结合LSTM与ResNet的声学回声消除

针对传统的声学回声消除(AEC)方法在双端讲话场景下较难实现快速收敛和动态自适应的问题,提出了一种结合长短时记忆(LSTM)与残差神经网络(ResNet)的AEC方法。通过使用LSTM和ResNet相结合的特征提取方法,同时提取到声学回声的时序特征和不同级别的抽象特征,且充分利用近端语音、近端麦克风语音和声学回声之间的幅度谱相似性的特点,引入它们之间的谱归一化互相关系数,构造了一种改进的理想二值掩蔽(iIBM)作为训练目标,此外引入深度可分离卷积使模型参数量减少了3.42 MB。实验结果表明:双端通话环境下所提出的方法相比参考算法取得了更高的客观评价得分。

基于RBF神经网络的舰载稳定平台控制系统

舰载稳定平台是一个非线性时变系统,采用传统PID控制难以达到较好的控制性能指标要求。对基于RBF神经网络整定PID参数的控制策略进行研究,针对液压缸突然起动或停止产生的液压冲击问题,根据活塞杆运行距离设计理想速度曲线,建立舰载稳定平台控制系统的数学模型,并在此基础上搭建Simulink仿真模型。仿真结果表明,基于RBF-PID控制的舰载稳定平台较传统PID控制有更快的响应速度、更好的适应能力,在调平开始阶段的超调量降低了16%,到达稳态的时间缩短了1.6s。

高速摄影仪成像噪声去除方法研究

高速摄影仪在超高帧率下(>10000 FPS)易产生噪声,该噪声分布复杂,难以获取与有噪图像完全对应的清晰图像。针对该问题,提出一种基于非理想配对图像的卷积去噪网络训练方法。首先利用高速和低速摄影仪拍摄相同场景图像,获得有噪图像及与其对应的非理想配对清晰图像;然后,建立基于卷积神经网络的深度去噪模型,结合亮度一致化和图像对齐方法,实现非理想配对图像的监督学习,从而去除成像噪声;最后,引入模型量化技术将模型参数和激活值由32位浮点数量化为8位定点数,降低模型大小、内存需求和运行时间。实验结果表明,提出的去噪方法可有效去除高速摄影仪成像噪声,相比于其他方法,去噪图像峰值信噪比提高1.96 dB,结构相似性提高1.95%;通过模型量化,模型大小降低4倍,内存需求降低45.62%,运行时间降低37.5%。

基于BP神经网络和霍夫变换的非理想虹膜定位

针对传统虹膜定位方法对非理想虹膜定位效果不理想的问题,提出了一种基于BP神经网络和霍夫变换的非理想虹膜定位方法.首先,将要定位的虹膜图像分块,提取每块图像的特征向量;其次,采用BP神经网络的方法,检测边缘块与非边缘块,通过对边缘块进行数学运算实现外边界的精确定位;然后,以外边界的圆心为种子像素,对内边界进行区域增长;最后,利用霍夫变换实现内边界的精确定位.实验结果表明该算法具有较高的准确率,并且对睫毛与眼睑遮挡严重、女生画眼线等情况,该算法也能取得较好的效果.

理想薄平板气动导数的人工神经网络识别

介绍一种用BP人工神经网络方法识别理想薄平板的气动导数的方法.通过构造BP网络,比较各种因素对识别结果的影响.数据处理方式对神经网络的训练结果影响很大.隐层单元数量、训练次数、随机赋值次数、样本数量等对训练结果也有影响,但影响较小.采用这种方法识别理想薄平板的气动导数是可行的,并且具有较高的精度.

