智能检测仪器非线性误差神经网络校正研究

本文描述了一种智能检测仪器非线性误差的神经网络校正方法 ,阐述了校正原理 ,提出了一种 CMAC神经网络的改进算法 ,最后 ,给出了一个应用实例 ,其结果表明 ,经过神经网络非线性校正后 ,检测仪器的非线性误差减小十倍以上。

神经网络校正的EKF在高超声速目标跟踪中的应用

针对临近空间高超声速目标高度非线性、强耦合、高机动、时变参数、和独特气动特性等特点,综合运用军事运筹学理论与方法、系统建模技术、神经网络技术以及计算机仿真等,提出基于神经网络校正的扩展卡尔曼滤波(EKF)算法,并在高超声速目标跟踪中进行了应用研究。采取神经网络的学习能力来克服卡尔曼滤波发散问题,通过卡尔曼滤波后加一级误差处理环节使滤波收敛。仿真结果表明:该算法在目标发生较大机动时仍能保持较高的跟踪精度。

对称NARMA-U模型及其神经网络自校正控制器

带预测误差补偿的改进NARMA-L2模型是由NARMA模型在自适应滤波动态工作点处一阶泰勒展开逼近得出的,在自适应滤波动态工作点处二阶泰勒展开逼近可得到对称NARMA-U模型,采用BP神经网络辨识对称NARMA-U模型参数,提出一广义目标函数,基于对称NARMA-U模型的非线性系统的神经网络自校正控制器,应用直接极小化指标函数自适应优化算法对BP神经网络连接权重值进行在线学习。仿真研究表明算法的响应优良。

基于BP神经网络的矿井提升机自校正容错PID控制

针对矿井提升机系统故障时动态性能难以用传统的解析方法获得的问题,提出了一种基于BP神经网络的矿井提升机自校正容错PID控制方法。该方法通过BP神经网络在线学习跟踪提升机系统的动态特性来预测系统输出值,并应用自适应控制中的自校正PID构建容错控制器,实现提升机系统故障下的稳定容错控制。仿真结果表明,该方法在提升机系统故障情况下能迅速跟踪系统故障状态,在线调整PID参数,快速恢复系统性能。

无刷直流电机神经网络自校正控制研究

针对无刷直流电机的非线性、强耦合、变参数等特点,利用多层神经网络对非线性函数的任意精度拟合性,提出了基于BP神经网络的无刷直流电机神经网络自校正控制。神经网络自校正控制不需要被控对象的准确数学模型,并可以通过在线学习来适应系统工作环境和系统本身参数的变化,给出了控制系统软硬件的具体实现方案。仿真和实验结果表明,神经网络自校正控制的速度跟随性、动态响应过程较之PI控制更好,具有很好的控制效果。

基于快速BP算法的非线性系统神经网络自校正控制器

提出了对于一大类未知、不确定、时变单输入单输出离散非线性系统 ,利用三层BP网络 ,采用快速BP算法构成学习和自校正控制的方案。针对同一被控对象 ,设计了PID控制器 。

基于PM扩散的红外焦平面阵列神经网络非均匀校正算法

该文针对红外图像中含有非均匀性噪声和高斯噪声的退化模型,提出了一种基于各向异性(Perona Malik,PM)扩散的神经网络非均匀校正(PM-NN-NUC)算法。建立了关于非均匀校正的极小化模型。通过对新模型的最陡下降方程和偏微分方程的推导,可以看出PM-NN-NUC算法利用了神经网络校正和PM扩散在滤波过程中的相似性,不仅直接用于产生神经网络校正的期望值,还作用于计算迭代步长,而校正系数又反作用于PM的扩散过程,更好地将PM扩散和神经网络校正统一地结合在一起。通过对实际含噪红外图像进行实验,证明新模型可抑制非均匀噪声,并防止图像产生退化。

基于人工神经网络的高分五号高光谱影像悬浮泥沙浓度反演方法

悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力,设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题,采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果,研究了4种基线经验模型,并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用,包括基线模型校正和时间校正。在这两种应用中,结果均表明,经校正的D′Sa模型具有最高的准确性。通过使用基线模型校正,均方根误差从0.1495 g/L降低至0.1436 g/L,平均绝对百分比误差从0.7821降低至0.7580,决定系数从0.6805升高至0.6926。实施时间校正后,平均绝对百分比误差从0.8657降低至0.7817,决定系数从0.6688升高至0.7155。最后,基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法,以最大程度地减少基线模型的固有误差,并且保证了反演精度。

BP神经网络PID控制在空调系统中的应用

针对空调房间这样一个多干扰、大惯性、高度非线性系统控制性能优化较困难,传统的控制策略不但在控制精度、灵敏度以及系统稳定性上存在缺馅,而且能耗大。为了提高空调制冷和供暖效果,提出一种新的基于BP神经网络的PID控制方案,通过BP算法修正BP网络自身权系数,实现了PID控制器参数的在线调整。仿真结果显示BP神经网络PID控制系统比单纯的BP神经网络或PID控制系统建模时间短,系统更稳定,超调量更小,更适合应用于复杂的空调系统控制中。

红外焦平面阵列非均匀性自适应校正算法中目标退化与伪像的消除方法

深入分析了红外焦平面阵列(IRFPA)非均匀性的神经网络校正法出现目标退化和伪像的成因,指出没有考虑目标边缘而盲目更新系数是产生问题的根源.在此基础上提出了防止目标退化和伪像的边缘指导的神经网络自适应校正方法(ED-NN-NUC).仿真实验以及针对实际红外图像的实验结果表明,所指出的问题根源是正确的,提出的方法是合理有效的.

基于梅尔频谱分离和LSCNet的声学场景分类方法

针对现有频谱分离方法进行声学场景分类研究时其分类准确率不高的问题,提出了一种基于梅尔频谱分离和长距离自校正卷积神经网络(long-distance self-calibration convolutional neural network,LSCNet)的声学场景分类方法。首先,介绍了频谱的谐波打击源分离原理,提出了一种梅尔频谱分离算法,将梅尔频谱分离出谐波分量、打击源分量和残差分量;然后,结合自校正神经网络和残差增强机制,提出了一种长距离自校正卷积神经网络;该模型采用频域自校正算法以及长距离增强机制来保留特征图原始信息,通过残差增强机制和通道注意力增强机制加强了深层特征与浅层特征间的关联度,且结合多尺度特征融合模块,以进一步提取模型训练中输出层的有效信息,从而提高模型的分类准确率;最后,基于Urbansound8K和ESC-50数据集开展了声学场景分类实验。实验结果表明:梅尔频谱的残差分量能够针对性地减少背景噪音的影响,从而具有更好的分类性能,且LSCNet实现了对特征图中频域信息的关注,其最佳分类准确率分别达到90.1%和88%,验证了该方法的有效性。