无线传感器网络修正权值网格质心法目标定位算法

在无线传感器网络研究中,由于传统质心定位法存在很大误差,须将目标定位存在的区域进行进一步缩小,并且将此区域划分为许多网格。利用定位节点和目标的探测关系,从而得到有效网格,再对这些有效网格利用修正权值的方法进行目标定位,即提出的修正权值网格质心定位法。仿真表明:这种方法得到的目标位置误差只有0.6m左右,而传统质心定位法和普通网格质心定位法的误差分别为3.6,2.4m左右。表明修正权值网格质心定位法精度远远高于这2种方法,同时它的实时性也可靠,从而显示了修正权值网格质心定位法的优越性。

求解TSP的Hopfield网络权值修正算法分析

针对Ｈｏｐｆｉｅｌｄ神经网络在求解巡回推销员问题（ＴＳＰ）时出现的无效解和局部极小值问题，本文结合网络动态分析，利用权矩阵特征值在网络内部动力特性与外在解表现形式之间的关联作用，通过各特征值间关系协调，对基于原模型的权值修正方案作进一步理论分析与改进，探讨网络收敛于全局有效解的途径，并在全国３１省、市、自治区ＴＳＰ模拟中收到较好效果．

Fourier三角基神经元网络的权值直接确定法

根据Fourier变换理论,本文构造出一类基于三角正交基的前向神经网络模型。该模型由输入层、隐层、输出层构成,其输入层和输出层采用线性激励函数,以一组三角正交基为其隐层神经元的激励函数。依据误差回传算法(即BP算法),推导了权值修正的迭代公式。针对BP迭代法收敛速度慢、逼近目标函数精度较低的缺点,进一步提出基于伪逆的权值直接确定法,该方法避免了权值反复迭代的冗长过程。仿真和预测结果表明,该方法比传统的BP迭代法具有更快的计算速度和更高的仿真与测试精度。

切比雪夫正交基神经网络的权值直接确定法

经典的BP神经网络学习算法是基于误差回传的思想。而对于特定的网络模型,采用伪逆思想可以直接确定权值进而避免以往的反复迭代修正的过程。根据多项式插值和逼近理论构造一个切比雪夫正交基神经网络,其模型采用三层结构并以一组切比雪夫正交多项式函数作为隐层神经元的激励函数。依据误差回传(BP)思想可以推导出该网络模型的权值修正迭代公式,利用该公式迭代训练可得到网络的最优权值。区别于这种经典的做法,针对切比雪夫正交基神经网络模型,提出了一种基于伪逆的权值直接确定法,从而避免了传统方法通过反复迭代才能得到网络权值的冗长训练过程。仿真结果表明该方法具有更快的计算速度和至少相同的工作精度,从而验证了其优越性。

模糊神经网络控制器参数修正方法研究

模糊神经网络控制器是一种将模糊逻辑与神经网络相结合的智能控制器 ,其既不依赖于被控对象精确的数学模型 ,又能根据被控对象参数和环境的变化自适应地调节控制规则和隶属函数参数 ,但是存在着在线修正权值计算量大、过度修正权值还可能导致系统剧烈振荡等缺点。针对存在的问题 ,提出了一种模糊神经网络控制器的优化方法 ,即在线自学习过程中 ,仅对控制性能影响较大的控制规则所对应的权值进行修正 ,以减小计算量 ,根据偏差及偏差变化率的大小自适应调节权值修正步长 ,避免系统发生剧烈振荡。

Hermite正交基前向神经网络的权值直接确定法

根据多项式插值与逼近理论,提出了一种基于Hermite正交基的前向神经网络模型.该神经网络采用3层前向结构,以一组Hermite正交多项式作为隐层神经元的激励函数,而输入输出层神经元则采用线性激励函数.依据误差回传(BP)算法给出了权值修正的迭代公式.区别于以往反复迭代训练而达到最优权值的标准做法,针对该Hermite正交基前向神经网络模型,进一步提出了一种基于伪逆的直接计算权值的方法(即一步确定).该权值直接确定法避免了以往的权值反复迭代的冗长训练过程,仿真结果显示其具有比传统的BP迭代法更快的计算速度和工作精度.

步进电动机细分控制函数修正新算法

提出了一种新的步进电机细分控制函数修正算法—加权补偿法。本算法用加权平均及权值修正技术,解决了步进电机细分控制函数不能任意动态调整的难题。该算法简单且有实用价值。

Padé有理式神经网络及其权值直接确定法

根据Pad近似理论,构造出一类前向有理式神经网络.该网络采用四层结构,其中第一层(输入层)和第三层采用线性激励函数,第二层采用幂激励函数,第四层(输出层)采用分数函数(或称除法函数)作为激励函数.依据梯度下降法思想,推导了其权值修正的迭代公式.针对迭代方法收敛速度慢、易陷入局部极小点等缺点,进一步推导出了基于伪逆的权值直接确定方法,该方法避免了冗长的迭代过程.仿真和预测结果均表明Pad有理式神经网络及其权值直接确定法具有较好的计算速度和更高的逼近与预测精度.

