一种基于BP短LDPC码的改进级联算法

对短LDPC码的分阶统计译码(OSD)算法进行了分析,研究了BP和OSD的级联算法及对数似然比累积算法,考虑到译码复杂度和性能的折中,提出了一种改进的级联算法,用最小和算法替代BP算法,然后与对数似然比累计算法进行级联。仿真结果表明,和原始的BP算法相比,译码性能有了很大的提升;和BP-OSD级联算法相比,译码复杂度降低,性能几乎一致。

基于神经网络-模拟退火算法的超高压嫩化河蚌肉的工艺优化

为解决河蚌肉质粗韧,提升河蚌肉品质,利用超高压对河蚌肉进行嫩化处理。采用3-5-1结构的级联BP神经网络,建立了超高压嫩化河蚌肉工艺的预测模型,并采用模拟退火算法对其进行优化,得到超高压嫩化河蚌肉最佳工艺条件。结果表明,训练好的级联BP神经网络具有较好的预测功能,其预测值与实测值之间的相对误差保持在0.26%~8.70%。利用模拟退火算法对压力条件、CaCl_2浓度、保压时间与剪切力之间的非线性关系优化,得到最佳工艺为:压力强度345 MPa,CaCl_2浓度为0.30 mol/L,保压时间为15 min,在这个条件下剪切力为10.54 N。实验室相同条件下的验证实验得到的剪切力为(10.38±0.13)N,该值小于响应曲面设计优化出的最佳工艺条件下的实验验证的剪切力,说明利用模拟退火算法优化级联BP神经网络的预测模型是一种比较有效的优化生产工艺参数的方法。

应用级联神经网络预测供热锅炉次日小时热负荷的初步研究

通过对供热锅炉房热负荷的分析,建立了基于两个BP网络的级联神经网络(CNN)。相关性分析表明,可将时间序列负荷数据作纵横向分离,横向相关系列负荷可作为CNN前一BP子网络的输入数据,纵向相关系列负荷可作为CNN后一BP子网络的输入数据。前一BP子网络用于小时负荷的初始预测,其预测结果加入后一BP子网络的输入系列,实现对负荷的精确预测。按照此模型,建立了某一印染厂锅炉房次日小时蒸汽负荷的CNN预测模型。程序运行结果表明该模型在预测时足够准确可靠。

电力系统短期负荷预测的级联网络模型研究

提出一种基于BP子网络和小波网络的短期负荷预测的级联网络模型。在对气象影响因素与负荷关系深入分析的基础上,采用BP子网络来映射气象等不确定因素的影响。采用小波网络(预测网络)来映射历史负荷值的影响,它结合了小波变换良好的时频局域化性质和神经网络的自学习能力,明显地改善了神经网络难以合理确定网络结构和存在局部最优等缺陷。最后两级网络相互级联组成预测网络。研究算例表明,这种模型是优秀的。

基于神经网络的级联软件可靠性模型

针对一般经典软件可靠性模型适用范围的局限性问题和预测精度问题,提出了一种新的级联模型。将4个经典软件可靠性模型的输出作为误差背向传播(error back propagation,BP)神经网络的输入,级联组合成一个软件可靠性模型,称之为级联软件可靠性模型。通过对一组经典的实际软件故障数据SYS1进行实验,将级联软件可靠性模型与4个经典软件可靠性模型预测的结果进行对比,结果表明级联软件可靠性模型的预测精度要远远高于4个经典软件可靠性模型,而且具有更好的通用性。

一种基于改进级联神经网络的短期负荷预测

提出了一种改进的级联神经网络方法,用于电力系统的短期负荷预测,并且采用基于模型逼近度和接受概率的变步长变尺度BP算法提高神经网络本身的效率和精度,通过对实际数据的仿真表明,可用于电力系统短期负荷预测。

LDPC码和Polar码级联系统的发展综述

低密度奇偶校验码(Low Density Parity Check codes,LDPC codes)和极化码(Polar codes),是国际移动通信标准化组织3GPP在5G(5th-Generation)增强移动宽带场景的信道编码技术方案中,分别作为数据信道和控制信道的编码方案.LDPC码编码复杂度较高、硬件资源需求较大以及存在错误平层,而极化码具有线性编码复杂度以及瀑布式下降曲线,基于二者的级联系统可以大大改善彼此的缺点.首先我们研究分析了现有的级联系统,其次详细介绍了级联系统的实现方法,最后就级联系统研究中现存问题进行了分析,并探讨了其未来发展趋势.

基于CRC的Polar-LDPC级联的优化方案

作为5G通信标准中信道编码方案的极化码和LDPC码,极化码作为新兴的信道编码方案,极化码的技术尚不成熟,为适应2020年5G网络的商用化,本文分析CRC对Polar-LDPC级联方案的性能影响,并模拟AWGN信道,对提出的两种基于CRC优化的级联方案进行仿真,仿真显示,基于CRC的级联方案,相较于原级联方案,分别提升了0.2~0.3dB。

构造性神经网络在测井岩性识别中的应用

测井岩性识别是石油勘探中十分重要的基础工作,准确的岩性识别结果可以为勘探和开发提供可靠的依据。人工神经网络方法可对复杂的高维数据进行非线性映射,在模式识别领域得到越来越广泛的应用。针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法———级联算法(Cascade Correlation Algorithm,简称CC算法)及其在石油工程中的应用。采用该算法对甘肃镇原-泾川地区进行岩性识别研究,通过与BP神经网络的识别结果进行比较,体现出构造性神经网络的优越性。

基于构造性神经网络的石油测井解释方法

为了克服传统的BP神经网络算法收敛速度慢、隐层数以及隐层节点数难以确定等缺点,研究了一种构造性神经网络学习算法——级联算法CCA及其在石油工程中的应用。采用该算法进行了储层参数预测的研究,通过与BP神经网络的研究结果进行比较,进一步体现出构造性神经网络的优越性。

人工肺-嗅觉系统集成与混合气体识别方法

针对仿人机器人的嗅觉及多种混合气体识别问题,提出一种人工肺-嗅觉系统(HAL&OS-I)及基于主动呼吸的气体识别方法.该系统硬件主要集成了微型真空泵、酒精/硫化氢/氨气/烟雾/甲烷5种气体传感器、单片机以及信号采集与处理电路;分别用K-均值聚类分析法、遗传算法结合神经网络(GA+BP)、三级级联神经网络(GA+3BP)进行了5种单一气体及4种混合气体的识别实验,结果表明:GA+BP算法仅对5种单一气体识别率达到90%以上,加入混合气体后识别率较低;GA+3BP算法除对硫化氢和烟雾的混合气体识别率为70%以外,对其余8种气体识别率均在90%以上,表明GA与多级级联BP神经网络相结合方法对多种单一及混合气体具有较高的识别率.

基于级连神经网络和SVD的文本分类新模型

提出了一个基于级连神经网络(Cascade-Correlation Neural Network,CCNN)和SVD(Singular Value Decomposition)的文本分类新模型。该神经网络用级连相关算法来训练网络。大部分的文本分类系统用向量空间模型(Vector Space Model,VSM)来表现文档,然而这种方法需要很高的维度,并且考虑不到文本特征词间的语义隐含信息,因此分类效果不是太理想。引入SVD来学习和表现文本特征词,在降低特征维度的基础上,将文本特征的隐含信息表现出来。实验证明,在加快训练速度的基础上,提高了分类的精度。