基于自适应混合结构的快速收敛函数链接人工神经网络算法研究

在非线性主动噪声控制方法中,函数链接人工神经网络(FLANN)算法是最常用的算法之一。FLANN降噪量大,但是其收敛速度较慢。为解决该问题,通过一个自适应混合参数对BFXLMS算法和FLANN算法进行有效结合,提出了CBFLANN算法。在不降低FLANN降噪量的情况下,提高了其收敛速度,解决了FLANN算法无法同时实现快速收敛和低稳态误差的问题。多个仿真实验对提出的CBFLANN算法的降噪性能进行了验证,结果表明,CBFLANN同时拥有BFXLMS的收敛速度和FLANN的降噪量。该算法的提出可以为传统主动噪声控制算法难以同时兼顾收敛速度与稳态误差的问题提供解决方案,具有很强的实际应用价值。

最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用

提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。

电容压力传感器的函数链接型神经网络建模方法

旨在开发一种计算简单的电容压力传感器的模型 ,以便经济、可靠地应用。分析表明 ,采用新型函数链接型神经网络建立的电容压力传感器模型 ,能够精确读出应用压力。它是一种能实现输入到输出的高度非线性映射并且运算高效的非线性网络 。

基于人工神经网络组合预测油田产量

油田原油产量的准确预测可以对油田的生产管理进行合理的指导。该文探讨了应用神经网络组合方法预测油田产量,对开井数、含水率、动用储量以及往年产量同未来产量之间的复杂关系建立模型。采用了两层预测系统:第一层包含两个神经网络,一个多层前馈网络和一个函数链接网络;第二层是把第一层的两个网络输出进行组合。研究了五种不同的组合算法:平均法、最小平方回归法、模糊逻辑法、自适应前馈神经网络法和自适应函数链接神经网络法。根据油品类型分为稀油、热采稠油、常规稠油和总产量四组数据,对上述方法进行了测试,结果表明应用人工神经网络的组合预测方法优于其他的预测方法,而且适用范围广。

时空神经网络及其在机场噪声预测中的应用

针对时空序列建模分析问题,利用函数扩展技术,结合线性脉冲响应滤波原理,提出一种新型时空神经网络。该网络由函数扩展功能模块和线性延时脉冲模块组成。函数扩展功能模块将网络输入空间映射到高维空间,实现时空序列非线性模式到高维映射空间线性模式转换;线性脉冲延时模块等效于时空线性脉冲响应滤波器,用于拟合时空序列中的线性模式。采用LevenbergMarquardt最优方法对网络进行训练,设计时空神经网络的快速学习算法。机场噪声仿真结果表明,该网络具有快速收敛和高精度的特点,预测精度高于时空自相关移动平均模型和多层感知器神经网络。

基于HFLANN的MSMA传感器动态模型参数识别

由于磁控形状记忆合金MSMA存在固有迟滞非线性现象,严重影响传感器的测量精度。为了消除MSMA的迟滞非线性带来的负面影响,运用了一种迟滞函数链接型人工神经网络HFLANN来识别MSMA传感器动态模型参数。识别结果表明,HFLANN可以应用于MSMA传感器动态模型,应用HFLANN识别的MSMA传感器输出感应电压与实验输出感应电压十分吻合,验证了该方法可应用于MSMA传感器动态建模,为MSMA传感器优化设计和预测控制奠定了良好基础。

改进型蚁群算法的全局路径规划仿真研究

针对传统蚁群算法收敛较慢的问题,提出了一种在复杂环境下全局路径规划的改进型蚁群算法。利用链接图法建立了路径规划的空间模型;借鉴狼群分配原则对信息素进行更新;在缩小搜索区域,提高搜索效率的过程中,引入了启发式概率公式和启发函数;通过参数自适应调整策略,进一步对最优解进行了优化。将基于Dijkstra算法的初始路径规划和改进后蚁群算法的规划结果进行了仿真对比,结果表明,改进后蚁群算法的全局优化性能较好,具有一定的有效性和可行性。

基于FLANN的三轴磁强计误差校正研究

提出一种基于函数链接型神经网络(FLANN)的三轴磁强计误差修正方法。由于三轴非正交、灵敏度不一致及零点漂移所引起的误差降低了三轴磁强计的测量精度,因此有必要进行校正。本文先对与三轴磁强计系统参数有关的测量进行详细分析和理论计算;然后,设计矩阵形式的数学模型对该误差进行修正。通过构造相应的FLANN网络结构,实现对模型参数矩阵的辨识。用实际地磁场测量数据进行测试,结果表明,三轴磁强计的转向误差由800 nT修正到12 nT以下。因此,该研究为提高三轴磁强计性能提供了一种可行方法。

基于FLANN和最小二乘的磁梯度计误差校正

在基于偶极子磁场分量梯度的水下磁异常定位方法中,三轴磁力计自身误差及两磁场坐标系配准误差等是限制水下定位精度的主要因素,因此有必要对其进行校正,补偿磁场分量梯度计测量值。建立了磁场分量梯度计的测量误差模型,提出了基于函数链接型神经网络(functional link artificial neural network,FLANN)和最小二乘法的磁场分量梯度计误差校正方法,给出了误差参数辨识及校正算法,数值仿真和实测数据证明了校正算法具有良好的收敛性,能显著地抑制磁场分量梯度测量误差,该校正方法为提高磁场分量梯度计性能提供了一种可行途径。

