基于边缘感知的图像复原神经网络损失函数

像素级损失是图像复原任务中最基本、最常用的损失函数。然而,像素级损失无法区分图像中的边缘部分是否模糊,对所有像素点的处理一致,这与人类视觉系统对边缘部分的感知不同。通过对图像边缘部分的分析,本研究发现当输出图像模糊时,其与真实图像对应像素的误差方向与真实图像中该像素的二阶梯度方向相同。基于此本文提出了一种基于边缘感知的结构保留损失函数(SPLoss)。本研究设计了模糊因子图来检测模糊像素,然后通过增加模糊位置像素误差的权重来惩罚模糊像素。SPLoss可以检测到输出图像中的模糊像素,并在优化网络时对其进行惩罚。对于包括图像超分辨率和图像去模糊在内的图像复原任务,本文在多个网络结构上进行了实验。实验结果表明,使用本文提出的损失函数训练的网络可以恢复拥有更好的感知质量的图像,在感知相关客观指标和视觉效果方面均超越原有像素级损失。

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.

利用AMSR-E被动微波数据反演地表温度的神经网络算法

结合对地观测卫星AQUA多传感器/多分辨率的特点,研究了利用AMSR-E被动微波数据反演地表温度的神经网络算法。MODIS地表温度(LST)产品被作为地表温度实测数据,对应的平均温度被用作对应AMSR-E像元的实际地表温度,从而克服由于AMSR-E像元尺度太大和云的影响而难以获得地表实测数据的难点。反演结果分析表明,利用神经网络能够精确地由AMSR-E数据反演地表温度。当使用5个频率10个通道反演时,反演精度最高,说明使用更多的通道能更好地消除土壤水分、粗糙度、大气和其它因素的影响。相对于MODIS温度产品,用此算法反演的平均误差约低于2K。

基于神经网络的智能下肢假肢自适应控制

下肢假肢的膝关节是一种具有高度非线性、时变、强耦合的阻尼系统,传统控制方法很难达到良好控制效果.针对这一问题,提出将神经网络(NN)应用于下肢假肢控制.以学习矢量量化(LVQ)神经网络为基础,提出神经网络模型参考自适应控制方法.该方法通过选择适当的参考模型和自适应算法,利用参考模型输出与实际系统输出之间的误差信号,由自适应算法计算当前的控制量以控制智能下肢假肢,达到自适应控制的目的.该方法不需要进行性能指标的变换,容易实现且自适应速度快,仿真结果表明了该方法的有效性.

基于混合结构神经网络的自适应背景模型

本文提出一种基于神经网络的视频中运动目标检测自适应背景模型.对每个像素点(或局部区域)建立一个混合结构的神经网络背景模型,模型由一个4层前馈神经网络组成,输入层接受像素HSV特征,特征层实现特征提取功能,模式层以概率神经网络的方式完成像素属于背景概率的计算,输出层以赢者取胜的方式完成前景背景分类和模式层激活节点选择功能.网络的权值和结构随着视频中运动检测过程动态更新,无需独立的训练视频.网络的自适应性表现在网络的学习速率根据相邻帧运动差异自适应计算得到,且网络中的模式节点个数根据权重的变化动态增加或删除.实验结果表明,本文提出的方法在无需手工设置学习速率的情况下,运动区域检测准确率优于其他几种常见的运动检测背景模型,对背景或灯光的突然变化适应速度很快.

时变时滞随机非线性系统的自适应神经网络跟踪控制

针对一类具有时变时滞的不确定随机非线性严格反馈系统的自适应跟踪问题,利用Razumikhin引理和backstepping方法,提出一种新的自适应神经网络跟踪控制器.该控制器可保证闭环系统的所有误差变量皆四阶矩半全局一致最终有界,并且跟踪误差可以稳定在原点附近的邻域内.仿真例子表明所提出控制方案的有效性.

