一种宽频率调谐范围的前馈型VCO设计

为满足SerDes(SERializer/DESerializer)接收端相位插值型时钟数据恢复电路(CDR)对正交多相时钟的要求,采用22 nm CMOS工艺,设计了一种具有宽频率调谐范围,可产生12相时钟的前馈型环形压控振荡器(VCO)。电路包括频率调节电路和前馈型VCO电路两个部分。频率调节电路采用粗细调结构增大了振荡器调谐范围,实现了频率的精确调节;前馈型VCO通过辅助前馈通路形成5级环形振荡器,提高了振荡频率,产生的12相正交时钟也提高了插值线性度。仿真验证结果表明:所设计的VCO输出频率范围为2.21~11.23 GHz,8 GHz频率下振荡器的相位噪声为-93.1 dBc/Hz@1 MHz,-114.05 dBc/Hz@10MHz,功耗为5.18 mW。

混沌前馈型流密码的设计

本文利用多次选代混沌映射来设计非线性前馈型流密码，在理想实现条件下，混沌前馈型流密码不仅对混沌密码参数和驱动信号的变化十分敏感而且具有均衡的分布特性．本文还考察了在有限精度实现下。

基于磁通观测器的电压前馈型解耦矢量控制系统

提出基于磁通观测器的电压前馈型解耦矢量控制系统结构 ,该系统的特点是用电流预测误差对磁通仿真器及电压前馈型结构进行补偿。设计了控制器 ,建立了系统数学模型 ,并用C语言仿真研究了控制系统动态特性 ,仿真研究表明该系统能对定、转子变化具有鲁棒性 。

静态前馈型网络的监督学习方法研究进展

本文从四个方面综述近年来用于前馈型网络的监督学习方法,即:1.对经典反向传播法的改进和变型;2.用于训练多层感知器的其它学习方法;3.其它前馈型网络模型和监督学习模型;4.具有复杂结构的各种模型.

基于多层前馈型神经元网络模型的摄像机定标算法

针对传统线性、非线性摄像机定标算法的鲁棒性 ,提出了基于多层前馈型神经元 ( MLFN)网络模型来替代传统精确的摄像机定标数学模型 .MLFN网络模型作为层状网络可实现任意维复杂的输入 /输出映射 ,对于无需计算摄像机内、外参数的应用场合 ,该模型提供了一种实用且有较好鲁棒性的摄像机定标算法 ,同时为了补偿摄像机非线性畸变 ,把图像按畸变程度分割成两个区域 ,分别建立各自基于 MLFN网络的摄像机定标模型 .实验表明 ,该方法有效补偿了畸变 ,并提高了模型精度 .给出了基于 MLFN网络模型摄像机定标算法实验 ,验证了该模型的有效性 .

具有电流误差补偿的电压前馈型解耦矢量控制系统

对电压前馈型解耦矢量控制和电压反馈型解耦矢量控制进行分析比较 ,前者结构简单 ,后者控制精度高 .为提高前者控制系统精度 ,提出具有电流误差补偿的电压前馈型解耦矢量控制系统结构 ,设计控制器 ,建立系统数学模型 ,用计算机仿真实验研究控制系统动态特性 。

混合前馈型神经网络在入侵检测中的应用研究

提出一种基于混沌神经元的混合前馈型神经网络,用于检测复杂的网络入侵模式.这种神经网络具有混沌神经元的延时、收集、思维和分类的功能,避免了MLP神经网络仅能识别网络中当前的滥用入侵行为的弱点.对混合网络进行训练后,将该网络用于滥用入侵检测.使用DARPA数据集对该方法进行评估,结果表明该方法可有效地提高对具备延时特性的Probe和DOS入侵的检测性能.

改进的前馈型神经网络模型在承压水漏斗水位预报中的应用

建立了以改进Powell法优化的前馈型神经网络模型 ,模型既具有强大的函数逼近功能 ,又克服了传统神经网络优化方法的缺点。将神经网络模型用于承压水漏斗的动态水位预报 ,实例表明 :模型预报效果较好。

大型不确定前馈型系统的分散鲁棒镇定

研究了大型不确定前馈型系统的鲁棒分散镇定问题。因为系统具有前馈型结构,采用自下而上的迭代分析方法,同时注意运用互联非线性系统有界性和稳定性判据。将设计任务转化为镇定底层子系统和其他子系统的标称部分,并可以明确构造简单的饱和控制律。该方法利用系统的结构特性,不太依赖李雅普诺夫函数,也不需要通常的LMI技巧。仿真说明该方法的有效性。

基于前馈型神经网络股价预测的一点改进

为减小预测误差,目前的方法是:选择对股价有显著影响的输入变量、调整网络结构及选择合适的参数、优化学习算法,这些方法都是以实际股价作为网络的预测。提出以相邻两天的股价差价作为网络的预测,在相同的数据上分别建立股价预测模型和股价的差价预测模型,并对它们的结果进行对比分析。结果表明差价预测模型的预测误差小、预测效果好。

