基于脉冲序列标识的深度脉冲神经网络时空反向传播算法

尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。

基于人工神经网络的UWB坐标误差一步改正模型

针对超宽带(UWB)定位存在的坐标误差难以利用常规手段进行改正的问题,本文提出了基于广义回归神经网络(GRNN)和反向传播神经网络(BPNN)的UWB坐标误差一步改正模型。改正模型以UWB原始定位坐标、与不同基站间距离为输入,以UWB相对高精度参考值误差为输出,分别以GNSS RTK点位坐标为动态试验参考值、全站仪点位坐标为静态试验参考值,对改正模型进行训练。将改正模型分别用于改正非建模样本点的UWB坐标,然后对改正前后的精度及不同改正模型的精度进行了比较分析。结果表明:利用人工神经网络直接建立UWB坐标一步改正模型的方法是可行的,该方法无须再次利用改正后的测距值解算坐标,更加简便、快捷;两种模型总体均能有效改善UWB的动态、静态定位坐标精度;且基于GRNN的改正模型相比基于BPNN的改正模型可以更有效地改善UWB坐标误差,改正后的UWB动态定位平面坐标精度可达厘米级,静态定位平面坐标精度高达毫米级。

基于贝叶斯神经网络的船用惯导定位修正方法

船用惯性导航系统(inertial navigation system, INS)通常采用与全球卫星导航系统(global navigation satellite system, GNSS)组合导航的方式提高其长时间工作的定位精度。当GNSS失效时,其定位误差将随时间迅速发散。针对这一问题,设计了采用反向传播神经网络(back propagate neural network, BPNN)、根据INS原始输出数据拟合修正经纬度的定位修正方案,提出了基于Bayesian算法更新网络权重系数的方法,结合理论分析和试验研究确定了神经元个数与训练数据集的分配方案。实船试验结果表明,当GNSS失效时,在后续2 h,通过24 h历史数据训练得到的神经网络修正INS位置,相比INS独立工作时的定位误差,修正后误差均值下降了63%,误差最大值下降约50%,最小值下降至0。

遗传算法误差反向传播人工神经网络预测阿立哌唑血药浓度

目的构建基于遗传算法误差反向传播(GA-BP)人工神经网络的阿立哌唑(APZ)及其代谢产物脱氢阿立哌唑(DAPZ)血药浓度预测模型,为需要调整APZ使用剂量或不能进行APZ血药浓度监测的患者提供浓度预测模型。方法回顾性收集在2021年7月—2022年8月新疆维吾尔自治区人民医院就诊且规律服用APZ的174例患者的血药浓度资料,提取相关变量,采用Matlab R2018a编程软件,结合深度学习网络构建GA-BP人工神经网络预测模型,预测APZ+DAPZ血药浓度。结果GA-BP人工神经网络预测模型验证结果显示,35例验证组样本的预测结果与实测结果相比,平均预测误差为-0.0926,平均绝对误差为0.6895,35个预测误差均小于15%,小于15%的概率为100%,血药浓度的预测值与实测值之间的相关系数为0.997,预测结果较理想。结论GA-BP人工神经网络预测模型预测APZ+DAPZ血药浓度,可用于APZ的个体化给药。

跨脉冲传播的深度脉冲神经网络训练方法

基于反向传播的脉冲神经网络(SNNs)的训练方法仍面临着诸多问题与挑战,包括脉冲发放过程不可微分、脉冲神经元具有复杂的时空动力过程等。此外,SNNs反向传播训练方法往往没有考虑误差信号在相邻脉冲间的关系,大大降低了网络模型的准确性。为此,提出一种跨脉冲误差传播的深度脉冲神经网络训练方法(cross-spike error backpropagation,CSBP),将神经元的误差反向传播分成脉冲发放时间随突触后膜电位变化关系和相邻脉冲发放时刻点间的依赖关系两种依赖关系。其中,通过前者解决了脉冲不可微分的问题,通过后者明确了脉冲间的依赖关系,使得误差信号能跨脉冲传播,提升了生物合理性。此外,并对早期脉冲残差网络架构存在的模型表示能力不足问题进行研究,通过修改脉冲残余块的结构顺序,进一步提高了网络性能。实验结果表明,所提方法比基于脉冲时间的最优训练算法有着明显的提升,相同架构下,在CIFAR10数据集上提升2.98%,在DVS-CIFAR10数据集上提升2.26%。

