基于Hebb理论的BP网络改进算法

应用 Hebb理论 ,用生物神经元的生理基础指导 BP网络的设计 。

基于Hebb规则的分布神经网络学习算法

随着知识发现与数据挖掘领域数据量的不断增加,为了处理大规模数据,scaling up学习成为KDD的热点研究领域.文中提出了基于Hebb规则的分布式神经网络学习算法实现scaling up学习.为了提高学习速度,完整数据集被分割成不相交的子集并由独立的子神经网络来学习;通过对算法完整性及竞争Hebb学习的风险界的分析,采用增长和修剪策略避免分割学习降低算法的学习精度.对该算法的测试实验首先采用基准测试数据circle-in-the-square测试了其学习能力,并与SVM,ARTMAP和BP神经网络进行比较;然后采用UCI中的数据集US-Census1990测试其对大规模数据的学习性能.

单参数PID的Hebb学习控制

基于模型的设计方法可以获得较为满意的控制性能,但这种方法在设计难以建模或模型时变的系统时会遇到很多困难。本文对简化的Z-N方法进行了根轨迹分析,表明:对于常见的过程控制对象,基于简化Z-N方法整定的单参数单神经元PID存在使系统稳定的可行性解。利用人工神经网络的Hebb学习规则对PID增益进行学习,可以实现常见工业过程的无模型自适应控制。与其他单神经元PID相比,PID调整参数少。仿真和实验表明,本文算法可以获得较好的仿真效果,具有满意的实验性能指标。

基于Hebb竞争聚类的模糊控制器规则的获取

提出采用Ｈｅｂｂ竞争规则聚类来构造模糊控制器结构和隶属函数的方法，实现模糊规则的自组织，并利用ＢＰ算法获得所有规则的网络权值参数，通过仿真实验获得了满意的结果。

基于Hebb规则的积分保持型PID神经网络多变量控制器

提出了一个积分保持型PID神经网络多变量控制器 ,网络的学习算法采用一种简单的类似Hebb规则的算法 .当将该控制器应用于多变量耦合的非线性系统的控制时 ,计算机仿真结果表明 ,网络的训练速度快 ,对权的初值的依赖性小 ,控制系统的动态和静态性能较好 .

Hebb学习规则的开关电流实现

文章提出了Ｈｅｂｂ学习规则的一种新的实现电路。首次把开关电流积分器用于Ｈｅｂｂ规则实现，该电路具有不需要线性电容，易于集成等优点。ＰＳｐｉｃｅ５．０证明了该电路的正确性。

用 Hebb 思想改进 BP 算法

应用Ｈｅｂｂ理论，用生物神经元的生理基础指导神经网络的设计，并给出了训练方法与实验结论．

求解线性方程组的Hebb算法

本文探讨了用神经网络求解线性方程组的可能性,并给出了求解的Hebb算法。最后,给出了几个数值例子,获得了较为满意的结果。

一种基于Hebb优化准则的扩频码序列识别方法

针对直接序列扩频信号的非协作接收问题,提出了一种基于Hebb规则优化的扩频码序列识别方法。直接序列扩频信号具有低信噪比、低截获概率等特点,给信号的接收处理带来了很大难度。要成功解扩直接序列扩频信号,必需正确识别出扩频码序列。新方法利用Hebb规则获得一种最优估计器,增强了权因子特征向量的相关性,对扩频码序列可以实现正确识别,适用于多种扩频码型,且抗噪性能较好。该方法还具有计算鲁棒性好、易于工程实现的优点。针对目前处理复杂的问题,新方法提高了运算效率,在低信噪比的复杂电磁环境中性能优于传统方法。

基于无监督Hebb规则的入侵检测方法

通过分析现有的入侵检测方法,提出了一个基于无监督Hebb规则的入侵检测方法。此方法采用高效的抓包工具抓取计算机网络数据包;根据抓取到的网络数据包的信息定义行为变量;根据无监督的Hebb规则构建网络行为模型;采用Hamming距离进行检测。实验证明该方法能够正确地构造网络行为模型,并能准确地检测出异常行为。

一种基于Hebb理论和PCA的图像压缩算法

监督学习在模式分类中是一种常见的学习方式,它需要利用带标签的样本来调整分类器的参数才能够实现正确的分类。但在实际应用中,带标签训练样本的获取可能会受到较大地限制,有时甚至不易获取。因此,只需要无类标样本的无监督学习方式逐渐成为研究的热点。本文结合Hebb学习理论和主分量分析,采用机器学习中的无监督学习方式实现了数字图像的高效压缩。实验结果表明,文中算法能够较好地实现数字图像的压缩,具有一定的实际应用价值。

