动态神经元的网络模型 Ⅱ.计算机仿真

在动态神经元的网络模型的基础上,在计算机上进行了仿真。结果表明,我们的单元模型能再现感受器的适应性、兴奋后抑制、相位锁定和位置编码。由五十个这样的单元构成的侧抑制网络能再现鲎复眼侧抑制网络的瞬态特性,而在达到稳态时则表现出马赫带现象。仿真结果还预测侧抑制网络对运动目标特别敏感。模型有关神经元处理信息的内部机制和外部特性与生物神经元的一致性,以及由此构成的侧抑制网络与鲎复眼侧抑制网络性质的一致性,都提示此模型有希望成为一种更接近于生物神经网络的模型。

基于动态神经元网络的激光陀螺输出误差模型

惯性敏感器误差补偿技术对提高武器装备的性能具有重要的意义 ,而误差补偿的关键在于误差模型的辨识。由于动态神经元网络是在前馈网络的节点引入前馈和反馈环节 ,理论上已证明其具有很强的动态逼近能力 ,可用来描述任意的非线性动态系统。根据惯性敏感器误差的动态特性 ,本文探讨将动态神经元网络引入到激光陀螺误差建模中去 ,详细介绍了网络结构和对应的动态梯度算法。通过仿真算例说明 ,动态神经元网络在激光陀螺输出误差建模时具有一定的优点 :网络收敛速度快、较好的跟踪性能。

热力系统传感器故障检测的动态神经元网络方法

采用动态神经元网络状态观测器的故障检测和诊断方法对非线性时变热力系统状态进行估计。通过对延时神经元网络和动态递归神经元网络在热水锅炉模型上的仿真试验 ,表明 ,基于动态神经元网络状态观测器的热力系统传感器检测和诊断方法是可行的。经过仿真试验对比 ,延时RBF网络具有比较好的推广能力。

一种修正的动态神经元网络模型的类脑电活动及其应用

在作者以前所提出的一种简化现实性神经网络模型一动态神经元网络模型的基础上，进一步考虑了发放神经脉冲引起的兴奋性变化以及每个神经元和其它神经元之间都只有有限联结的性质。使修正后的模型具有更强的生物学真实性。计算机仿真表明由这样的网络产生的类脑电活动对初值极端敏感，具有明显的混沌动力学性质，利用这一点作者们成功地对电脑文档进行了加密和解密，参数和初值的微小改变都使解密失败，从而可望由此得出高度可靠的保密手段。

动态神经元网络的直接自适应控制与应用

本文对一类未知的非线性多变量系统,提出了用动态神经元网络实现直接自适应控制的策略;基于 Lyapunov理论,获得一个稳定且连续的学习律,避免了递归训练过程;闭环系统被证明是稳定的。这种方法的特点是,不需要离线学习阶段;对非线性电机仿真的结果验证了提出的动态网自适应控制算法的有效性。

脑震荡分级与血清动态神经元特异性烯醇化酶、C反应蛋白的相关性研究

分析脑震荡分级和血清动态神经元特异性稀醇化酶(neuron specific enolase,NSE)、C反应蛋白(C-reactiveprotein,CRP)的相关性。方法 抽取2020.01~2022.01我院96例脑震荡患者作为研究对象,依照是否具有脑震荡综合征分组,出现脑震荡综合征为研究组(n=41)、未有脑震荡总合作为对照组(n=55),均测定伤后24、72h血清NSE、CRP含量,另对不同分级血清NSE、CRP含量对比,并且经Pearson 线性相关分析法分析脑震荡分级与血清NSE、CRP相关性。结果 伤后24、72h NSE、CRP水平经对比,以研究组高于对照组,差异明显(P<0.05);不同分级脑震荡血清NSE与CRP水平对比具有明显差异(P<0.05),患者分级越高其NSE与CRP水平越高;经过Pearson分析后,由表3可见,脑震荡分级和NSE、CRP密切相关(均P<0.05)。结论 脑震荡分级诊断中NSE和CRP水平提供了重要依据,具有一定的评估价值。

动态神经元模型在水下目标识别中的应用

本文提出了两种改进型动态神经元模型—CIIRDNU(Constricted Infinite Impulse Response Dy-namic Neural Unit)和FIRDNU(Finite Impulse Response Dynamic Neural Unit).给出了基于改进型动态神经元模型的神经网络结构,并推导了其BP学习算法公式.将FIRDNU模型应用于水声目标识别中,实验结果表明在此基础上建立的单层前馈网络学习训练速度很快,推广性能良好.其平均正确识别率明显高于静态BP神经网络.

