改进声发射信号的桥梁焊缝裂纹识别仿真研究

针对因环境中存在过多噪声,导致桥梁焊缝裂纹识别精准度低的问题,提出基于声发射信号的桥梁焊缝裂纹识别方法。利用传感器提取桥梁周围的实时信号,通过信号在周期序列上的幅值变化,判定噪声信号,采用小波变换算法对噪声信号实施重构变换,建立硬阈值和软阈值函数,约束噪声信号。采用神经元传递函数计算原始信号序列中隐含层神经元的具体特征表现参数,得到信号的特征类间平均值,通过类间参数求得特征量。以带有声发射信号提取技术的传感器作为识别载体,将特征参数输入到识别传感器中,针对不同的桥梁测试点,建立焊缝裂纹识别通道,完成有效识别。实验结果证明,所提方法的识别精准度较高,无论是以持续频率还是持续时间信号作为测试指标,均能实现高效识别。

基于快速确定隐层神经元数的BP神经网络算法

根据多项式理论构造一种以正交多项式作为隐层神经元激活函数的BP神经网络模型。针对该网络提出一种算法,即一种隐层的激励函数为正交多项式及其神经元数目可快速确定的算法。首先通过数学证明从理论上验证了该算法的有效性。然后利用计算机对该算法进行仿真与校验,并与传统的BP算法进行比较。结果表明该算法不仅突破了传统BP神经网络的局限性,如收敛速率慢、最佳隐神经元数难确定等,而且能够达到更高的工作精度,从而从实验上验证了该算法的有效性。

一种基于粒子群优化的极限学习机

极限学习机(ELM)是一种新型的前馈神经网络,相比于传统的单隐含层前馈神经网络(SLFN),ELM具有速度快、误差小的优点.由于随机给定输入权值和偏差,ELM通常需要较多隐含层节点才能达到理想精度.粒子群极限学习机算法为使用粒子群算法(particle swarm optimization,PSO)选择最优的输入权值矩阵和隐含层偏差,从而计算出输出权值矩阵.一维Sinc函数拟合实验表明,相比于ELM算法和传统神经网络算法,粒子群极限学习机算法依靠较少的隐含层节点能够获得较高精度.

一种估计前馈神经网络中隐层神经元数目的新方法

前馈神经网络中隐层神经元的数目一般凭经验给出,这种方法往往造成隐单元数目的不足或过甚,从而导致网络存储容量不够或出现学习过拟现象.本研究提出了一种基于信息熵的估计三层前馈神经网络隐结点数目的方法,该方法首先利用训练集来训练具有足够隐单元数目的初始神经网络,然后计算训练集中能被训练过的神经网络正确识别的样本在隐层神经元的激活值.并对其进行排序,计算这些激活值的各种划分的信息增益,从而构造能将整个样本空间正确划分的决策树,最后遍历整棵树寻找重要的相关隐层神经元,并删除冗余无关的其它隐单元,从而估计神经网络中隐层神经元的较佳数目.文章最后以构造用于茶叶品质评定的具有较佳隐单元数目的神经网络为例,介绍本方法的使用.结果表明,本方法能有效估计前馈神经网络的隐单元数目.

高超音速飞机鲁棒自适应控制的研究

由于高超音速飞机自身特有的结构以及飞行时所处的复杂条件,其高度非线性的数学模型往往很难获知,即便是建立的某种数学模型也是极为不准确的,因此许多传统的控制方法已经不再适用。所提出来的高超音速飞机鲁棒自适应控制,依靠在线调参的单隐层神经元来逼近其不确定的数学模型,使得整个控制过程对模型的依赖程度大大降低,除此之外,该控制方法还具有非线性解耦的能力,最后通过对某种高超音速飞机的仿真分析,验证了该方法的控制效用及强鲁棒性能。

幂激励前向神经网络最优结构确定算法

针对一种以幂函数序列为各隐神经元激励函数的前向神经网络,提出了一种基于权值直接确定方法的网络最优结构确定算法。计算机仿真与验证结果表明,该算法能自动、快速、有效地确定网络的最优隐神经元数,达到网络的最佳逼近能力,从而实现网络结构的最优化。

基于改进BP神经网络的中药水提液陶瓷膜污染预测研究

目的为防治中药水提液陶瓷膜纯化过程中的膜污染问题,探索预测污染度的新方法。方法对BP神经网络模型进行改进,利用隐含层最佳神经元数目的快速确定方法、BP神经网络权值和阈值的快速寻优算法,建立中药水提液陶瓷膜污染预测模型,对207组中药水提液数据进行网络训练和预测。结果与多元回归分析、基本BP神经网络、RBF神经网络等模型相比,应用改进BP神经网络模型进行预测实验的拟合误差更小,均方误差仅为0.005 7;此外,改进BP神经网络模型的性能更加稳定,在20次随机运行实验中达到预设目标的成功率高达95%。结论改进模型具有很好的网络性能、拟合效果和预测能力,能够稳定准确地预测膜污染度。

前馈神经网络中隐层神经元数目的一种直接估计方法

目前还没有一个行之有效的方法直接估计前馈网络隐层神经元的数目．该文首先提出一种利用单调指数直接估算三层前馈网络隐层神经元数目的方法，以保证网络近似逼近任意给定的训练数据．理论分析和计算实验表明，此方法能够在训练之前预先确定最优（最少）或接近最优的隐层神经元数目，使得网络在训练之后不仅可以较好地反映训练数据的变化趋势，而且有较为满意的逼近精度．

BP网络隐层神经元数自调节算法的研究

针对传统BP算法中隐层神经元数不易选取的问题,本文提出了BP算法的改进模型———DBP(DoubleBP)网络模型.该模型可以动态自调节隐层神经元数,即通过一个给定先验知识的BP网络动态调节另一个BP网络中隐层神经元数,并且通过选取合适的权值和阈值使训练误差曲线迅速下降.解决了BP网络拓扑结构中隐层神经元个数以及新增加权值和阈值的选取问题,还对BP网络在陷入假饱和区如何逃逸提出了一种新的方法.最后通过仿真模拟取得了比较好的效果.

