基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

稀疏孔径和大转角下ISAR对目标转动的估计

逆合成孔径雷达（inverse synthetic aperture radar，ISAR）对非合作目标做成像时图像质量依赖于对目标运动参数的准确估计.针对在稀疏孔径和非均匀转动条件下现存的参数估计方法计算量过大或者方法适用条件不满足，提出了一种基于神经网络的参数估计方法.此方法以成像问题的模型知识指导数据的生成过程，然后训练通用的神经网络，最终实现将数据中隐含的知识转化为转动估计器.从仿真实验结果来看，所得到的网络对满足一定信噪比要求的回波数据可以提供较准确的估计，所得参数可以帮助成像算法提高聚焦效果，大量的样例表明网络可以部分学习到回波与转动之间的关系.     

基于神经网络电极移动速度影响放电参数分析

结合小间隙放电的双过程模型[1],探讨电极移动引起的气体压强变化和场强变化对放电间隙内部相关因子的影响[2],进而分析电极移动速度对放电参数的影响.基于静电放电电极移动速度效应检测仪,不断改变电极移动速度,反复多次进行放电实验,统计试验数据,然后利用神经网络进行仿真分析,探究电极移动速度与放电参数之间的相关性.结果表明:电极移动速度与放电电流峰值、平均上升速度之间具有正的线性相关性,与平均下降速度间具有负的线性相关性.研究结果对于探寻非接触式静电放电的规律和静电放电标准的制定,有一定的参考价值.     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于FPGA的误差校正神经网络算法设计与实现

为了能够在真实硬件平台上进行实现,本文对原有的误差校正构造性神经网络算法进行了优化,并对优化后的误差修正算法进行了FPGA设计与实现。提出算法通过在自动生成一个合适的神经架构的同时对二个参数进行设置来提高算法性能。本文对这种算法实现的所有步骤进行了全面的描述并利用两种基准问题对结果进行了深入分析。结果显示,与标准的基于个人计算机（PC）的实现相比,本文提出的神经网络算法FPGA实现在计算速度方面有着明显的提高,由此证明了FPGA在误差校正算法神经计算任务中的实用性及适用性。     

蝙蝠算法优化神经网络的无线传感器网络数据融合

为了降低无线传感器网络数据间的冗余性,提高数据传输量和降低通信能耗,提出一种蝙蝠算法优化神经网络算法的数据融合策略.首先每个簇首节点接收该区域的各传感器节点检测到的数据,然后采用蝙蝠算法优化BP神经网络进行数据融合,最后采用仿真实验对其性能进行测试.仿真结果表明,本文算法节省了感知节点的能量消耗,延长了无线传感器网络的生命周期时间,提高数据融合的精度.     

人体头发中重金属元素铬含量的高光谱检测

头发中的重金属含量可以反映出人体健康的变化。提出了运用高光谱数据检测头发中重金属元素铬含量的方法。对头发的透射率波长曲线进行了包络线消除、吸收特征参量化等处理。以化学检测的铬含量作为标准数据,化学检测精度可达90%以上。然后训练人工神经网络,通过调节网络的隐含层层数、结点数和激活函数来优化模型。实验计算表明,隐含层层数为1,结点数为7或9的人工神经网络的预测效果较好。利用统计实验结果对人工神经网络的内部精度和外部精度进行评价。人体头发中铬的敏感波段为1380 nm～1550 nm、1880 nm～2100 nm、2120 nm～2210 nm;训练后的神经网络预测的均方根误差为13%,精度达87%。实验结果表明,应用高光谱技术可以快速无损地检测人体头发中的重金属元素铬的含量。     

中国电子学会电路与系统分会第二十六届学术年会征文通知(第一轮)

中国电子学会第二十六届电路与系统学术年会将于2015年10月在湖南长沙召开。会议由中国电子学会电路与系统分会主办,中国科学院电子学研究所和湖南大学承办。我们真诚地邀请电路与系统及相关领域的科研工作者莅临本次年会!现将会议有关事项通知如下:     

基于机器学习的网络异常流量检测方法

研究一种基于机器学习的网络异常流量检测方法。使用改进型ANFIS算法作为建立的网络异常流量检测方法的核心算法。由于传统的神经网络算法使用的梯度下降算法在实际应用时,存在易陷入局部极小值,训练效率低下等问题,因此研究的改进型ANFIS算法使用附加动量算法修正模型参数,使系统能够越过误差曲面的局部最小值。最后使用KDD CUP99数据库以及LBNL实验室测试的数据对改进型ANFIS算法和BP神经网络算法的检测方法进行性能测试。结果表明,使用改进型ANFIS算法检测系统的训练效率以及检测准确率均优于使用BP神经网络算法建立的模型。