连续时延神经网络模型的Hopf分岔分析

1.引言 神经网络是一个非常复杂的非线性动力学系统.在神经网络模型中,有时必须考虑到其内在的时延.目前,时延神经网络模型的动力学现象是一个热门的研究课题.文[2]中研究了离散时延和对称相关矩阵神经网络的线性稳定性.

强核连续时延神经网络模型分岔的频域分析

1.引言 神经网络是一个复杂的大规模非线性动力学系统.为了研究所产生的动力学现象,通常需对其简化,建立模型.对简化模型进行研究,并推广到大规模系统.

基于模糊神经网络的无人机数据传输时延控制模型

传输信道状态若是处于拥塞状态,会使得无人机数据传输时延大幅度增加,所以构建基于模糊神经网络的无人机数据传输时延控制模型;考虑直射、散射和反射等现象确定无人机数据传输信道,计算无人机数据传输信道传输时延,综合能量消耗、时延等因素判断无人机数据传输信道是否处于拥塞状态;利用基于模糊神经网络的时延控制模型生成时延控制指令,通过扩频调制、拥塞调度和队列管理等步骤,实现无人机数据传输时延控制;实验结果表明,在该模型控制下无人机数据传输时延达到预期水平,控制误差约为0.03 s,且未对数据传输进程产生明显不利影响,控制效果更好。

基于神经网络算法和自振频率测试的连续梁桥模型修正

针对有限元模型计算结果往往与实际结构存在偏差的问题,本文以连续梁桥为研究对象,提出了基于神经网络和自振频率的有限元模型修正方法.首先介绍了反向传播神经网络(BPNN)、径向基神经网络(RBFNN)以及粒子群优化算法-反向传播神经网络(PSO-BPNN)的基本原理.其次,建立空心板梁、小箱梁、T梁3种不同截面类型连续梁桥有限元模型并计算得到其动力特性,同时对实桥进行振动测试.通过灵敏度分析确定待修正参数,对比分析了3种不同神经网络的修正效果,并将修正前后计算值对照实测数据进行验证.结果表明:(1)混凝土弹性模量和重力密度对于桥梁自振频率的灵敏度远大于泊松比,选取弹性模量和重力密度为待修正参数.(2)修正后的有限元模型误差均降低到了7%以内,并且通过模态置信准则验证了修正后的模态置信度MAC值均提高到了94%以上.(3)PSO-BPNN相比于BPNN和RBFNN具有更高的精度和可靠性,基于PSO-BPNN修正后的有限元模型更能反映实际桥梁结构在真实条件下的力学响应情况.

前馈神经网络在预测连续泄漏系数中的应用

受泄漏孔几何参数、液位、液体物理特性及流动状态等因素影响,储罐连续泄漏系数难以直接采用流体力学建模求解。通过常压立式储罐连续泄漏试验获取数据样本,利用前馈神经网络(Feedforward Neural Network, FNN)算法构建连续泄漏系数(Cs)与输入变量间的非线性关系,建立基于前馈神经网络算法的Cs预测模型。模型性能评估结果表明,模型的平均绝对误差(EMA)、解释方差分(SEV)及决定系数(R2)分别为0.015 4、0.949 2及0.948 2,表明模型预测性能良好。与相应连续泄漏试验值比较,预测Cs的总平均绝对偏差范围为5.28%~7.34%,质量流率平均偏差为4.60%~6.51%,连续泄漏量的平均偏差为0.84%~2.03%,模型预测结果优于采用泄漏经验常数的计算结果,证明该模型可有效预测连续泄漏期间Cs值及变化趋势。

连续时延神经网络的Hopf分岔现象研究

讨论了带连续时延神经网络的Hopf分岔现象。对于强核和弱核的情况,利用平均时延作为分岔参数,证明了模型经历了Hopf分岔过程。在带弱核的神经网络模型中,得到了分岔周期解稳定性准则。给出了一些数值例子,通过计算机仿真验证了所得结论的正确性。

