一种Elman回归网络的设计方法

提出了一种系统化的Elman回归网络的设计方法 ,这种方法利用系统的状态变量构造状态连接图 ,自然地将状态连接图作为模板 ,形成Elman回归网络 .在设计过程中 ,减少了经验性的设计规则 ,给出了较系统化的设计规则 .用这种方法设计了交流调速系统的速度控制器 ,给出了仿真结果 .结果表明用这种方法设计的控制器具有较强的稳态性能和负载鲁棒性 ,其过渡过程的时间响应有待进一步提高 .

基于广义回归网络-改进差分进化算法的污闪电压预测研究

将基于实验数据和数学公式计算值用广义回归网络-改进差分进化算法为绝缘子污闪电压建立一种新的预测模型,以绝缘子的盘径、高度,爬电距离、形状因素四个结构参数及等值附盐密度为输入参数来预测污闪电压值。广义回归网络不需设定模型的形式,但其平滑因子参数需优化估值。为了克服传统差分进化算法优化参数时的弱点,改进差分算法引入Powell寻优法以提高算法搜优速度,同时引入混沌优化法以提高种群多样性,降低算法陷入局部最优的概率。仿真结果表明与GRNN-DE及多元线性回归相比,GRNN-MDE具有更为优良的预报能力,稳定性也更好,将它应用于绝缘子污闪电压的预测,效果更好。

多层局部回归网络的非线性系统预测模型

提出采用多层局部回归神经网络建立多变量非线性系统多步预测模型的方法，神经 网络模型可提供多步预测控制所需要的系统输出预测值及输出向量对控制向量的雅可比矩 阵．仿真试验表明这种动态神经网络的预测模型具有较高的精度．

非线性系统的回归网络辨识(英文)

针对未知非线性系统的辨识问题 ,本文提出了一种新型的回归网络模型 .证明了该网络模型在一定条件下能够逼近非线性系统的输入输出关系 ,提出了用于训练网络前向连接和反向连接权值的动态反向传播算法 .

基于回归网络的非线性外弹道弹着点预报仿真研究

该文介绍了内回归神经网络逼近非线性ARMA模型、用于时间序列预测的可行性。提出了一种基于回归神经网络及弹道机理模型对非线性弹道系统进行预测的方法。此方法通过观测弹丸飞行轨迹 ,采用混合模型预测弹道的误差规律 ,估计弹着点 ,利用MATLAB进行仿真 ,结果表明 。

基于非线性自回归网络的民航货运量预测模型

应用基于非线性自回归神经网络的预测模型对民航货运量进行预测。选取不同的时滞，将季度国民生产总值作为外生变量，对1993—2010年的季度民航货运量进行预测。试验结果表明，当预测变量和外生变量的时滞均等于3时，预测效果最佳。

动态伺服系统改进对角回归网络跟踪控制(英文)

将对角回归神经网络(DRNN)和径向基函数网络(RBF)相结合,提出一种改进对角回归神经网络结构(IDRNN),使其既有局部逼近的优点,又具有动态网络的特性。推导了权值更新算法。针对转台动态伺服系统,设计了基于该网络的复合跟踪控制器,该控制器由辨识器、前馈控制器和反馈控制器组成,直接将辨识器的拷贝作为前馈控制器。对两种典型动态伺服系统的仿真结果表明,改进DRNN控制器能够进一步提高系统的动态跟踪能力,且收敛速度快,计算量小,更适合实时控制。

高效二阶注意力对偶回归网络的超分辨率重建

针对中间层通道特征相关性利用率低、低分辨率图像和高分辨率图像函数映射空间非线性的问题,提出了一种基于高效二阶注意力机制的对偶回归网络(ESADRNet)。该网络将重建任务分为两个回归网络:原始回归网络和对偶回归网络。原始回归网络采用FReLU为激活函数的下采样层对图像进行更高效的空间上下文特征提取;基于多级跳跃连接残差块(MLSCR)和高效二阶通道注意力模块(ESOCA)构成的多级跳跃连接残差注意力模块(MLSCRAG)、共享源跳跃连接(SSC)和亚像素卷积构建渐进式上采样网络,使网络专注于更具辨别性的特征表示,具有更强大的特征表达和特征相关学习能力;利用对偶回归网络约束映射空间,寻找最优重建函数。在Set5、Set14、BSD100和Urban109数据集上经过对比实验证明,该网络在客观定量指标和主观视觉方面均优于其他对比方法。

