弹性反向传播神经网络在冠心病发病率预报中的应用

目的探讨弹性反向传播(BP)神经网络在时间序列资料分析中的应用,建立冠心病发病率的预测模型。方法利用青海海西州地区2003～2009年登记的冠心病发病率时间序列资料,以双曲正切S型函数为传输函数、隐层节点为4与11的三层BP神经网络,建立两种冠心病发病率的非线性时间序列预测模型。结果建立的ANN2预测模型简单易行,预测值平均相对误差为0.005 547,预测精度高。结论 BP人工神经网络可以用于冠心病发病率的预测。

基于S变换和弹性神经网络的电能质量扰动分类

提出了基于S变换和弹性BP神经网络结构(RPROP)的电能质量扰动自动分类方法。通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动信号时频特征量的输出,并确定特征量的最优组合来增加弹性BP神经网络分类的精度。同时研究了在不同噪声条件下弹性BP神经网络分类的敏感度。测试结果显示,该方法能有效地对电能质量扰动信号进行分类。

基于DSP的三自由度肌电假手实时控制方法

利用安置在拇长屈肌,指深屈肌和指伸肌上的3个电极所测得的肌电信号,采用所提出的新的模式分类器,可以实现基于DSP的三自由度假手手指运动的实时控制。该分类器采用自回归(AR)参数模型和样本熵的方法构造特征矢量,经过由弹性反向传播(RP)算法构建的3层前馈神经网络的分类,能够成功地分辨出拇指、食指和中指的弯曲与伸展运动,平均识别率可以达到91%以上。实验结果表明,该分类器具有很高的辨识能力,同时由于其较小的计算量,也为嵌入式的多自由度肌电假手控制提供了一种新的控制方法。

一种小波特征与深度神经网络结合的信号制式识别算法

针对当前通信信号的制式识别算法在低信噪比情况下识别不准确的问题,提出一种新的小波特征与改进的深度神经网络结合(WL-DNN)的识别算法。该算法将生成的10种{2ASK、4ASK、2PSK、4PSK、2FSK、4FSK、OFDM、16QAM、AM、FM}含有高斯白噪声的通信信号,用小波分解重构算法提取出一类新的小波特征参数。本文测试了含有多层隐含层的改进BP神经网络作为分类器,利用弹性反向传播算法训练神经网络的参数,确定神经网络的最优超参数。仿真结果表明:在信噪比低至0 dB的情况下,单个调制信号最低识别率超过95%,平均识别率超过98%,大幅提高了制式识别在低信噪比下的识别率,由此表明了该算法的有效性和正确性。

基于GPSO-RP神经网络的天线快速设计

在天线设计过程中,通常需要耗费巨大的计算资源和时间成本,使用神经网络对天线进行建模可以大幅度提高设计效率。基于反向传播算法训练的神经网络有着容易陷入局部极小的问题。对此,本文提出一种梯度粒子群(GPSO)的混合算法对神经网结构参数进行初期优化,再用弹性反向传播算法(RP)进行细致的训练,并基于该方法对一个具有多个优化目标的E形宽带天线进行了建模和快速设计。仿真结果表明,所提出的方法相对于用单一的RP算法和PSO-RP算法训练的神经网络有更好的收敛性误差和泛化能力,对天线的高效精准设计具有一定价值。