电容压力传感器的FLANN建模方法

旨在开发一种计算简单的电容压力传感器的模型 ,以便经济、可靠地应用。分析表明采用新型函数链接型神经网络建立的电容压力传感器模型能够精确读出应用压力 ,它是一种能实现输入到输出的高度非线性映射并且运算高效的非线性网络 。

自适应双阈值的运动目标检测算法

针对噪声、不同的天气状况和光照强度等环境变化对运动目标检测的影响,提出了一种自适应双阈值运动掩膜算法.为提高复杂环境条件下运动目标检测的识别率,该算法首先利用多帧平均法初始化背景,采用函数链接型神经网络算法动态更新高低两个阈值,自动适应光照变化.根据运动掩膜算法判定前景和背景区域动态更新背景后,采用自适应双阈值背景差法分割得到前景目标区域,并结合数学形态学方法,消除阴影,准确识别出前景目标.实验结果验证了该算法对运动目标检测的高准确性和良好的鲁棒性.

基于SVM构造的FLANN数据融合方法在CPS修正中的应用

在对常规函数链接型神经网络(FLANN)构造方法的认识基础上,讨论了一种基于支持向量机(SVM)技术的FLANN构造新方法,并利用该方法对实际的电容压力传感器(CPS)系统进行非线性修正及温度补偿。先将SVM的拓扑结构与常规FLANN结构进行比较,确定两者的等价性。因此,可通过SVM求解二次规划问题来实现FLANN结构的唯一优化。用常规FLANN方法在同样条件下进行对比实验,实验结果表明用该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点,特别是在实验数据较少的小样本条件下仍然具有更高的鲁棒性和修正精度。

一种基于LS-SVM构造FLANN的热电偶非线性校正方法

提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②整个训练过程中有且仅有一个全局极值点,确定了所构造FLANN补偿器的唯一性,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.

LS-SVM构造FLANN逆系统的传感器动态补偿方法

提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)逆系统的传感器动态补偿新方法。介绍了相关原理和具体算法,并给出了传感器动态逆系统的数学模型。在该方法中,通过在传感器后串接逆系统模型来修正动态测试误差、提高传感器的动态特性。通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM构造FLANN的逆系统补偿器精度高、鲁棒性好、实现简单。

基于LS-SVM-FLANN的虚拟仪器系统非线性动态补偿

针对虚拟仪器系统存在的非线性动态测量误差,提出了一种新的补偿方法.该方法依据虚拟仪器系统的静态和动态标定数据,采用最小二乘支持向量机(LS-SVM)构造的函数链接型神经网络(FLANN)辨识得到静态补偿环节及动态补偿环节模型,再将其串接到原虚拟仪器系统的后面来修正其非线性特性,改善其动态特性,从而获得系统理想的输入输出特性.实验结果表明该方法用于虚拟仪器系统动态非线性误差补偿的有效性及优越性.

基于SVM回归的FLANN改进新法及其应用

通过分析常规函数链接型神经网络(FLANN)结构与支持向量机(SVM)的关系,确定了两者本质上的等价性;在此基础上提出了一种基于SVM技术的FLANN构造新方法,并将SVM-FLANN应用到称重传感器的动态补偿上。结果表明该方法构造的FLANN具有结果唯一、结构简单、全局优化等特点,应用于称重传感器的动态补偿时,对传感器的性能改善效果明显,具有实用价值。

基于SVR构造FLANN的传感器动态补偿研究

提出了一种利用支持向量回归机（SVR）对函数链接型神经网络（FLANN）进行构造的新方法，并将其应用于传感器动态补偿。文中将SVR的解与常规FLANN估计进行对比，发现两者具有相同的问题形式，因此，在适当的参数条件下可通过SVR对FLANN进行优化构造。与常规FLANN构造方法比较，SVR-FLANN具有明显特点，即将权值迭代逼近问题转化为二次规划问题求解，使得在整个训练过程中有且仅有一个全局极值点，确定了所构造FLANN补偿器的唯一性。实际压力传感器动态补偿实验结果表明：用该方法构造的补偿器与常规方法相比，具有更高的精度、更强的抗干扰能力及更稳定的补偿效果。因此，更适合传感器动态补偿。

一种应对窄带非线性主动噪声控制的混合结构

分析参考信号为窄带信号、初级路径为非线性路径、次级路径为非最小相位系统的主动噪声控制(ANC)的初级噪声特性,探究有限脉冲响应(FIR)反馈预测结构和前馈函数链接人工神经网络(FLANN)结构的消噪原理,并探讨其各自的优势及局限性.通过分析总结,本文提出FLANN-FIR混合结构ANC系统,该系统对FIR反馈预测结构和前馈FLANN结构进行优势互补,不仅可以消除可预测部分噪声,对不可预测部分噪声一样具有抑制作用.仿真表明,在不同信噪比参考信号和不同非线性初级路径下,提出的混合结构都具有良好的稳态误差和收敛速度.

LS-SVM构造FLANN的非线性自适应逆控制动态补偿研究

在对常规函数链接型神经网络(FLANN)构造方法认识的基础上,研究了一种基于最小二乘支持向量机(LS-SVM)构造FLANN的新方法,并利用该方法对非线性对象模型及逆模型进行建立.将该方法的非线性系统辨识技术应用于自适应逆控制中,提高非线性系统的自适应性,改善动态特性.设计出了一种自适应逆控制系统,不仅可以得到较好的动态响应,还能使扰动减小到最小.