基于动量梯度下降的回声消除算法

针对极端环境话音系统下声学回波影响工作人员正常施工,且常规声学回声消除算法收敛速度慢的问题,提出一种基于动量梯度下降的基于l0范数的改进系数成比例归一化最小均方误差算法(L0⁃IPNLMS)。该算法将动量因子引入L0⁃IPNLMS算法中,解决在算法运行过程中梯度下降时梯度摆动幅度可能过大的问题,也提高了自适应滤波器的收敛速度,且残余回声下降明显,声学回波抑制效果更好。仿真实验表明,与L0⁃IPNLMS算法相比,新算法在模拟随机多音信号与真实语音信号输入时,均方误差(MSE)可以降低3.47 dB和3.69 dB,回波抑制比(ERLE)提高了3.46 dB和3.68 dB,在低信噪比情况下,使用新算法对真实语音信号进行回声消除,收敛速度高于L0⁃IPNLMS等算法,且收敛效果有明显改进。

基于动量梯度下降神经网络的岩爆预测方法

为了弥补现有BP神经网络(传统误差逆传播算法训练的多层前馈网络)岩爆预测模型的不足,选取应力系数(σ_(θ)/σ_(c))、脆性系数(σ_(c)/σ_(t))和弹性能量指数(Wet)为模型预测指标,收集46组实例样本数据集,对传统的BP神经网络进行优化,建立岩爆预测的动量梯度下降(BPM)神经网络模型,总体预测准确率达84.78%,优化效果良好。最后将模型应用于3个实例工程中,预测结果与现场结果吻合。

卷积神经网络中基于差分隐私的动量梯度下降算法

针对卷积神经网络(CNN)模型的训练过程中,模型参数记忆数据部分特征导致的隐私泄露问题,提出一种CNN中基于差分隐私的动量梯度下降算法(DPGDM)。首先,在模型优化的反向传播过程中对梯度添加满足差分隐私的高斯噪声,并用加噪后的梯度值参与模型参数的更新过程,从而实现对模型整体的差分隐私保护;其次,为了减少引入差分隐私噪声对模型收敛速度的影响,设计学习率衰减策略,改进动量梯度下降算法;最后,为了降低噪声对模型准确率的影响,在模型优化过程中动态地调整噪声尺度的值,从而改变在每一轮迭代中需要对梯度加入的噪声量。实验结果表明,与DP-SGD(Differentially Private Stochastic Gradient Descent)相比,所提算法可以在隐私预算为0.3和0.5时,模型准确率分别提高约5和4个百分点。可见,所提算法提高了模型的可用性,并实现了对模型的隐私保护。

稀疏重构的一种新的加速动量梯度投影法

提出了一种新的应用于稀疏信号重构的加速动量梯度投影法.该方法是把负梯度方向与动量项的凸组合作为搜索方向,步长采取滞后最速下降法(LSD)的步长选取规则.与加速动量梯度投影法取固定的学习速率和动量参数不同,该方法是动态地选取动量参数和步长,从而加速了算法的收敛.数值试验表明,与已有求解大规模l1正则化最小二乘问题的一些方法相比较,本文提出的算法无论是在时间上还是在信号重构的质量上都是有竞争力的.

基于变步长动量梯度下降法的姿态解算算法

针对基于MEMS的姿态测量系统因为存在误差而导致姿态解算漂移的问题,提出一种基于变步长动量梯度下降的姿态解算算法。该算法从传感器数据去噪和姿态解算两部分提高姿态解算精度。在传感器数据去噪方面,为了工程实用,降低微处理器计算量,提出一种改进递推限幅均值滤波算法;在姿态解算方面,在梯度下降法的基础上设计自适应步长,使用动量梯度优化每次迭代方向,使得每次迭代后误差最小,同时使用动态限幅滤波抑制角度振荡。静态和动态实验结果均表明了所提算法的有效性和优越性。

基于动量梯度下降法的姿态数据采集系统

针对水下机器人姿态数据采集过程中由测量系统误差导致的姿态数据噪声大、精度低等问题,设计一套以STM32F429系列单片机为主控制器,MPU9250九轴传感器为姿态检测模块的水下机器人姿态采集系统。首先对系统采集的加速度计和磁力计数据采用中位值平均滤波算法进行滤波;然后通过动量梯度下降算法实现多传感器数据融合和姿态信息获取。在姿态数据信息融合过程中,通过不同传感器解算的姿态数据确定目标函数,并通过不断迭代的过程实现对最优姿态数值的逼近。静态和动态实验数据表明,该算法相比互补滤波算法解算的横滚角、俯仰角、偏航角的标准差分别降低1.22%、47.47%、70.31%和31.51%、20.62%、37.01%。在水下机器人姿态控制中具有很好的应用前景。