PCNN模型耦合参数的优化及车辆图像分割

脉冲耦合神经网络(PCNN)具有良好的图像分割特性,但神经网络参数的选取对分割效果有较大影响,如何自适应地选择网络参数是脉冲耦合神经网络应用研究的重要内容.本文首次从脉冲耦合神经网络的耦合特性出发,结合神经计算原理及图像局部区域的灰度特性,提出了脉冲耦合神经网络耦合参数的优化算法.首先利用Hebb学习规则对脉冲耦合神经网络模型的链接权值矩阵进行更新,然后利用图像局部区域的均方差自适应确定神经元链接强度系数,最后将优化的PCNN模型应用于运动车辆图像分割.通过耦合参数的优化,增强了神经元之间的耦合强度,与传统PCNN的车辆分割结果相比,较好地避免了过分割和欠分割现象,提高了运动车辆图像中车牌区域的分割质量,为后续车辆特征的提取奠定了良好的基础.

神经网络方法在洞室施工期应力及变形预测中的应用及其改进

在有限元法计算结果的基础上,用神经网络方法对洞室施工期应力及变形进行预测。对BP神经网络算法进行了适当的改进,并提出了几种新的改进方法,得到了良好的效果。所得的结论具有较高的拟合精度,并有实用价值。

基于HMM与神经网络的声学模型研究

神经网络能依靠权值进行长时间记忆和知识存储,但是对输入模式的瞬时相应的记忆能力比较差;而隐马尔科夫模型的短时记忆的能力比较强,但是假定的前提又与实际情况不符.因此,采用HMM和ANN的混合模型来取双方之长,并在这种混合模型的基础上,对神经网络从结构设计、训练、到训练后期的结构调整进行了全程的优化;应用隐节点剪枝算法,并利用广义的Hebb规则重新确定网络的参数.实验表明,这种混合模型在语音识别中取得了良好的效果.

单神经元PID在绞车控制系统中的应用

水下及水面浮动平台是海洋开发研究中常见的支撑平台,它的平稳性对平台上设备的正常工作有极其重要的意义,由于水下环境复杂,受水流等不确定因素的影响,平台难以保持平稳状态,这就要求控制系统具有较强的抗干扰性和较高的控制精度。基于某水下试验平台的姿态控制系统,采用液压马达驱动绞车控制张力腿,分析并建立液压系统模型,结合神经网络控制和PID控制的优点,设计单神经元PID控制器,利用输入输出的误差,通过带监督的Hebb学习法则对权值进行实时修正,这种控制器不仅结构简单,且具有较好的自适应能力和鲁棒性。利用计算机仿真技术,在Malab中用simulink仿真平台,结合S函数进行建模仿真,得出仿真效果曲线图,结果表明单神经元PID控制器具有良好的控制效果和适应性。

求解超定线性方程组及其相关问题的神经网络算法

探讨了用神经网络求解超定线性方程组及其相关问题的可能性，并给出了求解的Ｈｅｂｂ算法．最后，求解了四个数值例子，获得了较为满意的结果．实例证明，对于用某些迭代法不能求解的线性方程组问题。

乳制品巴氏杀菌温度智能控制算法模拟及实验研究

采用热水箱模拟乳制品巴氏杀菌容器,研究热水箱水温的开环响应特性,建立了数学模型.运用MATLAB软件对该模型进行PID控制算法仿真研究,得到了PID控制参数的基本范围.在仿真研究所得参数的基础上,运用改进的有监督Hebb学习的单神经元自适应PID算法对热水箱水温进行控制,将其精确保持在目标温度,并且使其在有扰动的情况下具有良好的动态性能.该改进方法用于巴氏杀菌过程中的温度控制,可以确保乳制品的品质,并且降低了能耗.

模糊CMAC的柔性空间机器人轨迹跟踪自学习控制

针对不确定自由漂浮柔性空间机器人系统,采用模糊CMAC神经网络自学习控制策略来解决轨迹跟踪控制问题.首先建立漂浮基空间机器人的动力学方程,然后利用具有快速学习能力的模糊CMAC神经网络来逼近非线性柔性臂的逆动力学模型.网络参数采用改进的有监督的Hebb学习规则进行自适应在线调整,并通过关联搜索进行自学习和自组织,其误差代价函数由PID控制器提供.仿真结果表明,这种模糊CMAC逆模PID控制器能够达到较高的控制精度,具有一定的工程应用价值.

用于电力故障波形重现的逆变器建模及其自适应控制

从频域角度对用于故障波形重现的逆变器进行建模和分析。通过引入导通时间偏移量和时间–电压转换系数的概念提出一种改进模型,实现了占空比到输出电压的线性变换;克服了近似模型由于线性化造成的频带受限。引用能消除固有跟踪误差的准PID控制器对改进模型进行控制,为消除参数漂移等对其性能的影响,提出了基于"有感知器监督的Hebb学习规则"的单神经元自适应准PID控制器,很好地改善了控制性能,满足了故障波形重现的精度要求;且该算法运算量小,适合于实时实现和现有软件的更新升级。