线控转向系统滑模控制策略研究

针对线控转向系统的控制问题,通过Matlab/Simulink软件搭建了整车控制仿真模型,其中包括七自由度整车动力学模型、"魔术公式"轮胎模型、预瞄最优化神经网络驾驶员模型,并基于二自由度车辆模型设计了理想传动比、最优滑模面的滑模控制算法以及消除抖振的滤波算法;然后进行了操纵稳定性试验仿真,并与前述仿真模型改用PID控制算法以及无控制仿真结果进行对比分析。结果表明:滑模控制下的线控转向系统可以更好地追踪理想值,提高了汽车的操纵稳定性、驾驶轻便性。

忆阻突触耦合Hopfield神经网络的初值敏感动力学

该文报道了3神经元Hopfield神经网络(HNN)在电磁感应电流作用下的初值敏感动力学。利用非理想忆阻突触,模拟由两个相邻神经元膜电位之差引起的电磁感应电流,构建了一种简单的4维忆阻Hopfield神经网络模型。借助理论分析和数值仿真,分析了不同忆阻突触耦合强度下的复杂动力学行为,揭示了与状态初值密切相关的特殊动力学行为。最后,设计了该忆阻HNN的模拟等效实现电路,并由PSIM电路仿真验证了MATLAB数值仿真的正确性。

基于理想方案的BP神经网络土地利用规划方案评价

将神经网络方法引入土地利用规划方案的评价中,并针对没有已知的学习样本可供学习的情况,提出了一种基于"理想方案"的学习和评价方法,并以北京市平谷区王辛庄镇的土地利用规划方案评价为例,进行了实证研究。结果表明:基于理想方案的BP神经网络评价方法实现了定性分析与定量分析的有机结合,较好地保证了评价结果的客观性,是一种有效评价方法。

“车适应人”线控汽车理想特性参考模型神经网络建模

针对线控汽车上通过对各个线控系统地集成控制以实现个性化理想汽车动力学特性即"车适应人"问题,进行了线控汽车理想特性参考模型神经网络建模研究。对驾驶员特性进行了初步分类,给出了汽车理想特性控制原理;设计了汽车驾驶模拟器实验,进行了理想特性参考模型神经网络建模;对模型精度、特性反映程度和实时性进行了实验验证。研究表明,所建立的理想特性参考模型精度高、实时性好,能反映不同驾驶特性,建模方法具有可行性。

一种基于熵权多目标决策和人工神经网络的炼油企业绩效评价方法

提出了一种基于熵权多目标决策的逼近理想解法(TOPSIS)和人工神经网络(ANN)的炼油企业绩效评价方法,以熵权TOPSIS的企业绩效评价结果作为学习样本,对神经网络进行训练、测试,进而对指标加以赋权,最终得到了企业绩效综合评判式,并将其用于炼油企业绩效评价。实例分析结果表明,该方法科学有效、实际可行,具有一定的智能性,为炼油企业绩效评价提供了一种新的途径。

多属性决策神经网络模型与应用

针对多属性决策问题,提出了基于理想解的竞争神经网络模型方法.采用竞争神经网络对备选方案进行学习、分类,并结合多属性决策的理想解概念,根据方案间欧式距离远近,对备选方案进行排序.最后使用Matlab软件进行仿真计算,得到码头较优的结构方案,表明该方法是可行的.

双BP神经网络的永磁同步电机磁链与转矩无差拍控制

为实现永磁同步电机(PMSM)磁链与转矩的定量控制,基于磁链与转矩变化量简化模型,提出永磁同步电机磁链与转矩无差拍(DB)控制策略。实现DB控制需要转矩角信息,PMSM转矩角可通过查表或基于定子磁链d、q轴分量求解,但前者需要大量储存空间,后者需要转子位置实时信息和旋转坐标变换。构建和训练反向传播(BP)神经网络来输出转矩角,并采用BP神经网络替代DB控制实现理想电压矢量角度的预测,建立基于转矩角和理想电压矢量角度预测双BP神经网络的PMSM磁链与转矩DB控制系统。仿真结果表明,BP神经网络可用于预测转矩角和理想电压矢量角度,双BP神经网络的PMSM磁链与转矩DB控制系统运行良好。