基于动量梯度下降的自适应干扰对消算法

在同时同频收发系统中,发射信号会泄露到接收通道导致有用的接收信号被淹没。针对同时同频收发系统干扰对消的需求,在传统随机梯度算法的基础上,研究动量梯度下降算法。该方法将历史梯度信息进行指数衰减和平滑,再结合当前梯度估计来更新权重系数,可以解决噪声引起梯度估计的大小和方向不准确从而导致收敛速度慢的困难。最后通过仿真证明本方法具有比传统随机梯度算法更好的收敛性能。

拟双曲动量梯度的对抗深度强化学习研究

在深度强化学习(Deep Reinforcement Learning,DRL)中,智能体(agent)通过观察通道来观察环境状态。该观察可能包含对抗性攻击的干扰,也即对抗样本,使智能体选择了错误动作。生成对抗样本常用方法是采用随机梯度下降方法。提出使用拟双曲动量梯度算法(QHM)来生成对抗干扰,该方法能够充分利用以前的梯度动量来修正梯度下降方向,因而比采用随机梯度下降方法(SGD)在生成对抗样本上具有更高效率。同时借助这种攻击方法在鲁棒控制框架内训练了DRL鲁棒性。实验效果表明基于QHM训练方法的DRL在进行对抗性训练后,面对攻击和环境参数变化时的鲁棒性显著提高。

图像复原的一种新的加速动量梯度投影法

该文提出了一种新的应用于图像复原的加速动量梯度投影法。该方法在负梯度的方向上添加一个动量项,并且动态地选取动量参数和步长,从而加速了算法的收敛。在合理的假设下,证明了算法的全局收敛性。数值试验表明,与当前先进的FISTA方法相比较,该文提出的算法无论是在时间上还是在图像复原的质量上都是有竞争力的。

深度学习中的预条件动量梯度算法

结合“比例积分微分”优化控制器(Proportional-Integral-Derivative Controller,PID)与拟牛顿方法,提出一种加速神经网络训练的一类预条件动量梯度算法。首先,采用拟牛顿条件产生预条件因子,然后,在迭代过程中与动量方法相结合,提高算法效率的同时,克服原始动量梯度算法的超调问题,并证明了算法在目标函数强凸时的全局收敛性。最后,通过数值实验验证了算法的有效性。

基于动量梯度下降优化算法的色散均衡器设计

针对梯度下降(GD)算法收敛速度较慢的问题,提出了一种基于GD优化算法的有限脉冲响应(FIR)色散均衡器。采用动量梯度下降(MGD)算法在每次更新迭代时对梯度进行指数加权平均优化(简称CMGD算法)并进行偏差修正,利用Opti System搭建单载波相干光传输系统并与Matlab联合仿真。仿真结果表明:在学习速率为0.1、动量系数为0.98时,CMGD算法收敛值达到0.015461;在不同信噪比条件下,采用CMGD算法设计的均衡器的均衡效果优于GD-FIR和经典时域FIR的均衡器,且降低了硬件实现复杂度。

基于梯度方法的线性多延时系统参数辩识

针对一类线性多延时系统,提出一种基于梯度和最小二乘方法的参数辨识算法。该算法首先将系数矩阵和延时量的联合估计问题转化为仅关于延时量的优化问题,然后基于动量梯度法求出延时量的估计值,最后利用矩阵方程的最小二乘解得出系数矩阵的估计值,仿真结果表明,该算法有较好的辨识效果。

基于神经网络的四旋翼无人机安全性分析

为了提升无人机系统的安全性,利用前馈神经网络对四旋翼无人机进行安全性分析。首先,针对带有χ^(2)检验异常检测系统的四旋翼无人机,将无人机安全性分析问题转化为带有隐蔽约束的攻击性能优化问题。其次,基于神经网络的正向值传播和逆向梯度传播机制,提出无人机隐蔽传感器攻击的神经网络算法,并研究了闭环控制下无人机系统的安全性。最后,分别基于开环控制和闭环控制下的无人机系统对所提算法进行验证。实验结果表明,所提算法可以对开环控制和闭环控制下的无人机系统设计出满足要求的隐蔽攻击信号。

