,提出一种改进的基于径向基RBF(Radial Basis Function)神经网络的预测方法。该方法首先使用RBF神经网络对邻近用户的项目评分数据进行模型训练,得到基于该用户的网络评分模型;然后结合目标用户自身的评分进行计算,得到一个基于该模型的评分;最后结合所有邻近用户的模型评分预测出目标用户对目标项目的最终评分。改进后的算法既借鉴了用户之间的相似性,也考虑了目标用户自身的评分特性。实验结果表明,改进后的协同过滤推荐算法可以获得比传统算法更好的推荐效果。     

基于RBF NNI的单神经元PID模型参考自适应控制

RBF神经网络是一种性能良好的前向网络,它具有最佳逼近性能。本文中基于RBF神经网络,以单神经元PID作为控制器NNC,RBF网络作为辨识器,实现对被控对象的雅谷比信息辨识。传统的系统辨识方法包括以脉冲响应、最小二乘法为基础和最大似然法等,普遍存在难以克服的不足。本文的辨识方法及模型参考自适应控制方法具有计算速度快、推广和逼近、收敛特性良好等诸多优点,通过本文中的实例仿真,可以看出运用基于RBF神经网络辨识的单神经元PID模型参考自适应控制的系统输出可以达到对输入精确的跟踪效果。