非线性量化小脑模型关节控制器神经网络控制器

常规小脑模型关节控制器(CMAC)神经网络采用线性均匀量化,稳态控制精度与量化级数相关,增加量化级数可提高稳态精度但会导致内存空间和计算量的增加.本文提出一种可采用幂函数、高斯、分段3种非线性量化方法的非线性量CMAC神经网络,并分析了非线性量化CMAC的收敛性,解释了非线性量化提高稳态精度的本质.面向一阶惯性环节、二阶系统、一阶时变系统及二阶时变系统,分别跟踪方波、斜坡、正弦波、三角波和加速度等输入信号,仿真验证了非线性量化CMAC神经网络控制器的有效性,给出了不同非线性量化方法的适用性.结果表明,非线性量化CMAC参数容易设定,物理意义清晰,与常规CMAC对比,其快速性和控制精度显著提高,可以有效解决实际复杂非线性时变系统的控制.

基于非线性量化概率模型的弱小目标跟踪

针对红外弱小目标跟踪问题,提出一种基于非线性量化概率密度模型匹配的快速跟踪方法。首先分析了红外弱小目标的灰度特性和多帧运动相关特性,引入α-β滤波对红外目标进行运动相关跟踪,并预测下一帧图像中目标的质心位置,然后提出一种适合红外弱小目标的非线性量化概率密度模型,通过在预测邻域内进行模板匹配来跟踪真实目标。实验结果表明该方法用于红外弱小目标的跟踪精度和处理速度明显优于现有算法,工程意义显著。

格缩减辅助MIMO检测的非线性量化

针对格缩减辅助(LRA)多入多出(MIMO)检测中,采用格缩减技术后导致星座畸变、引起变换域信号非线性联合量化复杂度高的问题,提出了一种排序反馈的非线性量化算法.该算法同时考虑了变换星座的边界和各元素间的相关性,且根据量化误差的大小选择信号量化判决的顺序,依次量化判决信号的各元素.仿真证明,基于该算法的格缩减辅助MIMO检测性能优于无排序反馈量化和逐元素独立量化的格缩减辅助MIMO检测,且能很好地逼近最大似然检测的性能;在平坦块衰落信道下,计算复杂度为多项式复杂度.

基于单片机的非线性量化因子模糊控制器设计

在分析非线性量化因子基本原理的基础上,设计了基于单片机的非线性量化因子模糊控制器。该控制器通过键盘可实现参数调整,在系统对象或结构发生变化时具有较高的适应性。将其用于加热炉控制系统,实验表明该控制器可以提高系统的控制精度和响应时间。

非线性量化CMAC研究与应用

提出了基于非线性量化小脑模型神经网络(CMAC)算法,对CMAC的概念映射进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要。结合溶出预脱硅系统工艺优化的需求,提出了基于非线性量化CMAC的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进行循环母液投放措施优化。工业实验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,该模型已应用于某氧化铝厂工艺优化系统中动态调节循环母液投放量,节省了生产成本,取得了明显的经济效益。

合成孔径雷达原始数据非线性量化压缩频谱分析

该文针对合成孔径雷达原始数据的非线性量化压缩,采用频谱分析的方法探讨了数据压缩对雷达图像分辨力指标的影响问题。从分析结果中可以看出,雷达原始数据经过压缩以后,信号的频谱并没有损失,相当于雷达图像的分辨力并不降低;但数据压缩会引入附加噪声。该文还分析了非线性量化压缩所产生的误差的影响。

非线性量化小脑模型神经网络在溶出循环母液配比模型中的应用

采用自适应算法对小脑模型神经网络的概念映射进行设计,提出了非线性量化小脑模型神经网络算法,提高小脑模型神经网络的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要.提出了基于非线性量化小脑模型神经网络的溶出预脱硅系统时间序列预测模型,用于准确实时地预测循环母液加入量,在此基础上进行循环母液投放措施优化.试验说明了该模型在对化工软计算的预测精度和快速性上具有明显的优越性,本模型已应用于某氧化铝厂工艺优化系统中,动态调节循环母液投放量以节省原料.