嵌入时延神经网络的高斯混合模型说话人辨认

提出了一种在高斯混合模型中嵌入时延神经网络的方法。它集成了作为判别性方法的时延神经网络和作为生成性方法的高斯混合模型各自的优点。时延神经网络挖掘了特征向量集的时间信息,并且通过时延网络的变换使需要假设变量独立的最大似然概率(ML)方法更为合理。以最大似然概率为准则,把它们作为一个整体来进行训练。训练过程中,高斯混合模型和神经网络的参数交替更新。实验结果表明,采用所提出的模型在各种信噪比情况下的识别率都比基线系统有所提高,最高能达到21%。

基于时延神经网络的木材干燥模型辨识的研究

木材干燥是一个复杂、多变的过程 ,传统的系统辨识方法很难建立一个理想的木材干燥模型。利用时延神经网络的特点 ,本文提出了基于时延神经网络的木材干燥模型辨识方法 ,并给出了辨识网络和结构[1] 。对辨识得到模型的仿真结果表明 ,利用时延神经网络所建立的模型是可靠且有效的。

具中立型连续时滞的BAM神经网络模型概周期解的指数稳定性

利用连续性原理及不等式技巧,对一类具中立型有界连续时滞的BAM神经网络模型概周期解的指数稳定性进行研究,得出了所研究模型的概周期解指数稳定的充分条件.

基于RBF神经网络的时延预测模型与仿真

网络控制系统中时延普遍存在,时延的有效预测对控制系统非常重要。为准确对时延进行预测,文章建立一个基于RBF神经网络的时延预测模型,运用Matlab软件对该模型进行仿真,采用归一化的方法对用于测试的数据集进行预处理,利用这些处理过的数据集对该仿真模型进行训练和测试,结果证明RBF神经网络能很好的预测网络时延。

基于连续蚁群算法融合的神经网络RFID信号分布模型

基于人工神经网络方法建立了RFID反射信号强度分布模型.该方法仅依赖数据,实施简单.为克服传统BP算法对初值敏感、易陷入局部极值的缺陷,引入一种连续的蚁群优化算法来确定多层神经网络的权值,该算法具有更强的全局搜索能力和效率.讨论了算法的基本理论和具体步骤,最后利用实际RFID设备采集的反射信号强度数据对算法进行测试,对理论信号模型和实际的建模结果进行了比较,并分析了算法的逼近能力和泛化能力.结果表明在考虑到不可避免的误差和扰动下,所提出的方法可以更好地建模RFID信号强度的实际分布,具有良好的性能.

前馈神经网络连续二元蚁群训练模型

提出了一种用离散模型逼近连续模型进而求解连续域上的优化问题的蚁群优化算法Binary-ACO,并将Bi-nary-ACO与经典BP训练算法进行混合(LMBP和SDBP)应用于多层感知机的训练问题中,并在3个测试数据集上进行对比实验。实验结果证明单一蚁群优化算法作为一种通用的优化算法在前馈神经网络训练问题中的性能无法与经典的BP算法相比较,但是蚁群优化算法和BP经典训练算法结合的混合算法表现性能优良。两种混合算法(Bi-nary-ACO-sdbp和Binary ACO-lmbp)都获得了相当良好的解,特别是Binary ACO-lmbp这种算法不仅比单一的蚁群优化算法的性能上有相当的提高而且也优于经典的BP算法。

基于径向基神经网络的桥梁有限元模型修正

基于某预应力混凝土大跨刚构-连续梁桥的ANSYS有限元模型,提出一种基于径向基神经网络的有限元模型修正方法。该方法以不同设计参数条件下有限元模型模态分析频率作为输入向量,以对应的桥面单元、中墩、边墩的弹性模量、密度等设计参数修正值作为输出向量,利用径向基神经网络来逼近两者之间的非线性映射关系。结合该桥梁结构健康监测系统中加速度传感器监测的桥梁结构动力反应的加速度数据,利用神经网络的泛化特性,直接计算出有限元模型设计参数的修正值。研究结果表明:修正后的有限元模型能更真实地反映结构的物理状态,较好地反映该桥梁结构的真实动力特性。