基于深度残差回归网络和图像块预置信度的盲图像质量评价研究

互联网技术的发展使得信息载体形式逐渐多元丰富,其中图像作为重要的信息载体形式能有效实现信息的交流与传达.但当前多数图像质量评价场景均为盲图像,其图像特征的提取精度以及与人类视觉系统的拟合程度依然是重要的研究内容.故该文基于原盲图像提取过程中受核函数受限问题而造成的低精度问题,通过引入深度残差回归网络和图像置信度,并借助图像子块的划分、非均匀步长的引入以及基于亮度和对比度的置信区间设置来获得图像的预测质量分数.结果表明,该盲图像质量评价算法具有较好的泛化性能,且在不同尺寸划分下的失真图像预测结果中均有超过3%的分数提升效果.SROCC值和PLCC值均在0.9以上,RMSE值均低于其他算法,主客观评价质量具有较高的一致性.该方法能有效为符合人眼观测的盲图像预测质量评价提供新的手段,拓宽其评价工作深度.

基于改进非线性自回归网络的洪水预测算法

针对流域的洪水预测具有高度非线性和随机性的问题,提出了一种混合预测模型用于流域的洪水预测.该模型是一个集成了数据预处理模块的具有外部输入的非线性自回归神经网络,采用小波变换进行时间序列分解,利用多基因遗传编程进行细节缩放,以提高时域和频域特性的提取能力,进一步捕获时间序列的非平稳性,与NARX结合可以大幅提高洪水预测的准确性,利用栾川水文站15年中所测水文数据对所提模型进行验证和测试.实验结果表明,相比较于传统算法和其他预测算法,所提出的算法具有更高的预测准确度和性能,可广泛应用在洪水预测等领域.

基于改进深度回归网络的无创血糖检测算法研究

有创测量血糖有强烈不适感和感染风险,所以无创血糖的研究有很强的现实意义。目前光学方法不便于实际使用,能量守恒方法要求严苛,针对以上问题,采用红外线热像图来进行血糖的检测。采集人脸的红外线热像图后,提取其灰度特征再降维,为了加快训练速度和防止过拟合改进了深度回归网络,采用改进的深度回归网络对得到的红外线热像图灰度特征进行建模,在测试集上取得了比较理想的检测效果,为以后的无创血糖检测算法的研究提供了一种新的研究方法和设计思路。

融合重检测机制的卷积回归网络目标跟踪算法

针对基于人工特征的背景感知相关滤波(CACF)算法在形变、运动模糊、低分辨率情形跟踪效果较差以及跟踪器遇到严重遮挡等情形容易陷入局部最优而导致跟踪失败的问题,提出一种融合重检测机制的卷积回归网络(CRN)目标跟踪算法。在训练阶段,将相关滤波作为CRN层融入进深度神经网络,使网络成为一个整体进行端到端训练;在跟踪阶段,通过残差连接融合不同网络层及其响应值,同时引入重检测机制使算法从潜在的跟踪失败中恢复,当响应值低于给定阈值时激活检测器。在数据集OTB-2013上的实验表明,所提算法在50个视频序列上精确度达到88.1%,相比原始CACF算法提高9.7个百分点,在具有形变、运动模糊等属性的视频序列上相比原始算法表现更优秀。

基于成像特性与回归网络的卫星目标姿态估计

基于逆合成孔径雷达(ISAR)图像序列的卫星目标姿态估计是一项具有重大意义且富有挑战性的任务。现有的估计方法通常是基于图像中关键角点或线性部件的提取,较难满足实时需求,且都未能充分利用目标成像特性先验。本文提出一种基于成像特性与回归网络的卫星目标姿态估计方法:提前确定各种姿态下的卫星目标成像特性,并作为后续数据集标注的理论基础;区别于传统的分类问题,建立一种适用于姿态估计的回归网络与估计框架。采用毫米波频段的电测仿真计算数据对所提方法进行验证,结果表明,单张图像中估计的平均姿态误差可以控制在3.5°以内。

基于小波非线性自回归网络的水文预测模型

不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用。提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN)。运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值。利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比。结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力。

