前向傅立叶神经网络系统逼近理论及学习算法

定义了傅立叶神经元与傅立叶神经网络,将一组傅立叶基三角函数作为神经网络各隐层单元的激合函数,设计出一类单输入单输出三层前向傅立叶神经网络与双输入单输出四层前向傅立叶神经网络,以及奇、偶傅立叶神经网络,基于三角函数逼近论,讨论了前向傅立叶神经网络的三角插值机理及系统逼近理论,且有严格的数学理论基础,给出了前向傅立叶神经网络学习算法,通过学习,它们分别能逼近于给定的傅立叶函数到预定的精度。仿真实验表明,该学习算法效率高,具有极为重要的理论价值和应用背景。

模糊系统与前向神经网络的结合

1 引言模糊系统方法和神经网络技术是近年来计算智能领域研究热点,被广泛地应用于复杂系统、非确定性等难于建立比较准确的数学模型的问题,并在自动控制、计算机图像处理、语音识别、手写体识别等领域有重要应用。模糊系统与神经网络的结合也越来越受到人们的重视。模糊系统和神经网络的结合可以分为模糊系统与前向网络的结合和与反馈网络的结合两类。模糊系统与反馈网络的结合主要有模糊联想记忆。

尖楔前体飞行器FADS系统的神经网络算法

对人工神经网络算法在尖楔前体飞行器用嵌入式大气数据传感系统(Flush Air Data Sensing System,FADS)中的应用进行了探讨。针对该FADS系统存在的建模困难及解算精度低的问题,采用BP神经网络算法代替传统的空气动力学模型,通过合理选择网络结构参数及训练验证,分别建立了FADS系统的含有单隐含层的三层网络模型及含有双隐含层的四层网络模型,对攻角、侧滑角、自由来流静压及马赫数等参数进行求解。数值仿真结果表明,建立的用于尖楔前体飞行器的FADS系统的神经网络算法求解精度较高,且含有双隐含层的网络模型精度优于单隐含层的模型精度。

基于前向神经网络的非线性时变系统辨识的改进递推最小二乘算法

标准的递推最小二乘算法随着递推次数的增加,增益矩阵将逐渐趋于零,致使递推算法慢慢失去修正能力,出现所谓的"数据饱和"现象。为了克服"数据饱和"问题,首先对递推最小二乘算法进行改进,得到了改进的最小二乘算法(IRLS),并给出了收敛性证明,然后将该算法应用于基于前向神经网络的非线性时变系统辨识。通过对两个非线性时变系统进行有效验证,仿真结果表明本文算法计算精度高、计算速度快、数值稳定性好,并能有效克服"数据饱和"。

基于多层前向神经网络入侵检测系统的研究

针对目前入侵检测系统不能有效检测未知入侵行为的问题,根据神经网络的自学习和自适应性强的特点,采取了将多层前向神经网络与入侵检测系统相结合的方法,提出了一种入侵检测模型,给出了此模型中神经网络模块的改进训练算法。实验证明,此算法入侵检测率可达86％,最大误报率为3％,加大训练样本可进一步提高检测率,从而更有效地检测出未知的入侵行为;此算法实时性强,可有效提高神经网络的学习效率。

一种前向神经网络快速学习算法及其在系统辨识中的应用

提出一种基于最小二乘的前向神经网络快速学习算法．与现有同类算法相比，该算法无需任何矩阵求逆，计算量小，较适于需快速学习的系统辨识和其他应用．文中推导了算法，并给出一种更为简便的局部化算法．

基于前向神经网络的非线性时变系统辨识

提出基于前向神经网络的非线性时变系统辨识方法 ,并用局部化推广卡尔曼滤波算法训练网络 .该算法与全局推广卡尔曼滤波算法相比 ,不需要矩阵求逆运算 ,具有更高的收敛速度和更小存储容量要求 .