永磁伺服系统前馈型模糊二自由度控制研究

针对传统PID控制抗干扰能力差以及智能化控制方法计算复杂、模型难建立、不易应用等问题,在对模糊控制理论和二自由度原理分析的基础上,提出了一种在工程中易于实现的前馈型模糊二自由度控制策略。通过对前馈型二自由度模型化简变换,在变换后模型的基础上引入了模糊控制规则,使其同时具备模糊控制和二自由度控制的优点,实现了实时跟踪和自动整定控制参数的功能。利用Matlab工具建立了前馈型模糊二自由度控制系统仿真模型。研究结果表明,系统转速无超调,响应速度和扰动恢复时间比传统PID控制提高一倍。该控制方法具有良好的动、静态性能,实现了永磁伺服系统高速化、强抗干扰能力,提高了永磁伺服系统控制精度,为解决高精度数控系统提供了一种可行、易于实现的控制策略。

对前馈型神经网络股价预测的一点改进

为减小预测误差,目前的方法是:选择对股价有显著影响的输入变量;调整网络结构及选择合适的参数;优化学习算法.这些方法都是以实际股价作为网络的预测.本文提出的方法是以相邻两天的股价差价作为网络的预测.本文在相同的数据上分别建立股价预测模型和股价的差价预测模型,并对它们的结果进行对比分析,结果表明差价预测模型的预测误差小,预测效果好.

新激活函数下前馈型神经网络及其在天气预报中的应用

本文为提高基于ＢＰ算法的人工神经元网络的学习速度，提出新组合激活函数并取得了显著效果的基础上，又应用于天气预报中，并与基于ＢＰ算法的神经网络（标准和带动量项）以及多自适应线性单元的神经元网络进行仿真比较，在预报准确率和学习速度方面获得了令人比较满意的结果．本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａｌ／６．０环境下编制，在ＩＢＭＰＣ３８６和４８６机器上调试通过并运行．

输入电压前馈型三环控制Buck变换器研究

为了提高Buck变换器的输入与输出电压响应速度、稳压精度和抗干扰能力,提出了输入电压前馈+平均电流反馈+输出电压反馈型三环控制方式。在基于峰值电流反馈型的V^2C三环Buck变换器基础上修正了拓扑结构:引入输入电压前馈环节,修正双电压反馈型为电压前馈+电压反馈型,改进峰值电流反馈型为平均电流反馈型,形成了新的三环控制方式的Buck变换器拓扑结构;通过分析工作原理和推导有源-无源开关对等效模型,构建了整体小信号模型,获得了传递函数;采用Pspice软件搭建模块与编程,将新型三环控制方式与峰值电流型V^2C三环控制方式进行时域、频域对比仿真分析验证,表明提出的三环控制方式其输入与输出电压响应速度、稳压精度和抗干扰能力均优于后者。

基于BP和统计的混合法前馈型神经网络及其应用

为避免ＢＰ算法本身易陷入局部极小值的缺陷，本文将具有新组合激活函数的ＢＰ法与传统的ＢＰ方法（标准和带动量项）分别与统计最优化方法相结合组成混合算法，将他们分别应用于天气预报和贷款之中，并进行了仿真比较，在预报准确率和学习速度方面获得了比较满意的结果．本模拟程序在Ｔｕｒｂｏ－Ｐａｓｃａ／６．０环境下编制，在ＩＢＭＰＣ３８６和４８６机器上调试通过并运行．

前馈型神经网络容错性研究的现状和展望

本文首先明确具体地给出了前馈型神经网络(以下简称前馈网络)容错性的基本概念及其研究内容,进而系统地对前馈网络容错性研究的各种分析和设计方法进行了简要的介绍和评述。最后提出了前馈网络容错性有待进一步研究的若干主要问题。

三层前馈型神经网络的最佳逼近研究

本文研究三层前馈型神经网络的最佳逼近能力，我们证明以多项式函数为隐层神经元作用函数的三层前馈型神经网络，当隐层神经元的个数超过某个给定的界限时，网络的输入输出函数张成一有限维线性空间，从而它可以实现对Ｃ（Ｋ）的最佳逼近．并且猜测，对非多项式函数的作用函数，若神经元个数有限，则它不具有最佳逼近性质．

前馈型人工神经元网络在语音识别中的应用

介绍了人工神经元网络误差反馈（ＢＰ）模型的理论基础、学习算法及识别误差算法，阐述了ＢＰ网络模型用于语音识别中语音数据的处理方法、网络构成、实现步骤及其实验结果．

前馈型神经元网络中的放电频率传递分析

本文建立了一个基于Hodgkin-Huxley神经元的前馈神经元网络模型,研究了平均放电频率在前馈神经元网络中的传递情况。研究结果显示,适当的层间连接概率与输人噪声强度能够提髙前馈神经元网络的同步效率,进而增强网络稳定传递放电频率的性能。此外,通过引入并调节突触时滞,发现适当的时滞对神经元耦合系统的完全同步和前馈神经元网络内信息传输有明显的促进作用。

基于前馈型神经网络解线性Fredholm积分-微分方程

为了研究积分微分方程的数值解,构造了一种前馈型神经网络用于求解Fredholm积分微分方程近似解。首先,运用Taylor展开式近似代替未知函数,神经网络的误差由内部误差和边界误差组成。其次,应用神经网络对Taylor展开式的系数进行学习从而得到近似解。最后,与梯形求积规则(Trapezoidal Quadrature Rule,TQR)数值方法进行比较,验证了提出方法的可行性与有效性。