加入预测信息的反馈误差学习模型及其仿真研究

针对非线性平衡控制问题,提出了一种加入预测信息的反馈误差学习(P-FEL)模型,该模型使用系统状态预测信息和反馈控制器的输出信号共同构成前馈神经网络控制器的教师信号,使用在线BP算法保证运动控制和运动学习同步进行。将P-FEL模型应用于倒立摆平衡控制的仿真实验结果表明,P-FEL模型可以有效地减少前馈神经网络控制器对反馈控制器参数的依赖性,同时还具有良好的平衡控制性能和鲁棒性。

基于ε滤波和反馈误差学习原理的自适应逆控制

如何调节逆控制器是自适应逆控制的一个关键.本文采用基于ε滤波和反馈误差学习原理的方法来解决这个问题.利用反馈误差学习原理调节逆控制器,利用ε滤波方法在线构造反馈控制器,从而构成一个非线性自适应逆控制系统,使得被控对象的输出跟随指令输入.仿真结果表明了这种方法的有效性.

基于环上误差学习问题的新型后量子认证密钥交换协议

针对量子计算机技术的迅速发展使得传统公钥密码体制的安全性面临严重威胁的现实性问题,提出一种新型的基于环上误差学习(RLWE)问题的后量子认证密钥交换协议。协议通过使用Peikert式误差协调机制,双方通过计算可直接得到均匀分布的共享比特值,从而使得通信双方得到相同的会话密钥。使用理想格上的解码基对协议正确性进行了分析,并设置合理参数从而保证协议双方以显著概率得到相同密钥值。该协议在BR(BellareRogaway)模型下可证明安全并达到弱的完美前向安全性。协议安全性归约为格上RLWE困难问题,可抵御量子攻击。与现有基于RLWE问题设计的认证密钥交换协议相比,该协议中参数值模数的大小由亚指数级降低至多项式级,相应计算量和通信量显著减小,是一种更加简洁高效的后量子认证密钥交换协议。

一种新型基于环上带误差学习问题的认证密钥交换方案

利用格上判定带误差学习问题(Ring-DLWE)困难假设,该文基于Peikert的调和技术构造认证密钥交换方案。在标准模型下,该方案是CK模型中可证明安全的,并达到弱前向安全性(w PFS)。与现有的基于LWE的密钥交换方案相比,该方案使用平衡的密钥提取函数,因而保护共享会话密钥,同时因其基于格中困难问题,所以能抵抗量子攻击。

基于环上带误差学习强安全认证密钥交换

将隐式认证技术与密钥调和技术相结合,设计出一种强安全认证密钥交换协议。该协议具有较高的效率以及较小的通信带宽,满足弱完善前向安全性。基于环上带误差学习难题假设,该协议在扩展Canetti-Krawczyk模型下可证明安全。

状态转移下的利率预期与误差学习假说

采用线性回归和状态转移模型讨论利率预期的"误差学习假说"和不同期限利率预测误差之间的关联性,并考虑带有风险溢价时预测误差的作用.分析发现,1年期限的"误差学习假说"在银行间国债市场中是成立的,不同期限的利率预期对预测误差的反应呈现一定的独立性,不同的状态中预测误差和风险溢价对利率预期的影响是不同的,考虑风险溢价有助于提升对利率预期变动的解释.

矢量量化的误差竞争学习算法

提出了误差竞争学习 ( Distortion competitive learning,DCL)算法。该算法基于 Gersho的矢量量化误差渐近理论的等误差原则 ,即当码本数趋于无穷大时 ,各区域子误差相等 ,使用这个原则作为最优码书设计的一个必要条件 ,并结合传统最优码书设计的两个必要条件 ,然后根据这 3个必要条件 :( 1)最近邻规则 ;( 2 )中心准则 ;( 3)各区域子误差近似相等设计最优码书 ,而在算法的实现中引入广义误差测度 ,以确保该测度与各个区域的子误差相关。最后从快速性与均方差两个方面与目前的码本设计算法比较。实验结果表明 ,该算法在降低迭代时间与减少均方差优于其他传统码本设计算法 ,能迅速地找到优化的码本。

神经网络的学习误差函数及泛化能力

用于训练神经网络的样本点集不可避免地会受到噪声污染。利用神经网络的概率描述，通过研究Ｋ—Ｌ信息距离和神经网络泛化能力的关系，构造一个新的神经网络学习误差函数。泛化能力分析和仿真结果表明了该学习误差函数的合理性。

基于误差反馈学习的永磁同步电机变负载有限时间速度控制

针对传统永磁同步电机调速系统面对变负载和大范围调速时,P、I参数需要频繁调整且速度跟踪不理想的问题,提出了一种基于误差反馈学习结构的永磁同步电机有限时间速度控制方法。在对永磁同步电机运动方程分析的基础上,使用非线性PI和径向基神经网络建立了速度环控制器模型。前者保证控制系统收敛和稳定,其输出作为神经网络的误差学习参数;后者基于终端滑模理论设计参数调整律,加快神经网络的参数收敛速度,使得神经网络的输出逐渐取代非线性PI成为控制系统的主要控制器。利用李雅普诺夫稳定判据分析了控制器的收敛性,并在永磁同步电机调速系统上进行了试验。研究结果表明,基于误差反馈学习结构的有限时间控制策略能够减小系统静态误差和抖振,具有一定的抗干扰能力。