基于前向神经网络的非线性时变系统辨识改进EKF算法

为了克服传统扩展卡尔曼滤波算法进行参数估计时可能产生的新数据失效问题,提出了一种改进的扩展卡尔曼滤波(EKF)步骤,然后将改进步骤做为人工神经网络的学习算法用于基于前向神经网络的非线性时变系统辨识。与传统的扩展卡尔曼滤波步骤相比克服了新数据的饱和现象,可以更好地反映系统时变特征。通过一个单变量一般时变非线性系统和一个三自由度非线性时变刚度结构系统算例,仿真验证了新算法在辨识精度和计算量方面的改进特性。

尖楔前体飞行器FADS系统驻点压力对神经网络算法精度的影响

针对尖楔前体(类乘波体)飞行器用嵌入式大气数据传感(FADS)系统存在建模困难及解算模型精度低的问题,首先采用BP神经网络建模代替传统的FADS系统空气动力学建模的方法,建立含有双隐含层的四层神经网络模型,然后通过合理选择网络结构参数及训练验证,对FADS系统的攻角进行解算,最后对驻点压力对算法精度的影响进行研究。结果表明,本文建立的含有双隐含层的四层神经网络模型精度较高,攻角测试误差小于0.25°;驻点压力是否作为输入参数对FADS系统神经网络算法求解精度影响较大,攻角测试误差相差达0.1°。在飞行器前缘半径允许的情况下,应尽量得到驻点压力用于解算攻角,提高解算精度。

一种前向模糊神经网络控制系统的研究

基于模糊逻辑和神经网络技术提出一种具有快速学习算法的模糊神经网络控制系统。通过将模糊逻辑系统表达成有两个隐层的前向模糊神经网络（ＦＮＮ），利用其快速学习能力调整系统初始规则库参数，得到优化的模糊控制器，仿真结果表明控制性能有很大改善。

多层前向神经网络建模及其在火电厂系统辨识中的应用

本文采用前向反馈型神经网络 ,建立了一个火力发电厂双输入双输出系统的辨识模型。利用MATLAB5 .3神经网络工具箱编程 ,以湖南湘潭电厂一台 30万千瓦机组的输入输出参数的实测数据作为学习样本训练网络模型 ,并在训练好的模型基础上给出了系统多步步长的预测结果及调门开度的单位阶跃响应曲线。结果表明这种方法收敛速度快、误差小、精度高 。

神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中的开发和应用

目的探讨神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中的开发和应用。方法选取湖州市第一人民医院2018年1月至2020年12月就诊的4398例患者为研究对象,利用北京谷山丰心电网络工作站采集实时传输标准心室流出道室性期前收缩常规12导联心电图数据4398份并开发神经网络智能诊断系统,评价其F1值、灵敏度、特异度、阴性预测值和阳性预测值。选取本院2017年1月至2021年1月经射频导管消融证实为心室流出道室性期前收缩300例进行临床应用测试,比较神经网络智能诊断系统与人工诊断对心室流出道室性期前收缩定位诊断符合率。结果神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中,总的F1值为0.809,多标签均值阴性预测值为0.780,多标签均值阳性预测值为0.820;标签阈值以最优F1值作为调整标准,整体更偏向于阴性预测值,可有效降低漏诊率。神经网络智能诊断系统与人工诊断对心室流出道室性期前收缩定位诊断符合率比较,差异均无统计学意义(均P>0.05)。结论基于深度学习开发的神经网络智能诊断系统在心室流出道室性期前收缩定位诊断中具有重要应用价值,有助于室性期前收缩的快速定位分型。

一种改进遗传算法实现前向神经网络权值优化的方法

本文介绍了一种自适应改变交叉概率和变异概率的改进遗传算法。针对前向神经网络离线训练过程中梯度下降法存在易陷入局部极小的缺点和遗传算法能够很快接近全局最优的优点,提出了应用改进遗传算法对前向神经网络权值实现优化的方法,最后应用图形化可编程语言LabV IEW实现了改进遗传算法对前向神经网络权值的优化,证明了本方法的有效性。一、问题的提出由于含有至少一个隐含层和足够隐含层节点的前向神经网络以任意精度逼近复杂非线性函数,因此在系统辨识、控制器设计、系统建模、状态估计、优化、预测等方面有大量的应用,但目前为止前向神经网络还存在诸多问题待完善。如何确定适当的隐层节点数,以及怎样获得最优的权值并提高训练速度等成为亟待解决的问题。

