基于投影寻踪子波学习网络的图像无监督恢复

针对现有模糊图像的复原方法 ,提出了一类新型人工神经网络——投影寻踪子波学习网络 ,并将其用来处理图像的去模糊问题。这类新型网络具有投影寻踪学习网络优点 ,在先验条件知道甚少的情况下 ,不用求点扩展函数 ,直接通过网络的学习 ,提取参数 ,以达到自适应剔除图像的模糊信息 ,恢复原图像 ;且具有小波函数的时域局部性 ,可以对多种噪声源的模糊图像进行恢复。模拟结果表明 。

基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计(英文)

环境温度变化造成的复杂漂移(温度漂移)始终是制约光纤陀螺(FOG)性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列。在这一领域首次采用投影寻踪学习网络(PPLN)方法设计FOG温度漂移在线估计器。相对于传统的神经网络技术,PPLN采用批量学习和参数交替优化的训练算法,可以自适应确定神经网络的规模、参数和神经元函数,不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力,还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证,并采用传统反向传播神经网络(BPNN)的方法进行比较,计算分析结果表明,PPLN漂移估计器具有更好的估计精度和鲁棒性,尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。

投影寻踪学习网络的遥感影像分类

采用投影寻踪(projection pursuit,PP)学习网络方法建立了一种新的遥感影像分类模型。该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能。利用苏州市TM影像进行了分类实验,将分类结果与BP神经网络和最大似然法的分类结果相比较,投影寻踪学习网络的分类精度较高,具有一定的实用性。

非线性时间序列的投影寻踪学习网络逼近

本文研究非线性自回归模型投影寻踪学习网络逼近的收敛性，证明了在Ｌｋ，（ｋ为正整数）空间上，投影寻踪学习网络可以以任意精度逼近非线性自回归模型，给出基于投影寻踪学习网络的非线性时间序列模型建模和预报的计算方法和应用实例，对太阳黑子数据、山猫数据及西安数据进行了拟合和预报，将其结果与改进的ＢＰ网和门限自回归模型相应的结果进行比较，结果表明基于投影寻踪学习网络的非线性时间序列的建模和预报方法是一类行之有效的方法．

投影寻踪学习网络及其在控制系统中的应用展望

介绍了投影寻踪学习网络（ＰＰＬＮ）的结构原理，给出了其基本学习算法．讨论了ＰＰＬＮ算法结构改进及优缺点，分析了它对多变量控制系统建模、软测量及控制器设计问题的适用性，并展望了ＰＰＬＮ良好的应用前景．

多维非线性自回归模型的投影寻踪学习网络逼近

本文研究基于投影寻踪学习网络的多维非线性自回归模型逼近的收敛性,证明了在 Lk（k为正整数）空间上,投影寻踪学习网络可以以任意精度逼近多维非线性自回归模型,并给出应用实例.

基于投影寻踪学习网络的盲水印方法

给出了基于投影寻踪学习网络的数字图像盲水印嵌入和提取的方法.通过实验比较了相同隐节点下使用投影寻踪学习网络、BP神经网络和RBF神经网络进行训练嵌入水印的效果,结果表明使用投影寻踪学习网络实现水印技术具有有更强的实用性.

基于投影寻踪学习的大型船舶运动极短期预报

本文结合投影寻踪和神经网络的优点 ,建立了应用于大型船舶运动的极短期预报的多维投影寻踪学习网络(PPLN)结构及算法 ,并将该算法所取得的预报结果与自回归预报法和周期图预报法的结果进行比较 ,预报结果说明了该算法的可行性。

多维非线性时间序列的投影寻踪学习逼近

建立了多维非线性时间序列投影寻踪学习网络结构及算法，证明了投影寻踪学习网络可以以任意精度逼近多维非线性时间序列，解决了基于投影寻踪学习的多维非线性时间序列的建模和预测问题，实际应用例子表明该算法可行。

基于投影寻踪学习网络算法的植物群落高分遥感分类研究

传统的植物群落调查方法主要是野外样地调查和抽样统计,其对于地形复杂的区域难以做到对数据的全面调查;将遥感技术应用于植物群落调查,可实现数据的全面获取,以及对植物群落的快速分类。在深圳市植物群落野外样地调查的基础上,本文应用高分辨率Pléiades影像,结合光谱、地形及纹理信息,采用投影寻踪学习网络的方法,实现了深圳市东部地区植物分类。在实验中,选取人工林和次生林中典型群落样本,将投影寻踪与学习网络算法结合应用于植被分类,通过分类结果与经典监督分类方法比较表明,该算法应用于植物群落分类是可行的;并且该算法分类精度高,更新速度快,能满足深圳市重点项目基本生态控制线专项调查的要求。

基于机器学习方法的我国天然气进口预测

在“双碳”政策引导下,大力使用低碳、清洁的天然气资源是我国能源转型的重要举措,我国天然气供应主要依赖进口,准确预测天然气进口趋势对实现“双碳”目标具有重大意义。本文采用曲线投影寻踪动态聚类模型从经济发展、人口、天然气行业和能源消费4个方面确定天然气进口影响因素评价指标体系,分别构建多变量灰色GM(1,N)模型、支持向量机回归(SVR)、卷积神经网络(CNN)3种机器学习模型并对2006~2020年我国天然气进口数据进行拟合,对比拟合精度选取最优模型进行预测,以降低预测风险。研究结果表明:(1)曲线投影寻踪动态聚类模型不受指标数量和样本容量限制,按照影响因素的重要程度进行排序构建了天然气进口预测评价指标体系,剔除人为任意性因素的影响,实现预测指标体系的客观性;(2)CNN模型对天然气进口量的时间序列预测具有较高的预测精度;(3)2021~2026年我国天然气进口量呈上升趋势,增速下降,2026年天然气进口量突破2000亿立方米,预测结果与当前国内外能源政策导向吻合,最后针对预测结果提出相关建议。研究结论科学、可靠,可为我国天然气进口及风险管理提供一定的科学依据。

光纤陀螺温度漂移模型的PPLN辨识

环境温度变化造成的较大温度漂移始终是制约光纤陀螺(FOG)性能提高的重要因素.FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列,为此采用投影寻踪学习网络(PPLN)方法建立新的FOG温度漂移模型.该方法结合了统计学中投影寻踪算法节点函数灵活的非参数估计特点和人工神经网络的自学习功能,具有简捷的网络结构和良好的鲁棒性能,对未知模型辨识能力较强.将该方法应用于某型FOG温漂模型实测数据的辨识中,经验证表明其具有良好的预测效果.

基于PPLN的时序数据组合预测模型

针对观测数据时间序列,综合组合预测与投影寻踪学习网络的优点,提出一种新的预测模型。即采用静态预测法提取多组趋势项部分,自回归模型提取周期项部分,将它们都作为投影寻踪学习网络的输入部分,然后利用PPLN具有逼近复杂非线性函数的能力,通过网络学习与训练解决传统方法定权困难的问题。沉降预测的实验结果表明,与传统的曲线拟合法、变权重组合预测法相比较,该预测模型精度更高、具有实用性。

Linex损失下两种信用评分模型的比较

研究和比较了两种信用评分的学习方法,一个是Linex损失的投影寻踪学习网络,一个是Linex损失的BP神经网络。分别分析两种算法的优缺点,并给出了UCI机器学习数据库中德国信用评分数据集上的测试结果,实验结果表明,Linex损失下投影寻踪学习网络优于BP神经网络。