基于神经元动态规划的可重入生产系统调度的仿真框架

提出一个基于神经元动态规划解决可重入生产系统调度问题的仿真框架.根据可重入生产系统的特点建立状态集,并将调度问题表示成相应的马尔可夫决策过程.选择合理的性能指标,采用神经元动态规划产生每一步的调度,并在仿真中优化策略.仿真算例验证了该方法的有效性,三种调度策略的结果比较表明了神经元动态规划方法的优越性.本仿真框架还可拓展至其他类型的生产调度问题.

Markov控制过程基于神经元动态规划的优化算法

论文在Markov性能势理论基础上 ,研究了Markov控制过程在神经元网络等逼近结构表示的随机平稳策略作用下的仿真优化算法 ;分析了它们在一个无限长的样本轨道上以概率 1的收敛性 ;并给出了一个三

基于神经元动态补偿的模糊控制及其应用

提出一种基于神经元动态补偿的模糊控制策略 ,应用于一液压位置系统控制实验结果表明 ,所提出的控制策略可行 ,对进一步改善控制系统的鲁棒性及提高模糊系统控制精度具有明显积极作用 ,是一种有效的复合控制方法 .

神经元动态规划综述

神经元动态规划是近年发展起来的一种优化方法 .它采用计算机仿真和函数近似 ,简化对状态空间的搜索 ,可以有效克服“维数危机” ,有广阔的应用前景 .本文对神经元动态规划作一综述 。

一种改进的NARX回归神经网络

经典 NARX 回归神经网络在应用时需要确定输入和输出的延时阶数、隐层神经元数目等三个结构参数,给神经网络的设计造成了很大的困难。为了克服这一缺陷,根据生物神经元机能提出了一种新的动态神经元模型,并将其用于经典 NARX 回归神经网络中,形成了一种改进的 NARX 回归神经网络。新的神经网络在应用时只需确定隐层神经元数目,从而简化了神经网络的结构设计。本文还进一步从理论上分析了该神经网络与经典 NARX 回归神经网络的等效关系,并用李雅普诺夫(Lyapunov)稳定性原理证明了该网络的稳定性。仿真试验表明,新的神经网络不仅辨识能力优于经典 NARX 回归神经网络,而且泛化能力得到了明显提高。

BP神经网络在建模中的参数优化问题研究

神经网络方法已经在过去很多年中得到了大量研究,特别是基于误差反向传播算法的人工神经网络(简称BP-ANN)在很多天气预报业务上发挥了重要作用。对于BP-ANN训练有这样的一个问题,在同一个样本模型、同样的网络结构和同样的输入参数情况下,每次训练得到的权重和最终的误差结果几乎都是不一样的,有的会很好,有的会较差。在利用BP-ANN建模训练中,希望都寻找到因子模型的局部最优解,使它具有较好的泛化能力。为了提高BP-ANN在业务预报中的建模和预测能力,将对BP-ANN进行改进试验。利用2009—2010年每年5月15日至9月15日的T639模式预测数据和北京地区4个站点的最高温度实况资料作为建模样本数据,对4个站点进行数值模拟试验。通过对4个模型样本的拟合建模试验发现:BP-ANN的随机初始权重场服从高斯分布,或者初始权重场进行多次初始化,或者采用动态的隐层神经元网络结构都能让BP-ANN对样本的拟合命中率有一定的提高。最后选择2011年5月15日至9月15日115天的资料作为预报测试数据,集成3种改进方法于一个BP-ANN中,和未改进前的BP-ANN进行比较,对比后发现优化后的BP-ANN训练出的模型预测得到的验证样本预测命中率要高于未优化的BP-ANN训练出的模型得到的验证样本预测命中率,优化后的BP-ANN具有更好的泛化能力。

自适应模糊控制在热力系统容错控制中的应用

在热力系统中采用容错控制技术,可以提高控制系统的可靠性,同时降低运行成本。研究采用自适应模糊控制实现非失效的被动容错控制。提出一种新的自适应模糊控制器;采用基于动态神经元网络的辨识模型学习被控对象的动态特性,设计了评价模糊控制器性能的FITAE指标;采用遗传算法优化模糊控制器参数,同时优化比例因子和控制规则表。为了提高模糊控制器的自适应调整速度,采用二阶段优化策略。仿真研究表明:自适应模糊控制器的热力系统被动容错控制方法是可行的。