基于多层前向神经网络的电加热炉系统辨识

介绍了一种基于多层前向神经网络的电加热炉系统辨识。本系统选择神经网络辨识器模型 ,运用改进后的BP算法训练辨识神经网络 ,大大地提高学习速度 ,缩短训练时间 。

一种新的基于神经网络的高精度电力系统谐波分析算法

提出了一种新的基于三角基函数的人工神经网络算法,利用该算法可一次性获得电力系统基波及各次谐波的频率、幅值和相位,提出并证明了该神经网络算法的收敛定理,给出了利用该算法进行谐波分析的仿真实例。仿真结果表明,文中提出的谐波测量方法的计算精度极高,且计算量较小,因此在电力系统谐波测量中有较高的应用价值。

基于前向神经网络的多新息随机梯度辨识算法

为了提高动态系统的辨识精度,提出一种基于前馈神经网络的多新息随机梯度辨识算法,它通过动态调整网络权值来提高网络在线辨识性能.由于多新息随机梯度辨识算法利用了系统的当前数据和历史数据,对动态辨识,特别是对具有纯时间延迟动态系统的辨识,较传统的BP算法在辨识精度和收敛速度方面具有更好的效果.仿真结果表明该算法的有效性.

基于人工神经网络的船舶操纵控制系统模型研究

针对在船舶操纵控制系统中 ,船舶模型参数会随着外界条件 (如航速、吃水、风等 )的改变而变化的情况 ,提出了如何用神经网络模型使船舶在这些不断变化的外界条件下保持良好的状态 ,描述了前向网络原理与反向传播学习算法 (BP)的步骤 .

伺服电机驱动的液压动力系统及其神经网络自适应优化控制

针对传统液压系统存在的高能耗、低响应特点,采用节能型液压动力源-永磁伺服电机直接驱动定量泵,以取代原有的异步电机驱动液压动力源,从而形成一种新型的节能、响应快速、易实现闭环控制的液压动力系统。由于实际液压系统随机干扰严重,具有多变量、非线性、强耦合的特征,难以建立较准确的数学模型,常规的PID控制算法很难满足液压系统高精度控制的要求,因此提出基于PSO与BP混合优化前向神经网络PID自适应控制方法,实现液压系统在典型工况下流量的精确控制。PID控制器的参数采用神经网络进行自适应整定,神经网络的权值采用混合优化算法进行调整,通过神经网络的自学习能力寻找最佳的P、I、D非线性组合控制律,以增强液压系统对工况变化的适应能力。仿真和实验结果表明,该控制方法跟踪速度快、超调小、鲁棒性强,从而为液压系统流量高精度控制提供了一种新方法。

一种基于在线学习前向神经网络的组合导航滤波器

首先建立了带反馈校正的组合导航数学模型 ,在此基础上提出了一种在线学习的神经网络滤波算法。这种算法不需要噪声的先验知识 ,对系统模型的依赖也较弱。仿真表明 ,卡尔曼滤波器在理想情况下有较高的估计精度 ,而神经网络滤波器在非理想情况下有较高的精度 ,对模型误差和噪声特性的变化具有良好的鲁棒性。

基于人工神经网络的变风量空调控制系统

研究了变风量空调系统神经网络预测优化控制方法,优化指标考虑了舒适性和耗能量,舒适性指标取PMV指标,耗能量包括风机和冷水泵能耗。系统的控制量为送风风速和冷水流量,被控参数为空调区域的温湿度,采用预测滚动优化控制算法训练多层前向神经网络,然后将其作为优化反馈控制器来求解变风量暖通空调系统的优化解,并在运行中实时预测空调区域的负荷。仿真结果表明,采用此方法,在模型环境、负荷参数变化的情况下,既可以达到节能的要求,又可以使空调区域的温湿度保持在舒适范围内。