基于动量梯度下降的回声消除算法

针对极端环境话音系统下声学回波影响工作人员正常施工,且常规声学回声消除算法收敛速度慢的问题,提出一种基于动量梯度下降的基于l0范数的改进系数成比例归一化最小均方误差算法(L0⁃IPNLMS)。该算法将动量因子引入L0⁃IPNLMS算法中,解决在算法运行过程中梯度下降时梯度摆动幅度可能过大的问题,也提高了自适应滤波器的收敛速度,且残余回声下降明显,声学回波抑制效果更好。仿真实验表明,与L0⁃IPNLMS算法相比,新算法在模拟随机多音信号与真实语音信号输入时,均方误差(MSE)可以降低3.47 dB和3.69 dB,回波抑制比(ERLE)提高了3.46 dB和3.68 dB,在低信噪比情况下,使用新算法对真实语音信号进行回声消除,收敛速度高于L0⁃IPNLMS等算法,且收敛效果有明显改进。

基于梯度下降算法和动量因子的醇基燃料锅炉燃烧温度非线性控制方法

醇基燃料锅炉燃烧温度与控制参数之间的关系不是简单的线性关系,增加了控制的难度,提出基于梯度下降算法和动量因子的醇基燃料锅炉燃烧温度非线性控制方法。建立醇基燃料锅炉的气流三维流动方程,确定燃烧速率、实际温度与期望温度之间的差值以及差值变化率等温度非线性控制参数。搭建燃烧温度控制的模糊神经PID控制器,采用梯度下降算法和动量因子对PID神经网络的权值展开训练,将所得温度非线性控制参数输入训练后的模糊神经PID控制器,实现醇基燃料锅炉燃烧温度非线性控制。实验结果表明,所提方法对于燃烧速率、实际温度与期望温度之间的差值以及差值变化率计算结果精准,温度控制精度高,温度变化率低,燃料能源利用率高,实际应用效果好。

机载射频传感器主动电磁兼容方法研究

机载射频传感器系统作战能力越来越高,而各传感器电子设备高度集成且在载机的有限空间安装。由于各传感器灵敏度高,发射功率大且发射频带宽,各电子设备内部及相互间的电磁传导、辐射等电磁兼容问题需要精心设计,电磁兼容措施有效性直接关系到机载传感器系统的研制成败。文章对传感器内部电磁兼容需求及设计进行了总结,重点针对传感器间同时发射接收的自适应对消主动电磁兼容技术进行了研究,采用基于动量梯度下降算法,综合当前梯度估计和历史估计实现梯度更新,提升了收敛速度,并实现对本机宽带发射信号优于55 dBc的对消比,实现传感器间发射和接收功能的真正同时工作,该技术可支持载机边探测、边攻击、边防御、边通信的能力,对机载射频传感器系统具有非常重要的意义。

卷积神经网络中基于差分隐私的动量梯度下降算法

针对卷积神经网络(CNN)模型的训练过程中,模型参数记忆数据部分特征导致的隐私泄露问题,提出一种CNN中基于差分隐私的动量梯度下降算法(DPGDM)。首先,在模型优化的反向传播过程中对梯度添加满足差分隐私的高斯噪声,并用加噪后的梯度值参与模型参数的更新过程,从而实现对模型整体的差分隐私保护;其次,为了减少引入差分隐私噪声对模型收敛速度的影响,设计学习率衰减策略,改进动量梯度下降算法;最后,为了降低噪声对模型准确率的影响,在模型优化过程中动态地调整噪声尺度的值,从而改变在每一轮迭代中需要对梯度加入的噪声量。实验结果表明,与DP-SGD(Differentially Private Stochastic Gradient Descent)相比,所提算法可以在隐私预算为0.3和0.5时,模型准确率分别提高约5和4个百分点。可见,所提算法提高了模型的可用性,并实现了对模型的隐私保护。

基于ILSTM-AMSGD神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory,LSTM)神经网络的结构参数众多、训练过程耗时长问题,提出一种基于自适应动量随机梯度下降(adaptive momentum stochastic gradient descent,AMSGD)算法的改进型长短期记忆神经网络(ILSTM-AMSGD神经网络),并将其用于时间序列预测中。首先,通过简化结构方程中的递归项权值,减少网络中所需训练的参数。其次,设计一种AMSGD算法对神经网络结构参数进行学习。最后,通过2个基准数据集和1个实际数据集对ILSTM-AMSGD神经网络模型在时间序列预测中的准确性和运行效率进行实验验证。结果表明,递归项权值简化方法可以提高模型的泛化能力,同时AMSGD算法加快了模型的收敛速度。与其他模型相比,ILSTM-AMSGD神经网络模型实现了对时间序列更加高效、准确的预测。

多径异步LSC-DS-CDMA信号伪码估计

针对多径环境下异步长短码直扩码分多址信号(long and short code direct sequence code division multiple access,LSC-DS-CDMA)伪码估计难的问题,提出一种基于张量分解和联合估计的伪码估计方法,采用重叠窗对接收信号进行分段并构建张量模型。为改善传统线性步长搜索算法结合梯度下降的方法分解因子矩阵收敛较慢的问题,提出改进的线性步长搜索算法,结合使用动量梯度下降法对各子张量进行Tucker分解得到各因子矩阵,所需的迭代次数大大减少;利用接收增益矩阵和移位相乘解决复合码的排序模糊和幅度模糊问题;利用最大似然准则联合估计复合码和多径信道后,使用梅西算法和相关运算估计每个用户的长码和短码。仿真结果表明,该方法能够有效估计多径异步LSC-DS-CDMA信号的伪码。

