投影寻踪网络用于光纤陀螺噪声消除的研究(英文)

提出采用投影寻踪网络逼近Volterra滤波器的方法以实现光纤陀螺输出信号非线性噪声消除.投影寻踪网络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,具有简捷的网络结构和较强的鲁棒性,克服了Volterra滤波器随着阶数增加,滤波系数的数量呈几何级数增长,实现困难的问题.仿真结果表明PPLN网络滤波器比Volterra滤波器具有更好的消噪效果.

基于小波域投影寻踪网络的多源退化图像的恢复

针对多源退化图像的恢复问题,提出小波域投影寻踪网络,并用于图像恢复。这种新方法结合了投影寻踪理论和小波收缩技术的优点,通过分别处理小波系数和尺度系数,较好地解决了对于多源退化因子的先验知识知之甚少情况下图像恢复这一难题。采用投影寻踪网络对模糊源进行模拟,估计退化因子;同时,用小波收缩技术中的软阈值方法来对噪声源进行抑噪处理。实验的结果与传统的逆滤波方法及投影寻踪网络方法相应的结果比较,说明这种新方法是一种有效的多源退化图像的恢复方法。

投影寻踪学习网络分类及其应用

研究了用于分类的投影寻踪学习网络，给出了投影寻踪网络的学习机理，证明了基于Ｌｅｇｅｎｄｒｅ 多项式投影寻踪学习的收敛性，并用投影寻踪学习网络较完满地解决了６４ 维三类目标的分类问题及冰雹云数据的分类问题。

投影寻踪学习网络的非对称损失改进

本文针对投影寻踪学习网络信用评分存在第I类错误率高的问题,提出了基于非对称损失下投影寻踪学习网络方法的改进,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。实验表明,本算法对解决投影寻踪学习网络信用评分的问题是有效的。

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。

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 。

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．

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.

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。

投影寻踪模型的改进及其在城市水资源承载能力预测中的应用

在城市水资源承载能力研究中,偏最小二乘回归方法能有效地处理自变量间多重线性相关性问题,但不能较好地处理因变量与自变量间复杂的非线性问题.投影寻踪神经网络耦合模型是处理非线性问题的有力工具,而且神经网络投影寻踪耦合模型稳健性高,但不能较好地处理自变量间多重线性相关性问题.本文把这两种方法结合在一起,建立了基于偏最小二乘回归的神经网络投影寻踪耦合模型,对城市水资源承载能力进行了预测,并取得了满意效果.

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。