基于垂直区域回归网络的自然场景文本检测

由于自然场景下文本检测不同于传统的物体检测,直接采用RPN算法对文本检测会有一定的限制,一方面,由于文本区域具有可变长度、背景复杂、多样化等因素,网络必须设计更大的感受野;另一方面,在RPN训练阶段,正样本的选择会出现大量的误检和漏检情况。对此提出一种基于垂直区域回归网络的算法,首先采用Hough算法对部分场景图像进行倾斜校正预处理;其次在训练阶段基于groundtruth框与候选框Anchor在垂直方向上IOU值(交集与并集之比)大于某个阈值的情况下选择正样本,且在垂直方向上对正样本进行分类回归;最后由多个相邻Anchor合并形成文本区域。实验结果表明,在ICDAR2011和ICDAR2013数据集上获得了良好的检测效果。

基于广义回归网络的动态权重回归型神经网络集成方法研究

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已成为机器学习和神经计算领域的一个研究热点。针对回归分析问题提出了一种动态确定结果合成权重的神经网络集成构造方法,在训练出个体神经网络之后,根据各个体网络在输入空间上对训练样本的预测误差,应用广义回归网络来动态地确定各个体网络在特定输入空间上的权重。实验结果表明,与传统的简单平均和加权平均方法相比,本集成方法能取得更好的预测精度。

连续时间回归网络的稳定性分析

连续时间回归网络的稳定性分析张兰玲刘贺平孙一康（北京科技大学自动化系北京１０００８３）关键词连续回归神经网络，渐近稳定，绝对稳定．收稿日期１９９６－０９－２６１引言回归网络稳定性的分析大多是采用李亚普诺夫直接法［１］，这种方法的关键在于李亚普诺夫函数...

基于稀疏自编码非线性自回归网络的负荷电价预测方法

准确的电价和负荷预测对现代电力系统至关重要,但由于电价与负荷之间存在较强的相关性,若不考虑其相互影响,将导致预测的精度下降。为了提高现有方法的预测准确性,在考虑价格与负荷关系的前提下,提出了一种基于深度递归神经网络的价格与负荷预测模型,即基于外部输入的稀疏自编码器的非线性自回归网络,其功能包括特征提取和预测。首先针对特征提取环节,对原有方法进行改进,提出了稀疏自编码器,可以大大提高特征提取的有效性。其次,利用非线性自回归网络进行电价和负荷预测。使用电力市场大数据ISONE和PJM进行仿真验证,与级联Elam网络相比,ESAENARX在负荷预测方面将平均绝对误差降低了16%,在价格预测方面降低了7%。

改进非线性外源自回归网络的潮位实时预测

中国海域辽阔,海岸带面积约占全国总面积的13%,在沿海区域的交通运输及经济建设领域,都需要具备精确的潮位数据,因此实现精准快速的潮位预报具有重要的应用价值和实际意义。为了提高潮位预测精度和稳定性,提出了一种基于带外源输入的非线性自回归(nonlinear auto-regressive exogenous, NARX)神经网络的实时潮位预测方法,并在其基础上做了相应改进。首先采用了模块化潮位预测(modular tide level prediction)方法,将潮汐数据分为天文潮及非天文潮两部分,其次引入滑动时间窗(sliding time window, STW)概念构建出改进的MS-NARX神经网络预测模型。利用美国比斯坎湾(Biscayne bay)的实测潮汐值数据进行潮位预测的仿真试验,并与传统NARX神经网络及自适应粒子群算法优化的基本反向传播(SAPSO-BP)神经网络两种预测方法进行比较,结果表明在MAE、MSE及RMSE三项精度指标测算中,MS-NARX神经网络均为最小,可见其针对数据预测的精度和稳定性均优于SAPSO-BP神经网络和传统NARX神经网络,能够为提高船舶运营效率和保障船舶航行安全提供指导。

基于后向回归网络的自适应多步预测

本文针对一类非线性动态系统,提出了一种新的基于后向回归网络的自适应多步预测方法,并对基于神经网络的自适应预测机理进行了分析。预测器由两个同构的后向回归网络来实现,输入及预测长度由随机读写存贮器单元的取值来控制。计算机仿真结果表明,这种自适应预测方法对一类恒定参数的非线性系统是可行的,可有效地处理系统具有的大时延和随机干扰。