基于自适应非线性网络的压缩感知重构算法

针对传统压缩感知(CS)进行复杂的迭代运算,重构时间长且质量差等问题,结合深度学习方法,提出一种自适应非线性测量卷积神经网络(NMECNN)的压缩感知重构算法。本算法将图像整体宽高进行压缩,作为测量网络替代传统的随机测量矩阵进行图像重建,同时利用多个扩张卷积层和上采样PixelShuffle方法获取图像不同尺度细节信息。通过与其他文献进行实验对比,本算法在不同采样率下,平均峰值信噪比(PSNR)分别高于MSRNets算法1 dB,0.7 dB,0.82 dB,1.61 dB;结构相似性(SSIM)值分别高0.03,0.04,0.24,0.10个单位,重构时间在CPU上比MSRNet算法快0.1755 s,0.3998 s,0.41 s,0.396 s。最后通过大数据集与噪声实验,验证了本算法图像重构质量明显提高,重构时间大幅缩短,具有很强的抵抗噪声攻击能力。

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。

非线性系统神经自适应最优预估控制器

基于一种简化的神经网络结构及其相应的快速辨识算法,提出了控制非线性系统的自适应预估方法.它综合了自适应预估控制在控制线性系统中的良好特性和神经网络在辨识、控制非线性系统中的高精确性.大量实验表明该控制器设计简单,适应力强,鲁棒性好,能有效控制一类非线性对象.

基于非线性自适应神经网络的柴油机振动信噪分离

根据柴油机振动信号非平稳性的特性 ,应用非线性自适应神经网络的方法对柴油机振动信号进行信噪分离 .应用结果表明