光伏并网系统二电平逆变器的故障诊断

为避免因采集多元信息带来成本的提高和因处理多元数据影响诊断系统的快速性问题,同时为进一步提高故障诊断的准确性,提出采用基于小波分解和直流分量进行充分提取三相逆变器输出电流的信息进行故障诊断的方法。首先进行小波分解提取故障特征并进行归一化处理;同时为了进一步提高定位故障功率管的精准度,再提取三相输出电流信号的直流分量值,并将以上两种信息融合;最后采用自适应动量梯度下降法的BP神经网络进行训练。仿真结果表明,该方法在避免采集和处理多元数据的同时,进一步提高了故障功率管的识别和定位,准确率达98.15%,实现了逆变器开路情况的故障诊断。

一种混沌神经网络的混沌时间序列预测

混沌是一种普遍存在的非线性动力学行为,针对混沌时间序列预测问题,提出了一种新颖的混沌对角递归神经网络模型,然后,给出了易实现的动量梯度学习算法。为了验证网络的预测性能,采用该神经网络预测模型对Mackey-Glass混沌时间序列进行了仿真。结果表明,所提出的混沌神经神经网络模型能快速、精确地预测混沌时间序列,并能在一定精度上满足多步预测需要,是研究复杂非线性动力系统辨识和控制的一种有效方法。

基于BP神经网络的医学数据分析

BP网络是一种基于误差反向传播(Back Propagation)算法的多层前向神经网络。采用动量梯度下降算法(TRAINGDM)训练BP网络,建立输入到输出的函数映射关系,使其对48例两类五种医学免疫学数据进行训练与分类。训练集数据正确检出率为100%,测试集数据正确检出率为87.5%,效果优良。结论 BP网络应用于免疫学数据分类取得很好效果,在临床免疫学人工智能诊断方面将有更为广泛的应用空间。

基于队列长度和速率的拥塞控制神经网络方法

文中研究了网络拥塞控制问题。PID控制器是实现网络拥塞控制非常有效的方法,能够实现对网络的主动队列管理。文中根据队列长度和变化速率,利用神经网络实现传统的比例微分积分器(PID)功能,从而提出了基于队列长度和速率的拥塞控制神经网络方法(RSPID)。该方法利用神经网络的加权动量梯度学习算法,自动调节控制参数,克服了传统PID控制方法由于控制器参数固定带来的适应性和稳定性问题。仿真结果表明,RSPID算法的鲁棒性和队列长度性能要优于PID算法。

基于BP神经网络的车削力试验研究

利用正交试验法选取样本在CAK3675数控车床上进行车削40Cr的车削力测量试验,得出切削速度、进给量、切削深度与主车削力之间的对应关系.借助Matlab神经网络工具箱的NNTool功能,应用动量梯度下降法训练BP神经网络,建立了主车削力预测模型并进行了仿真验证.分析了切削用量对主车削力的影响效应.

基于神经网络的钢铁企业电厂煤汽比预测模型

以钢铁企业自备电厂锅炉煤汽比为研究对象,以灰色关联度分析为基础,从理论和数据两方面分析了影响煤汽比的主要因素及各因素对煤汽比影响程度的大小.结果表明,各因素对煤汽比的影响程度为排烟温度>热风温度>给水温度>空燃比>烟气含氧量.基于BP神经网络预测方法,建立了自备电厂锅炉煤汽比预测模型,此BP神经网络为5-12-1结构,隐含层和输出层分别用tansig,purelin函数传递,利用改进动量梯度下降优化算法traingdm训练网格.预测结果表明,该模型网络训练值与实际值较吻合,相关系数R达到0.993 7,用建立的网络进行预测,预测的相关系数为0.976 2,平均误差绝对值为3.9%,在可控范围之内,证明了网络的可靠性与良好的泛化推广能力,可用来指导实际生产.

机载射频传感器主动电磁兼容方法研究

机载射频传感器系统作战能力越来越高,而各传感器电子设备高度集成且在载机的有限空间安装。由于各传感器灵敏度高,发射功率大且发射频带宽,各电子设备内部及相互间的电磁传导、辐射等电磁兼容问题需要精心设计,电磁兼容措施有效性直接关系到机载传感器系统的研制成败。文章对传感器内部电磁兼容需求及设计进行了总结,重点针对传感器间同时发射接收的自适应对消主动电磁兼容技术进行了研究,采用基于动量梯度下降算法,综合当前梯度估计和历史估计实现梯度更新,提升了收敛速度,并实现对本机宽带发射信号优于55 dBc的对消比,实现传感器间发射和接收功能的真正同时工作,该技术可支持载机边探测、边攻击、边防御、边通信的能力,对机载射频传感器系统具有非常重要的意义。