基于神经网络的导体柱单站微波成像

提出基于神经网络对导体柱目标实现单站微波成像的方法。通过时域有限差分方法获得横磁波(TM)模式下一系列不同形状导体柱目标的散射场,组成神经网络训练样本。再通过组合运用整数微分进化策略和误差反向传播(BP)算法形成混合自学习策略,克服传统BP神经网络收敛速度慢等不足,提高系统自学习能力。最终基于所得神经网络获得二维导体柱微波成像结果。

一种基于改进的BP神经网络的入侵检测方法

传统的基于神经网络的入侵检测系统学习量大,导致检测系统训练时间过长,检测实时性差且效果不好,还增加了系统资源的消耗。为提高学习速度和改善检测效果,文章提出了一种基于改进的BP神经网络的入侵检测方法,该方法对传统的BP神经网络进行分割的学习和训练。实验结果表明,该算法提高了入侵检测的速度和降低了系统资源的消耗、同时也减小了学习中的出错几率。

具有输入时滞的随机非线性系统的自适应神经网络控制

考虑一类具有输入时滞的随机非线性系统的自适应神经网络控制问题。通过定义含输入积分项的设计变量,将输入时滞系统转变为非时滞系统。结合神经网络控制、积分中值定理与Decoupled Backstepping技巧,针对该类系统提出一套自适应控制策略。所提出的控制器保证闭环系统的所有信号皆4阶矩半全局一致最终有界,并且跟踪误差收敛于原点附近的小邻域内。仿真实验结果验证了所提出控制策略的有效性。

均场退火神经网络算法实现多用户检测

最优多用户检测的实质是求解一个组合优化问题,本文给出了基于均场退火算法的多用户检测器,并进行了仿真比较.仿真结果表明其对系统性能改进显著,便于硬件实现.

自组织神经网络实现基于内容的图片识别

本文总结了一种实现基于内容的图片识别(CB IR)的方法,这种识别方法可以基于图片本身的内容进行图片的查找。为了实现图片的聚类及相关图片的查找,本文采用了Kohonen自组织神经网络。

基于SOFM神经网络的多目标跟踪方法

针对现代作战中同一空域内目标数据的空中态势易呈现团状、聚类跟踪困难程度不断加大等特点,应用具有良好聚类特性的自组织特征映射神经网络(SOFM),通过对各传感器测量的数据融合,进行动态聚类,实现对多目标的实时精确跟踪.仿真试验证明,改进SOFM网络模型对多目标的跟踪较之传统SOFM网络模型具有更好性能.

神经网络控制器的海上验证

本文针对船舶航向保持问题，借助于仿真系统设计了一种神经网络控制器，介绍了模型神经网络NNM的训练、控制器神经网络NNC的训练、闭环控制结构和海上试验结果。认为，本文开发的神经网络控制器在实际呼用上是可行的，其应用简单，鲁棒性强，在不同的海况下，其航向保持性能良好，控制动作平滑且控制量较小，在长期持续控制中的性能稳定可靠，是一种优良实用的船舶航向控制器。

基于神经网络的撞球机器人控制器设计

对撞球机器人的母球控制问题展开研究,设计了一种基于神经网络(NN)的控制器,使机器人能够控制母球在击打目标球后按照预定的模式运动至目标点——即完成走位。针对该问题非线性且非光滑的特点,对坐标系进行阐述并给出机器人击球的模型;在光滑的假设下使用理论分析的方法建立母球的运动学模型与边库反弹的理想镜像模型;进而使用神经网络方法对理想模型进行修正,并对不同的轨迹模式进行分析与分类。测试结果表明:经过训练的机器人能够掌握各种模式的走位,统计结果与模型分析结果相吻合;相比于单一使用神经网络方法,本文使用理论分析与神经网络相结合的方法能够有效地提升网络的品质,降低训练的误差。

基于RBF神经网络的距离保护

提出了一种利用径向基函数网络(RBFN)来实现神经网络式距离保护的方法,并应用于电力系统的距离保护,以故障类型判断子网络为例对网络进行训练和检验。结果表明,RBFN神经网络式距离保护具有很好的模式识别能力,而且训练时间大大减少,满足继电保护的要求。

