一种基于小波变换和FIR神经网络的广域网网络流量预测模型

该文提出了一种基于小波变换和FIR神经网络的广域网网络流量预测模型,首先采用小波分解把网络流量数据分解成小波系数和尺度系数,即高频系数和低频系数,将这些不同频率成分的系数单支重构为高频流量分量和低频流量分量,利用FIR神经网络对这些分量分别进行预测,将合成之后的结果作为原始网络流量的预测。实验结果表明:采用该模型对实际的广域网网络流量数据进行预测,不仅可以得到较快的收敛效果,而且预测性能比现有的小波神经网络和FIR神经网络要好得多。

基于FIR神经网络的非线性盲信号分离

针对实验环境中可能出现的非线性卷积混合盲信号分离问题，在反馈结构最大似然盲信号分离算法的基础上，利用混合高斯模式概率密度函数估计方法，提出了一种采用有限冲激响应神经网络的非线性盲分离算法，并推导了新算法的权向量迭代公式．通过与其他盲信号分离算法的计算机模拟实验结果比较，新算法能更有效地进行非线性函数逼近，得到更小的输出均方误差，达到较好的非线性盲信号分离效果．

基于FIR神经网络的风电场虚拟风速传感器

风电机组风速传感器易发故障,故障可能导致机组安全风险和发电量损失。针对现行的故障处理方法因与机组控制策略紧密耦合而日益面临挑战,提出了一种基于数据处理的虚拟风速传感器原理与方法:由风电场上风向测量风速计算下风向推算风速,用推算风速取代故障传感器。着重讨论了基于FIR神经网络的推算风速计算方法和计算模型,探讨了系统实现的关键技术。实验证明了虚拟传感器的误差在机组控制系统可接受的程度内。提出的方法独立于机组自身属性,具有普遍适用性,可部署在任意类型的场,在物理传感器故障时向机组提供风速信号,支撑风电机组持续安全运行。

基于FIR神经网络的热连轧机时滞动态模型辨识

介绍一种FIR神经网络模型及其时变反传算法,并把它用于纯滞后非线性MIMO系统模型辨识;以带钢热连轧受控对象为例,建立2机架的小偏差模型,并进行了仿真;使用FIR神经网络模型对仿真数据进行了模型辨识,辨识结果显示了网络良好的性能。

一种FIR神经网络的在线学习算法在系统辨识中的应用

通过在指标函数中增加遗忘因子,提出一种FIR神经网络的在线学习算法.该算法具有随训练的样本进度即时更新权值的在线训练能力,与同类方法相比,因没有复杂的矩阵计算,使计算时间大大减少.编制了算法程序,对真实的六机架热连轧机试验数据进行了辨识,所耗用的计算时间远远小于实际数据的采样时间,验证了该算法的在线辨识能力.

FIR神经网络在导航数据滤波中的应用

本文以寻北仪为例,介绍了一种新的惯性测量元件输出数据的滤波方案。即利用输出数据对一种叫做基于实时反向传播算法的FIR神经网络进行训练,继而通过神经网络来预测输出数据,再与实际输出数据加权平均,从而提高了数据的准确性。

极端学习机FIR滤波器的设计

极端学习机作为单隐层前向神经网络的一种典型学习算法,学习速度快,泛化能力好,在函数逼近和模式分类领域都有广泛应用.本文把极端学习机的应用拓展到滤波器的设计当中,通过对数字信号处理中实例的计算机仿真,验证该算法设计的FIR滤波器具有较好的性能,能够取得理想的滤波效果,通带与阻带边界频率容易精确控制,且初始条件随机给定,算法速度快.