基于综合权值校准与均跳估测的移动物联网终端坐标感知算法

为提高移动物联网感知终端的定位能力,降低因信道噪声而导致的乖离现象,提出了基于综合权值校准与均跳估测的移动物联网终端坐标感知算法。首先,将定位数据报文拆分为定位节点坐标、跳数、定位节点ID三部分,待定位节点通过解析定位数据报文,获取与定位节点间的跳数及坐标,当仅当待定位节点同时接收到多个定位数据报文时,从中解析定位节点坐标,并根据接收到的3个定位节点坐标来构建三角定位方法,以精确获取坐标,降低坐标抖动现象。随后,根据均方差理论来设计了基于权值微分修正的邻域半径预定位方法,实现定位坐标的精确化获取,引入微分方式增强定位精度。最后,根据不同定位节点在网络中的权值差异,设计了基于均跳估测的终端坐标精确化方案,采取均衡化机制来增强网络对节点的捕捉能力,以修正节点坐标,从而提高物联网终端感知精度。仿真实验表明,与当前相关的物联网节点定位技术相比,该算法具有更低的节点坐标乖离程度和更强的运动轨迹预测能力。

改造前向神经网络结构以求网络权值直接确定——Jacobi正交基神经网络实例

根据多项式插值与逼近理论,以一组零阀值特例Jacobi正交多项式(第二类Chebyshev正交多项式)作为隐层神经元的激励函数,构造一种基于Jacobi正交基的前向神经网络模型。该神经网络模型采用三层前向结构,其中输入、输出层神经元采用零阀值线性激励函数。为改进传统神经网络收敛速度较慢及其局部极小点问题,针对该Jacobi正交基前向神经网络模型,提出了一种基于伪逆的直接计算神经网络权值的方法(即,一步确定法),并利用该神经网络进行预测。计算机仿真结果表明,相对比传统的BP迭代训练方法,权值直接确定法计算速度更快、预测精度更高。

基函数神经网络权值直接确定的图像复原

给出了基函数神经网络图像复原的模型,该神经网络模型是由三层构成的前向神经网络,以一组正交基为隐层神经元的激励函数。为了避免反复迭代权值修正的冗长BP训练过程,提出了一种权值直接确定的算法。实验结果表明,该种权值直接确定算法不仅能一步确定权值而获得更快的运算速度,而且能达到更高的精度。

固定结构单元权值对基本Elman网络性能影响

基本Elman网络采用一阶导数形式的权值修正方法会导致结构单元连接权的稳定性变差.针对这一特点,提出了将Elman网络结构单元的前馈权值固定为1的改进方法.理论分析和仿真实验证明,该改进方法不仅能提高Elman网络收敛后的稳定性和精度,而且有效地降低了网络训练算法的计算复杂度.

误差修正的声源目标混合定位算法

针对定位系统因非视距传播、多路径效应等因素所导致定位精度降低的问题,提出了一种基于到达时差的误差修正声源目标混合定位算法。首先,该算法在传统加权最小二乘法中引入动态权值修正技术获得泰勒级数迭代法初值,减少了迭代次数;其次,提出了后项时延选择算法,并结合标准残差函数剔除了误差较大的时差对定位性能的影响,选择最优的时差组合方式进行目标位置解算;最后,通过标准残差加权的方式修正混合定位算法误差,得到声源目标位置。实验结果显示,新提出的误差修正混合定位算法性能优于参考算法,且对非视距误差具有显著的抑制作用,有效地提高了定位精度。

基于权值选择的多雷达多目标检测前跟踪算法

针对多雷达多目标检测跟踪中雷达选择问题,提出一种基于权值选择的多雷达多目标粒子滤波检测前跟踪算法。首先,采用双层粒子滤波结构实现目标跟踪和检测;其次,基于雷达量测获得的粒子权值,提出一种权值选择方法来选择雷达量测,计算粒子权值并修正;最后,将修正后粒子权值进行融合,获得粒子的最终权值。仿真结果表明:在目标数目未知的情况下,算法能正确发现新生目标并剔除虚假目标,提高了目标检测正确率。

基于BP神经网络的旅游交通安全评价分析研究

本文阐述了BP神经网络的基本理论、算法、缺陷及改进方法,通过实例对旅游交通安全进行研究。选择合适的学习样本及参数进行训练,并获得较好的评价结果,为游客的旅游安全及相关部门的管理者提供了理论依据。

基于BP神经网络的旅游交通安全评价分析研究

阐述了BP神经网络的基本理论、算法、缺陷及改进方法,通过实例对旅游交通安全进行研究。选择合适的学习样本及参数进行训练,并获得较好的评价结果,为游客的旅游安全及相关部门的管理者提供了理论依据。

基于权值修正的改进WKNN算法

针对室内复杂环境下Wi-Fi指纹定位精度低的问题,本文提出了一种基于几何位置优选K近邻和改进加权K近邻算法的室内定位方法。首先通过几何位置对K近邻进行动态优选,然后对加权Wi采用定位点与K近邻点的相对偏差对权值进行修正,最后实现改进WKNN算法定位。实验结果表明,3m网格及3dBm噪声环境下,所提算法的RMSE为1.97m,ME小于1.67m,能有效提升定位精度。

前馈神经网络的一种新的学习算法

本文将变尺度法引入到神经网络的学习中。在修改权值时 ,引入串行修正权值的思想。基于以上两点提出的算法具有收敛速度快。

模型预测前向神经网络算法及其在组合导航中的应用

针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05 m/s,+0.05 m/s]和[-5 m,+5 m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。

一种基于RSSI校正的加权质心定位算法

节点自定位技术一直是无线传感器网络中的关键技术,而基于接收信号强度指示(RSSI)的定位技术则是目前的研究热点。在对传统的加权三角形质心定位算法分析的基础上,提出了一种改进的定位算法。在测距阶段,将信标节点之间的距离和信号强度同时作为参考来校正RSSI值;在定位阶段,对传统加权三角形质心定位算法的权值进行修正。通过仿真证明改进算法比传统算法的定位精度有明显提高。