基于小波变换和误差竞争学习的矢量量化

用神经网络实现图像矢量量化是一种非常有效的方法 ,而小波变换又是近年来迅速发展起来的新算法。文中提出一种改进的误差竞争学习算法 ,分析了图像在小波变换后数据的特点 ,提出了新的矢量构造方法 ,从而最终得到了基于小波变换和误差竞争学习的矢量量化图像压缩新算法 (以下简称VQWDCL) ,无论是在主客观效果上 ,还是在计算复杂度上 ,其性能都优于传统的基于小波变换和LBG算法的矢量量化。

基于学习前馈控制的永磁直线伺服系统跟踪控制研究

针对永磁直线同步电动机(PMLSM)伺服系统,在分析影响直线伺服跟踪精度因素的基础上,引入学习前馈控制(LFFC)补偿技术。学习前馈控制是一种反馈误差学习的控制形式,其包含了反馈控制器和采用函数逼近器的前馈控制器两部分。在系统和扰动定性知识的基础上,设计了基于B样条网络的学习前馈补偿控制。仿真结果表明,该方案有效地降低了负载扰动、端部效应等对系统性能的影响,提高了系统的跟踪精度。

前向神经网络学习速率的自适应算法(英文)

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络(CNN)的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果(N阶模态参数集)进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别(SSI)算法及其局部线性嵌入(LLE)算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。

基于反馈调控参数的BP学习算法研究

为解决经遗传算法优化后的BP网络极易陷入饱和区域而导致网络学习停滞的问题,基于神经生理解剖学关于神经电位脉冲发放系统和神经递质系统的耦合机理,提出一种改进的基于反馈调控参数的BP学习算法,通过反馈调控参数对神经元的节点输出进行扰动,避免学习过程中发生权值调整量趋于0的问题,从而解决经遗传算法优化后的BP网络容易出现的饱和区域问题.仿真实验结果表明,该方法能有效克服饱和区域引起的学习停滞问题,提高BP网络对遗传算法优化结果的精确定位能力,而且还具有收敛速度快和稳定性好的优点和在较大权值空间中的寻优能力.

一种基于增量学习型矢量量化的有效文本分类算法

KNN作为一种简单的分类方法在文本分类中有广泛的应用,但存在着计算量大和训练文档分布不均所造成的分类准确率下降等问题.针对这些问题,基于最小化学习误差的增量思想,该文将学习型矢量量化(LVQ)和生长型神经气(GNG)结合起来提出一种新的增量学习型矢量量化方法,并将其应用到文本分类中.文中提出的算法对所有的训练样本有选择性地进行一次训练就可以生成有效的代表样本集,具有较强的学习能力.实验结果表明:这种方法不仅可以降低KNN方法的测试时间,而且可以保持甚至提高分类的准确性.

混合专家网络的锅炉故障诊断样本及误差分析

探讨了将混合专家网络应用于锅炉故障诊断时,影响样本训练精度的有关参数,得出了规则数、学习率、循环次数。

输入增益未知非参数不确定系统的准最优学习控制

为解决一类非参数不确定系统在任意初态且输入增益未知情形下的轨迹跟踪问题,提出准最优误差跟踪学习控制方法.该方法综合准最优控制和迭代学习控制两种技术设计控制器,在构造期望误差轨迹的基础上,根据控制Lyapunov函数及Sontag公式给出标称系统的优化控制,以鲁棒方法和学习方法相结合的策略处理非参数不确定性.闭环系统经过足够次迭代运行后,经由实现系统误差对期望误差轨迹在整个作业区间上的精确跟踪,获得系统状态对参考信号在预设的部分作业区间上的精确跟踪.仿真结果表明所设计学习系统在收敛速度方面快于非优化设计.

适用于智能家居的格上基于身份多方认证密钥协商协议

随着物联网应用的日益普及,物联网设备终端数量激增、种类多样、层次复杂,常处于不可控的环境之中,因此,确保数据传输过程的安全性和隐私性至关重要。对基于物联网架构的智能家居服务进行探讨得出,启用智能家居应用需涉及多个方面,如用户、云、物联网智能集线器(the IoT smart hub,ISH)和智能设备,它们需要多方验证以进行安全通信。由此提出了一种针对智能家居应用的格上基于身份多方认证密钥协商协议,并证明在eCK模型下是安全的。其安全性可以归约到环上带误差学习(ring learning with errors,RLWE)问题的困难性,能够抗量子计算攻击。所提协议由一个格上基于身份的加密方案转换而成,无须公钥证书,避免了部署一个庞大的公钥基础设施(public key infrastructure,PKI)。通过信息交互实现显式认证,且可具有一定的匿名性质,与其他相关的后量子格上多方认证密钥协商协议方案相比,该协议在安全性和执行效率方面更具优势。

基于逆向学习的距离和位置的传感器模型

提出了一种通过逆向学习得到非线性传感器系统逆模型的方法 ,该模型对应一个由传感器输入样本点和希望输出值组成的线性表 ,再由该逆模型结合查表和插值的方法反演出测量点的位置 .该方法可以有效地校正传感器的非线性 ,提高测量系统的精度 .

锅炉诊断系统中专家网络权值训练误差的影响因素

针对电站锅炉这一高故障率的动力设备采用模糊Modular神经网络进行诊断 ,采用VisualC 编程 ,对权值进行训练。讨论了循环次数、学习率、规则数与学习误差平方和等之间的相互关系 。