特征识别—反馈型神经网络设计

构造一个Elman反馈神经网络来进行模式识别,给出了所构造的Elman反馈神经网络的结构,它相对于BP网络的优势在于它能在有限时间内以任意精度逼近任意函数,在错误概率最小的条件下,使识别的结果尽量与客观事物相符。对二者的识别错误率进行比较,结果表明,反馈神经网络在模式识别的稳定性及真实性上有着BP网络所无法比拟的优势。对如何提高反馈神经网络的辨识精度做了一些探讨。

一种简化的BP神经网络图像插值算法

为进一步提高图像插值质量,丰富非线性图像插值算法研究,提出一种简化的神经网络插值算法。利用前向反馈神经网络(BP-NN)构造最佳的图像插值模型,通过2组实验确定该模型的BP网络最佳拓扑结构、最佳采样模型和采样点数量,并定量描述每组模型的耗时。实验结果表明,对512×512像素图像采用BP-NN训练点数量为50 000、拓扑结构为8-16-1的参数插值时,该算法平均插值时间约为0.7 s,且其峰值信噪比比线性均值方法平均高1 dB^2 dB,能够得到更佳的视觉感受。

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。

基于BP神经网络的浙江省公路运输量的预测

本文在对浙江省公路运输量时序分析的基础上利用BP神经网络进行预测 ,得到了精确度很高的预测结果 ,改变了过去一直使用灰色预测、回归预测、指数平滑法等方法的局面 ,为浙江省公路运输量的预测提供了新方法。

包交换网络中运用神经网络优化路径技术

互联网络中寻找最优路由是最广泛研究的一个课题,如何找到两个节点之间的最优路径却一直是包交换互联网络中的一个难题。本文提出了一种基于神经网络技术寻找最优路径的方法,通过调整神经元权值解决寻找最优路径问题,经过反向传播算法求解最优路径。通过运用本文算法测试表明,本文提出的算法计算简单,收敛速度快,适合在以包交换作为路由算法获得最优路径的研究中使用。可以尽管目前已经建立了最短路径算法,技术人员仍然在不断研究其他更优的路径选择方法,神经网络技术正是其中可选方法之一。

非匹配不确定交叉严反馈超混沌系统神经网络反演同步

针对一类具有非匹配不确定性的交叉严反馈超混沌系统,提出一种基于多层前向神经网络的反演自适应同步设计方法.利用神经网络估计系统中的不确定性,运用滑模控制和交叉自适应反演控制处理系统中的非匹配不确定性及神经网络的逼近误差,当虚拟控制项系数不过零时可保证系统的同步误差趋向于零,过零时可保证同步误差有界.数值仿真证明了提出的控制方案的有效性.