平均和折扣准则MDP基于TD(0)学习的统一NDP方法

为适应实际大规模M arkov系统的需要,讨论M arkov决策过程(MDP)基于仿真的学习优化问题.根据定义式,建立性能势在平均和折扣性能准则下统一的即时差分公式,并利用一个神经元网络来表示性能势的估计值,导出参数TD(0)学习公式和算法,进行逼近策略评估;然后,根据性能势的逼近值,通过逼近策略迭代来实现两种准则下统一的神经元动态规划(neuro-dynam ic programm ing,NDP)优化方法.研究结果适用于半M arkov决策过程,并通过一个数值例子,说明了文中的神经元策略迭代算法对两种准则都适用,验证了平均问题是折扣问题当折扣因子趋近于零时的极限情况.

结合操作者意图分析的Internet机器人控制方法研究

互联网传输过程中存在的随机时延,影响了操作者与遥操作机器人之间的实时交互,降低了系统稳定性和操作性能。论文提出一种新的方法,利用动态神经元群模型对操作者发送的控制指令序列进行分析,实现对操作者意图的推断。在随机时延条件下,遥操作机器人能够根据操作者意图和当前环境信息,通过局部自主控制完成期望任务动作。同时可以与主端操作者基于事件的控制指令进行切换,来保证系统的稳定性,提高整个控制系统的操作性能和效率。最后,通过互联网足球机器人平台进行实验,仿真结果验证了所提模型与方法的有效性和可行性。

SMDP基于Actor网络的统一NDP方法

研究半马尔可夫决策过程(SMDP)基于性能势学习和策略逼近的神经元动态规划(NDP)方法.通过SMDP的一致马尔可夫链的单个样本轨道,给出了折扣和平均准则下统一的性能势TD(λ)学习算法,进行逼近策略评估;利用一个神经元网络逼近结构作为行动器(Actor)表示策略,并根据性能势的学习值给出策略参数改进的两种方法.最后通过数值例子说明了有关算法的有效性.

随机平稳策略下半Markov决策过程的仿真优化算法

基于性能势理论和等价Markov过程方法,研究了一类半Markov决策过程(SMDP)在参数化随机平稳策略下的仿真优化算法,并简要分析了算法的收敛性．通过SMDP的等价Markov过程,定义了一个一致化Markov链,然后根据该一致化Markov链的单个样本轨道来估计SMDP的平均代价性能指标关于策略参数的梯度,以寻找最优(或次优)策略．文中给出的算法是利用神经元网络来逼近参数化随机平稳策略,以节省计算机内存,避免了“维数灾”问题,适合于解决大状态空间系统的性能优化问题．最后给出了一个仿真实例来说明算法的应用．

SDN中DASH路由规划和码率调节联合决策算法

随着互联网技术的快速发展以及智能设备的普及,基于HTTP的动态自适应流媒体(Dynamic Adaptive Streaming over HTTP,DASH)业务发展迅速.但在带宽受限网络中,大规模用户的视频请求,将会加重网络负载,严重影响网络带宽资源的有效利用,同时用户码率调节缺乏全局协调控制机制,容易造成网络拥塞.针对软件定义网络中的DASH视频传输业务,将视频业务提供商长期平均收益最大化作为优化目标,设计并实现了基于神经元动态规划的DASH视频路由和用户码率调节联合决策算法.最后,通过在Mininet平台上建立SDN(Software-Defined Networking)网络环境并进行对比实验,我们验证了本文提出的联合决策算法能够提高网络带宽资源利用率,最大化DASH视频业务提供商长期平均收益.

Rollout及其并行求解算法在多类商品库存控制中的应用

Rollout算法是Bertsekas提出的求解马尔科夫决策过程(MDP)问题的一种仿真优化算法。文章研究Rollout算法求解多类商品库存控制问题,给出了基于性能势和神经元动态规划的Rollout优化算法。另外,为了降低运算时间,文章提出了两种Rollout并行求解算法,并讨论了这两种并行算法各自的适用场合。实验结果表明,Rollout算法能满足模型未知系统的优化要求,具有较好的并行性能。