人工神经网络在果蔬干燥领域应用进展

果蔬干燥是农产品加工中的重要环节,构建精确的干燥动力学模型成为干燥领域的重点方向。综述人工神经网络在果蔬干燥过程中的应用现状、分析存在的问题和做出展望。针对神经网络在干燥过程中的各种场景分类为四个部分:含水率预测、品质检测、工艺优化和控制系统方面,总结各部分的应用类型及发展创新;再对比传统干燥模型和人工神经网络模型;最后介绍混合神经网络的应用场景。发现人工神经网络比传统干燥模型更精确,且混合神经网络结合专家系统、模糊逻辑等理论能够提供准确的预测,作为一种新颖高效的建模技术,可以广泛应用于果蔬加工的优化、控制、自动化等领域。其中应用最广泛的就是与遗传算法结合的GA-BP神经网络,BP负责预测、GA负责寻优,在这样的算法中不仅可以精确预测结果还可以优化工艺。这样的模型更适合果蔬干燥且在未来有更广阔的发展空间,以期这些探讨和分析对果蔬干燥领域具有参考意义。

人工神经网络在电力营销系统中的应用与实现

在电力行业信息化发展背景下,收集与存储大量电力数据,可为电力企业营销决策制定提供依据。该文提出采用人工神经网络构建电力营销系统BP神经网络模型,通过智能决策树分类算法预处理模型数据,得到最优化的模型数据,并改进神经网络隐含层节点数目算法,结合应用分时段预测方法及共轭梯度算法分别进行网络训练及网络结构优化,为网络收敛速度加快提供保障,得出相对准确的电力营销年度电量预测结论,说明电力营销系统中人工神经网络具有较高的应用价值。

基于热传导和卷积神经网络的磨床主轴热误差预测

热变形是影响磨床加工精度的主要因素,严重制约了机床精度的进一步提高。为了提高热误差预测的精度,提出了一种基于热传导和卷积神经网络的磨床主轴热误差预测方法。根据热传导理论推导出主轴表面和外部环境的温差和热变量的映射关系,揭示了材料热变形本质。然后,建立了以温差为输入和主轴热变形量为输出的神经网络热误差预测模型。该模型拥有4个神经网络层,分别对应温差、热能增量、时间变量以及热变形量。运用反向传播算法对该预测模型进行训练并计算模型参数。最后,基于SINUMERIK 840D数控控制器开发了一套磨床主轴热误差补偿系统,并在某一数控磨床上进行了验证。结果表明,通过主轴热误差补偿后,磨床的加工精度提升了41.7%,验证了本文提出的主轴热误差预测模型的有效性和可行性。

基于传递熵和小波神经网络的电子式电压互感器误差预测

电子式电压互感器目前的主要问题是长期运行后的准确度退化问题。现行的方法有定期离线校验和在线校验,前者不利于及时发现互感器的误差变化,后者需要标准器并网运行,无法大规模应用。基于这一现象,文中提出了基于传递熵和小波神经网络的电子式电压互感器误差预测方法。先根据传递熵分别选取比差和角差的主要影响因素,然后将筛选所得的因素作为输入量,建立小波神经网络的误差预测模型,并对其仿真测试。实验表明,对比差的预测误差低于5%,对角差的预测误差低于10%,文章方法能够实现较长时间的互感器状态监测。

基于误差反向传播神经网络的胃癌细胞识别研究

目的探讨误差反向传播(backpro pagation,BP)神经网络在胃癌细胞识别中的应用价值。方法在308例胃切除病例的胃组织切片中选取510个胃细胞,其中腺癌细胞210个,非癌性细胞300个,测量细胞的10个形态学特征。将所得到的数据随机分成A组(训练组)和B组(测试组)。建立三层BP神经网络,并利用A组数据对神经网络进行训练,再利用A、B两组数据对网络模型进行检验测试。结果BP神经网络对A组细胞识别的灵敏度为99%,特异度为99%,阳性预测值为98%,阴性预测值为99%,识别正确率为98%;对B组细胞识别的灵敏度为99%,特异度为97%,阳性预测值为96%,阴性预测值为99%,识别正确率为98%。ROC曲线下面积为0.99。结论本研究结果显示,BP神经网络用于胃癌细胞识别非常有效,可用于胃癌细胞的自动识别。