基于Fourier神经网络的图像复原算法

由于退化图像的点扩散函数难以准确确定,提出一种基于Fourier正交基函数的前向神经网络图像复原模型,该模型以一组Fourier正交基为隐层神经元的激励函数,根据误差传递算法进行权值修正,达到收敛目标。给出Fourier神经网络及其相应的衍生算法的图像恢复实现步骤。实验表明,该方法能较好地实现图像的复原。

模拟视觉机制的隐蔽目标识别算法研究

针对从复杂图像背景中识别隐蔽目标的问题。模拟动物视觉高效的图像信息处理机制,提出一种仅用少样本快速准确地从复杂图像背景中识别出隐蔽目标的算法。首先采用拓扑ICA方法从自然图像中学习初级视皮层中复杂细胞感受野;然后用含有隐蔽目标的图像及其待配准图像分别对神经元进行刺激,筛选出对刺激有强烈响应的神经元对应内容,并通过对比找出隐蔽目标对应特征,以此对隐蔽目标进行识别。用多幅自然图像进行实验,结果表明该算法耗时少、识别率高,达到了预期的效果。

建筑卫生陶瓷缺陷分析神经网络系统

尝试利用BP神经网络模型,确定其输出输入值的模式,确定隐层节点数,探讨除用Sigmoid函数外,还有什么函数更能提高自学习效率及发挥其功能.探讨切合建筑卫生陶瓷缺陷的神经网络相关参数,以保持陶瓷的网络模型的稳定性.通过收集样本来训练、测试和考核结论.

零代价函数的前馈神经网络新算法

文章提出一种全新的三层前馈神经网络算法,它比BP算法优越得多.新算法不再采用误差反向传播原理,而是选择一层自由权,通过求解线性方程组求得另一层待求权.新算法选择很广一类的隐层神经元函数,可以直接求得全局最小点,不存在BP算法的局部极小、收敛速度慢等问题.新算法较BP算法快得多.

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进:首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。

基于决策树算法确定一个最小神经网络

神经网络隐层神经元的个数对于网络的性能有着重要的影响,通常情况下,对于一个特定问题来说,没有一个确定的方法来决定隐含层到底应该有多少个神经元,一般采用试探的方法通过多次实验来达到理想效果。在分类问题中,决策树和神经网络的结构有着一定的关联性,通过把决策树映射到神经网络结构中来确定隐层神经元的个数的方法能够有效地设计神经网络的结构,从而提高训练的效率并达到良好的分类效果。实验结果表明,该方法能够得到一个有着良好识别率的最小神经网络。方法简单有效,直观且易于操作。

短时交通流预测模型的网络结构估计

针对神经网络预测模型在预测短时交通流时输入变量选取与隐含神经元数目确立上的不足,提出了一种数据驱动的快速网络结构估计算法。根据交通流的混沌特性,引入相空间重构的思想合理地选择模型的输入变量;再结合快速单调指数估计法迅速计算重构向量的单调指数,并将其值作为隐层神经元个数,继而确立整个预测模型的网络结构。实验结果表明,该算法能有效地估计模型的网络结构以满足短时交通流预测的需要。

基于BP网络的汽车动态称重数据处理方法

针对目前汽车动态称重数据处理中一般方法普遍适用性较差的问题,利用具有良好的自我学习能力的BP网络,对大量实测数据进行训练并检验,效果较好。文章先对BP网络的算法应用于汽车动态称重做了详细介绍,后面针对实际处理情况,对BP网络中隐层神经元个数和实际输入量的选择做了理论分析。

一种简化的BP神经网络图像插值算法

为进一步提高图像插值质量,丰富非线性图像插值算法研究,提出一种简化的神经网络插值算法。利用前向反馈神经网络(BP-NN)构造最佳的图像插值模型,通过2组实验确定该模型的BP网络最佳拓扑结构、最佳采样模型和采样点数量,并定量描述每组模型的耗时。实验结果表明,对512×512像素图像采用BP-NN训练点数量为50 000、拓扑结构为8-16-1的参数插值时,该算法平均插值时间约为0.7 s,且其峰值信噪比比线性均值方法平均高1 dB^2 dB,能够得到更佳的视觉感受。

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题。以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好。

隐层神经元自适应算法：通过数据表示达到完备学习

提出采用数据表示，即通过一能把输入空间变换到高维空间的接受函数，把所有训练样本变换到集合空间中，然后将经过重新表示的数据馈入神经网络，则不需再采用其他算法，神经网络可达到完备学习。还给出了对正弦函数近似问题应用数据表示与隐层神经元自适应算法结合达到完备学习的实例。