遗传BP网络转速辨识器的设计及在DTC中的应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解。将遗传算法和BP算法结合,采用混合编码的遗传算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;这种将遗传算法与BP算法相结合的GA+BP算法,实现了遗传算法的全局搜索能力与BP算法的局部寻优性能的互补结合。将所设计的神经网络转速辨识器运用到直接转矩控制系统当中,利用MATLAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果。

用MODIS数据反演近地表空气温度的RM-NN算法

基于辐射传输模型(RM)和动态学习神经网络(NN),成功进行了用MODIS数据反演近地表空气温度的研究,并给出了完成这种反演的RM-NN算法。该算法用RM来模拟不同地面辐射状况下(包括不同的地表温度、近地表空气温度、发射率和大气水汽含量)卫星高度获得的辐射强度数据集,用动态学习神经网络来进行反演计算。反演分析结果表明,近地表空气温度不能直接精确地用MODIS数据反演计算得到,如果能把地表温度和发射率以及大气水汽含量作为先验知识,则能够比较精确地反演近地表空气温度。模拟分析表明,平均误差和标准偏差分别大约是0.8K和0.9K,如果考虑地表温度和发射率的误差,平均误差和标准偏差分别为1.5K和1.8K。反演结果和地面气象站点数据比较表明,合理地利用先验知识使得RM-NN算法能够用MODIS数据比较精确地反演近地表空气温度。

双馈风电机组的自适应神经网络保性能虚拟同步机控制

近年来,可再生能源的电网渗透率逐年提升,电网对可再生能源参与一次、二次调频的需求也愈加紧迫,虚拟同步机技术(VSG)应运而生. VSG能够赋予新能源机组主动参与电网调频的能力,然而当VSG应用于双馈感应风力发电机(DFIG)时,存在动态过程中转子电流超出转子侧变流器(RSC)容量的风险.本文提出一种应用于DFIG的保性能虚拟同步控制器,通过使用误差映射函数将输出受限的系统转化为等价的不受限系统,并使用李亚普诺夫方法设计保性能控制器,保证转子电流在调频、故障穿越等强动态过程中不超过任意人为设定的限制;此外,利用神经网络自适应策略,对发电机组中的不确定动态特性进行补偿,从而获得理想的控制效果.最后,本文通过大量仿真验证了所提控制策略在调频能力、转子电流控制和应对参数偏差等方面的控制性能.

基于神经网络的业务量预测研究

分别采用back-propagation(BP)算法和Favidon最小二乘学习算法训练神经网络(NN),并用于复杂业务流量预测。以自相似流量模型验证了2种NN学习算法的有效性,并分析比较了他们在流量预测中的可行性,得出Davidon最小二乘学习算法训练的NN比BP算法收敛速度快、收敛误差相差不多,验证了复杂自相似业务流的可预测性,为复杂自相似网络业务流预测的研究提供了一种有效途径。

基于神经网络和差分搜索的高光谱图像非线性解混

针对基于双线性混合模型(BMM)的高光谱图像梯度解混算法的局限性,提出一种基于神经网络(NN)和差分搜索算法(DSA)的非线性高光谱图像解混算法。在考虑p阶多项式模型的基础上,利用NN估计出实际高光谱图像的非线性阶数。构造解混的目标函数,将非线性解混问题转化为最优化问题。引入DSA对目标函数进行优化,将解混过程中的待求参数映射为差分搜索过程中的位置参数,同时在搜索过程中引入丰度非负和全加性约束映射机制满足解混要求。仿真数据和实际高光谱数据实验结果表明,本文算法有效地克服了基于BMM的梯度解混算法的不足,可有效实现高光谱图像的非线性解混。当NN采用2 000个样本训练,解混真实高光谱数据得到相应的重构误差(RE)达到1.15×10-2,具有良好解混效果。