基于TOPSIS和BPNN的售电公司供电服务质量评价

售电侧放开后,售电公司大量涌现并相互竞争,电力客户面临多样化供电选择。优质的供电服务是售电公司开拓市场和在竞争中取胜的根本,也是电力客户发挥自主选择权利的关键因素。本文首先分析售电公司的概念、类型和供电服务的内涵,构建新电改下售电公司供电服务质量评价体系;然后基于BPNN实现下层评价系统自适应评价,基于TOPSIS实现供电服务质量综合评价;最后通过实例分析证实该体系和方法具有一定有效性,并对售电公司的供电服务和长期发展提出一定建议。

基于径向基神经网络的主动前轮转向自抗扰控制

为研究复杂环境下车辆主动前轮转向系统(active front wheel steering,AFS)的稳定性问题,提出一种基于径向基神经网络(radial basis function neural network,RBFNN)的主动前轮转向自抗扰控制(auto disturbance rejection control,ADRC)方法,通过设计RBF神经网络结构采用梯度下降法达到自抗扰控制器参数整定的目的,改善ADRC参数多整定耗时且控制效果难以保持最优的不足;针对车辆AFS定传动比的不足,设计固定横摆角速度增益的理想变传动比规则。结果表明,基于RBF神经网络的ADRC策略能够较好地实现动态跟踪主动前轮转向理想横摆角速度,同时相比ADRC抗干扰量提高了25.8%,有效抑制了横摆角速度的振荡幅值。可见该方法提高了理想横摆角速度的跟踪能力,改善了车辆的可控性和稳定性并具有良好的控制精度。

基于博弈论-TOPSIS法的船型综合评价方法

船型综合评价是一个多目标决策问题。为克服采用单一方法确定权重存在的片面性,基于主观赋权的层次分析法(AHP)、客观赋权的熵权法(EWM)和智能赋权的BP-神经网络法3类赋权法得到的权重,采用博弈论法来确定指标的组合权重,将各评价指标组合权重与逼近理想解排序法(TOPSIS)结合,建立博弈论–TOPSIS评价模型。并以一组消防船为例进行了案例分析。评价结果表明,博弈论–TOPSIS法与改进复合权重TOPSIS法的评价结果趋势一致,且博弈论–TOPSIS法的方案区分度更大,说明采用博弈论法确定的指标组合权重更加合理,能够为多方案船型评价工作提供更有效的评价工具。

一种基于组合深层模型的语音增强方法

模型建立是语音增强系统的重要一环,对最终系统性能起着决定性的作用。针对语音增强系统在低信噪比和非平稳噪声环境中性能不佳的问题,提出一种基于组合深层模型的语音增强系统。首先,使用深度神经网络(deep neural network,DNN)从含噪语料中估计掩蔽值;然后,将掩蔽值通过前后帧拼接转化为灰度图送入卷积神经网络(convolutional neural network,CNN)进行识别;最后,用识别出的掩蔽矩阵合成目标语音。实验证明,与单纯使用DNN进行掩蔽值估计的系统相比,联合DNN和CNN的语音增强系统在各项评价指标中均得到改进,尤其在低信噪比和非平稳噪声环境中提升更为明显。

基于神经网络的语音增强算法研究

利用神经网络提高语音增强模型的性能与泛化能力。对语音信号做短时傅立叶变换并提取对数能量谱特征,使用卷积循环网络(CRN)进行拟合,理想比例掩膜(IRM)作为回归目标。在方法上与全连接层网络、RNNoise对比,在目标上将理想比例掩膜与直接映射(DM)对比。在未训练过的噪声各个信噪比(SNR)上平均提高主观质量评分0.55分。

神经理想的Gröbner基与典范形式集

神经环和神经理想这一概念是由Curto等(2013)提出的,它们是用于整理和分析神经编码中复杂组合信息的一种有用的代数方法.文章主要研究了神经理想的典范形式集与Gröbner基之间的关系,并根据Gröbner基中的元素给出了3种新类型的RF-关系.