干燥过程中木材含水率神经网络预测模型(英文)

将人工神经网络应用于木材干燥控制研究中,建立可用于木材含水率预测的时延神经网络基准模型,并给出其网络辨识结构。通过3个树种的实际干燥数据对所建立的网络模型进行训练和验证,仿真结果表明预测模型是可行而有效的,具有较好的动态跟踪能力和预报特性,实现了木材干燥基准的数学模型化,对进一步优化木材干燥基准实施与控制具有重要的指导意义和应用价值。

连续隐马尔可夫模型和神经网络在说话人识别中的比较

连续隐马尔可夫模型(CHMM)和人工神经网络(ANN)广泛的应用于说话人识别系统中,本文分别建立基于这两种模型的说话人识别系统,提取感知谐波倒谱系数作为与文本有关的说话人识别的特征参数,并分别在理想和噪声环境下仿真比较。实验结果表明ANN和CHMM模型在理想环境下平均识别率基本一致,而在噪声环境下ANN模型鲁棒性明显优于CHMM模型,识别率较高。

为连续语音识别用的单词音节神经网络建模的研究

本文主要研究连续语音中单词音节的神经网络建模问题.采用了一种富有特色的特征提取方法,并依据高维空间点覆盖理论,对实际连续数字语音的各不同数字音节,以人工切自连续数字语音中的2640个单字音节,构建连续语音中各不同数字音节的特征空间覆盖区,并使用7308个自连续数字语音中切分出的单字音节,利用仿生模式识别原理,进行了建模正确性验证.验证结果正确率达到97%以上,对同样数量的少量建模样本,识别率优于SVM方法.

基于神经网络和多模型的非线性自适应PID控制及应用

针对一类未知的单输入单输出离散非线性系统,提出了基于神经网络和多模型的非线性自适应PID控制方法。该方法由线性自适应PID控制器、神经网络非线性自适应PID控制器以及切换机构组成。采用线性自适应PID控制器可保证闭环系统所有信号有界;采用神经网络非线性自适应PID控制器可改善系统性能;通过引入合理的切换机制,能够在保证闭环系统稳定的同时,提高系统性能。理论分析表明,该方法能够保证闭环系统所有信号有界,如果适当地选择神经网络的结构和参数,系统的跟踪误差将收敛于任意给定的紧集。将所提出的方法应用于连续搅拌反应釜,仿真结果验证了所提出方法的有效性。由于该方法基于增量式数字PID控制器,在工业过程中有着广阔的应用前景。

基于状态连续变化的Hopfield神经网络的图像复原

针对图像复原提出了神经元状态连续变化的Hopfield神经网络模型,详细讨论了两种连续函数串行、全并 行复原算法的收敛性和参数选择,仿真实验表明,该模型能够精确达到能量极小点,并对复原图像的信噪比有一定的提高。

连续学习混沌神经网络的研究

近几年混沌神经网络在信息处理,特别是联想记忆中的应用得到了极大重视。本文提出了一个改进的连续学习混沌神经网络(MSLCNN)模型,它具有两个重要特征:(1)根据不同的输入,神经网络做出不同的响应,可从已知模式来识别未知模式;(2)可连续学习未知模式。计算机仿真表明我们的模型具有应用潜力。

一个仿真突触超微结构的三阶神经网络模型

神经系统内突触类型的多样性是与其机能的复杂性密切相关的.考虑到这一特性.本文用一个三阶神经网络模型仿真突触超微结构中的复合型连续性突触结构.作出了该模型的理论推导和分析.对由40个单元组成的网络系统作了计算机仿真、所得结果表明其存储容量可达680个图样.对其吸引盆也进行了仿真分析,对新模型与传统的Hebb学习律下的Hopfield模型进行了对比仿真.发现新模型具有比后者快得多的演化速率.