基于MEA-BP神经网络的压力传感器误差补偿算法

针对压阻式压力传感器对环境条件变化较为敏感,温度变化时会产生热漂移,影响传感器性能的不足,文中采用思维进化(MEA)-反向传播(BP)神经网络算法对压阻式压力传感器建立误差补偿模型,该模型利用MEA算法对神经网络的初始权值和阈值进行优化,减少了由于初值的不确定性导致训练陷入局部最优的可能性,并采用Levenberg-Marquardt算法代替梯度下降法加快神经网络的收敛速度,增加补偿算法的可靠性。仿真试验结果表明, MEA-BP算法与原始BP神经网络补偿法和遗传算法-BP神经网络补偿法相比,均方根误差期望值分别降低了48.7%和8.29%,且标准差分别降为其他2种算法的5%和4%,证明经过MEA算法优化的BP神经网络补偿方法能更加精确地补偿温度造成的影响,且补偿结果更为可靠。

基于误差反向传播神经网络的超视距协同空战研究

针对多机协同空战中的多目标分配问题,利用构造的误差反向传播(BP)神经网络模型对超视距空战情况下的几种典型的第3代战斗机空战性能进行比较评估,在此基础上建立了协同优先的分配模型。给出了协同优先权的计算步骤。仿真算例表明了模型的有效性。

改进误差反向传播法神经网络对手写数字识别

针对传统的误差反向传播法神经网络出现训练时间长、识别准确率不高、参数更新不精确、过于依赖初始值等问题进行改进优化。为了提高误差反向传播法对手写数字的识别准确率,在已有的神经网络基础上,改进误差反向传播法神经网络激励算法,使用新的激活函数,优化参数的更新,取交叉熵函数并引用BatchNorm算法。采用MNIST数据集对搭建的神经网络进行训练、测试,优化了神经网络的训练速率和识别精度。实验表明,改进后的误差反向传播算法神经网络对比手写数字的识别准确率提高了4%。

人工神经网络误差反向传播法测定复方苯甲酸涂剂中苯甲酸与水杨酸的含量

目的 对紫外光谱重叠的复方苯甲酸涂剂进行多组分不经分离的含量测定。方法 采用人工神经网络误差反向传播方法 (BP)对复方苯甲酸涂剂进行含量测定。结果 当网络隐蔽层的节点数为 5 ,以 9个节点输入时 ,苯甲酸与水杨酸的平均回收率分别为 10 5 .0 %和 10 2 .0 % ,RSD分别为 1 5 %和 2 0 %。结论 该方法简便、快速 ,测定结果准确。

误差反向传播神经网络模拟软件

本文介绍了误差反向传播神经网络(简称BP神经网络)的基本工作原理及模拟软件包的使用方法。利用它可以对模式识别、人工智能等方面的应用问题进行神经计算模拟。最后,给出了一个异或(XOR)问题的应用实例。

一种改进的反向传播神经网络算法

在标准反向传播神经网络算法的基础上,提出了一种改进的反向传播神经网络算法.通过对每个处理单元增加3个参数来增强作用函数,且3个参数与连接权一样,在学习过程中进行实时更新.此算法提高了学习速度,且减少了进入局部最小点的可能性.通过XOR问题的仿真证明了改进算法的有效性.

基于反向传播神经网络的WSN节点定位方法研究

针对无线传感器网络存在的定位精度问题,基于反向传播神经网络提出一种新的节点定位方法.该方法首先结合时间差测距和信号强度给出了节点定位计算公式,同时结合反向传播神经网络对上述参数进行快速求解.最后结合NS2和MATLAB进行仿真实验,深入研究了影响定位方法的关键因素.通过对比其他定位算法,本方法具有较好的适应性,能够有效降低定位误差.

神经网络在陀螺漂移误差模型辨识中的应用

神经网络具有很强的自学习、自适应能力及非线性变换特性，为模型的辨识提供了一条十分有效的途径。本文基于反向传播（Back-Propagation）网络的研究，将神经网络应用于陀螺漂移误差模型辨识，通过陀螺的实际测试数据对神经网络的加权进行训练，得到了较为满意的结果。

基于反向传播神经网络的SVM技术在电压型变流器中的应用研究

在分析三相电压型变流器空间矢量调制(SVM)技术基本原理的基础上,提出了一种基于反向传播神经网络结构的 SVM 技术(CPN-SVM)的实现方法。该方法采用CPN 竞争层来计算 SVM 中各个矢量的具体作用时间,避免了计算正弦函数这一非线性运算,缩短了计算时间,采样周期的可进一步缩短。仿真和实验表明:CPN-SVM 除了具备 SVM 的固有优点外,还有下述几个显著优点:①大大降低了整个控制系统的软硬件成本,提高了对开关瞬态位置判断的准确性;②随着采用周期的缩短,最大开关频率相应增大,从而提高了整个系统的传输带宽③避免了由于计算误差给 SVM 波形中所带来的附带谐波。