基于DCS的非线性量化因子模糊控制研究与实现

为更大地发挥DCS的潜能,以浙江中控的DCS为平台,进行了非线性量化因子模糊控制算法的研究与实现。将其应用于换热器物料出口温度的控制,结果表明该方案切实可行,并且具有良好的控制效果。

非线性量化因子模糊控制器及其应用

针对被控系统的随机动态过程 ,选取系统中的误差与误差变量 ,采用二者所集成的复合函数实现对系统的最优控制。同时 ,应用此复合函数设计了包含非线性量化因子的模糊控制算法。采用此模糊控制算法的仿真结果表明 ,此种方法不仅便于实现 ,而且与传统的控制方法相比具有较好的控制效果。

基于非线性量化的模糊神经网络控制新算法

根据人类专家处理问题的一般思路，提出一种仿人非线性量化函数并把它有效地应用于模糊神经网络控制器中。仿真研究表明，它能有效地克服原有算法的缺陷，具有良好的动、静态性能。

非线性量化的模拟实现方法

基于语音信号的A律或μ律非线性量化方法,由于其先采用一个线性转换器进行量化,再用数字硬件或软件量化为A律或μ律电平。其为:用较少的二进制位代替较多二进制位的数字压缩编码。在动态范围更大的非语音信号采集中,常被误认为可以用此法来"扩展小信号的可量化范围",因前线性转换器的量化台阶决定了其最小信号分辨率,这里的问题主要在:信号的量化前后处理意义不同。要扩展小信号的量化范围,在A/D转换的位数一定情况下,为保证输入峰值不超载,应该对其输入的模拟信号进行A律或μ律折线非线性放大处理。

采用竞争神经网络和最优线性量化的图像压缩新方法

介绍了一种基于竞争神经网络和最优线性量化的预测矢量量化 (PVQ)图像压缩方案 ,并在此基础上研究了半闭环PVQ方法 ,给出了实验结果 ,最后对算法的性能进行了讨论。

整数型全数字锁相环的非线性量化效应及其对相位噪声的影响

提出并验证了一种全数字锁相环(ADPLL)的非线性相位域模型,基于此模型说明了整数型ADPLL进入非线性阶段后,相位差量化器产生的量化误差概率密度分布不再符合现有线性模型条件,线性模型的相位噪声预测公式不再准确.经Matlab与Verilog行为级仿真,验证并解释了整数型ADPLL在非线性阶段呈现的带宽扩展和带内相位噪声降低的新现象.进一步推导出了:当满足相位差量化器的量化步长与输入相位差标准偏差在同一数量级的条件时,整数型ADPLL从线性阶段进入非线性阶段.由此建立了一种简化的、便于实际设计的锁相环量化效应及相位噪声模型.设计条件的推导公式以及噪声模型的相位噪声趋势预测与Matlab仿真结果相符.

基于线性回归的建模方法——最小量化法

应用线性回归进行预测时,最困难的问题是如何建立一个符合实际的回归模型。该文叙述了此方法的基本思想,以及最小量化法处理准则;在总结回归模型的建模方法基础上,论述了最小量化法建模方法;以某案例实证了本文方法。

复合标底下建筑施工企业投标报价量化分析

通过对复合标底投标报价的分析,建立了投标报价模型,并基于一元线性回归模型,对业主的标底和竞争对手的报价进行了预测,为投标人投标报价的量化分析提供了一种方法,以减少盲目性。

非线性映象的Mann迭代的收敛性与不动点

在可度量化拓扑线性空间中,讨论一些非线性映象的不动点与Mann迭代序列的收敛性问题.在一定条件下,得到了一些新的结果,推广和发展了Khan,Ghosh及Rhoades等人的工作.

基于遗传算法的模糊控制器参数优化

针对非线性量化因子模糊控制器的参数对系统性能影响和参数间的相互制约,提出了一种基于遗传算法的参数整定与优化方法,并进行了仿真研究。仿真结果表明通过该方法寻优的系统具有更好的响应速度和控制精度;当对象结构或参数发生变化时,非线性量化因子模糊控制器可以重新整定参数,以保持良好的控制效果,具有很强的鲁棒性。

12位图像数据的压扩变换显示

利用数字通信的压扩变换原理,提出了12位图像数据到8位数据的16折线等比分区映射方法,来实现在8位显示器上显示12位图像数据的信息。推导出图像信号的线性量化和非线性量化信噪比公式,对3种不同量化方法的信噪比进行了比较。结果显示,在小于35dB处,8位非线性量化信噪比和12位线性量化信噪比一致;而大于35dB时,量化信噪比平缓稳定上升。实验表明该方法能有效改善图像的弱信号,在8位显示器上清晰地观察到低亮度图像细节。虽然对图像的高亮度部分进行了压缩,但对图像细节和信噪比影响不大。该方法不仅适用于灰度图像,而且适用于彩色图像,实验效果与理论预期完全一致。

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。

基于改进纹理粗糙度的图象检索研究

对原有纹理粗糙度算法在选取邻域尺寸和计算邻域均值差值这两方面进行了改进,并给出了改进纹理粗糙度算法。实验表明,改进纹理粗糙度具有更强的纹理分辨能力和更好的旋转不变性,基于改进纹理粗糙度的图象检索结果优于基于原有纹理粗糙度的图象检索结果。