光伏并网系统二电平逆变器的故障诊断

为避免因采集多元信息带来成本的提高和因处理多元数据影响诊断系统的快速性问题,同时为进一步提高故障诊断的准确性,提出采用基于小波分解和直流分量进行充分提取三相逆变器输出电流的信息进行故障诊断的方法。首先进行小波分解提取故障特征并进行归一化处理;同时为了进一步提高定位故障功率管的精准度,再提取三相输出电流信号的直流分量值,并将以上两种信息融合;最后采用自适应动量梯度下降法的BP神经网络进行训练。仿真结果表明,该方法在避免采集和处理多元数据的同时,进一步提高了故障功率管的识别和定位,准确率达98.15%,实现了逆变器开路情况的故障诊断。

一种BP网的学习速率与动量项自适应算法

针对BP网络学习速率和动量项参数较难选取以及学习过程中学习效率较为低下的问题,提出BP网络的改进算法模型—AB网络模型,来选取学习速率和动量项的参数值,即通过一个为给定先验知识的A网,动态调节另一个执行实际应用的B网中的学习速率和动量项的参数值,并以此提高整个网络的学习效率.实验结果表明,通过AB网络自适应调整参数的算法比普通BP算法的学习效率大大提高.在实际应用中,我们可以通过AB网络自适应调节的方法,对学习速率参数和动量项参数进行合适的选取.

基于神经网络的钢铁企业电厂煤汽比预测模型

以钢铁企业自备电厂锅炉煤汽比为研究对象,以灰色关联度分析为基础,从理论和数据两方面分析了影响煤汽比的主要因素及各因素对煤汽比影响程度的大小.结果表明,各因素对煤汽比的影响程度为排烟温度>热风温度>给水温度>空燃比>烟气含氧量.基于BP神经网络预测方法,建立了自备电厂锅炉煤汽比预测模型,此BP神经网络为5-12-1结构,隐含层和输出层分别用tansig,purelin函数传递,利用改进动量梯度下降优化算法traingdm训练网格.预测结果表明,该模型网络训练值与实际值较吻合,相关系数R达到0.993 7,用建立的网络进行预测,预测的相关系数为0.976 2,平均误差绝对值为3.9%,在可控范围之内,证明了网络的可靠性与良好的泛化推广能力,可用来指导实际生产.

BP神经网络在负载管理中心故障诊断中的应用

在分析电气负载管理中心故障特点的基础上,利用神经网络权值和阈值能够随实际的排故结果不断更新及正向推理速度较快的特性,提出了基于BP神经网络的负载管理中心故障诊断方案,并确立了故障诊断BP网络模型。借助于MAT-LAB的神经网络工具箱,采用两种改进的训练算法对网络进行训练,得到了用于诊断的BP神经网络模型,为检验该模型故障诊断的准确性,采用大量的数据样本进行了仿真。结果表明:基于神经网络的诊断方法故障识别率高、快速有效,具有良好的实用价值。

基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。

基于动量梯度下降法的姿态数据采集系统

针对水下机器人姿态数据采集过程中由测量系统误差导致的姿态数据噪声大、精度低等问题,设计一套以STM32F429系列单片机为主控制器,MPU9250九轴传感器为姿态检测模块的水下机器人姿态采集系统。首先对系统采集的加速度计和磁力计数据采用中位值平均滤波算法进行滤波;然后通过动量梯度下降算法实现多传感器数据融合和姿态信息获取。在姿态数据信息融合过程中,通过不同传感器解算的姿态数据确定目标函数,并通过不断迭代的过程实现对最优姿态数值的逼近。静态和动态实验数据表明,该算法相比互补滤波算法解算的横滚角、俯仰角、偏航角的标准差分别降低1.22%、47.47%、70.31%和31.51%、20.62%、37.01%。在水下机器人姿态控制中具有很好的应用前景。

基于加速度计模型重构的自适应姿态融合算法

针对传统四旋翼无人机梯度下降姿态融合算法收敛较慢,步长难以确定,且受非重力加速度影响大的问题,提出一种基于加速度计模型重构的自适应姿态融合算法。在加速度计模型重构的基础上,利用自适应Momentum梯度下降算法融合加速度计与陀螺仪数据进行水平姿态角解算,最后结合所得水平姿态角与磁力计数据计算偏航角。实验结果表明:该算法在低速和高速运动状态下相对于传统算法的精度分别提高了3~4个数量级和1个数量级。

高速公路进出流量差异的BP神经网络预测模型

进出高速公路收费站车流量的差异和变化给营运管理带来一定难度。分析了造成流量差异的部分因素,建立了BP神经网络预测模型,并运用Matlab工具进行仿真及误差分析。结果显示,采用本模型可缩短训练时间,避免训练陷入局部极小值,并可对近期4d的车流量差值进行可靠预测。

基于改进BP神经网络的尿液中红白细胞识别算法

对显微图像中的尿液有形成分包括红白细胞等进行分析,可以帮助医生对有肾脏和泌尿系统疾病的患者进行评估。针对无染色、无标记的尿液图像中红白细胞存在对比度低、边缘模糊等问题,提出一种基于改进BP神经网络的识别方法。首先,将遗传算法引入BP神经网络对网络权值和阈值进行优化,解决训练过程中网络容易陷入局部极值等问题,提高BP神经网络的识别精度;其次,使用动量梯度下降法消除网络在梯度下降中产生的摆动,加快网络的收敛,提高BP神经网络的学习速度。与基础BP神经网络相比,改进方法对红白细胞的识别准确度分别提高了6.9%和9.5%,且识别时间分别缩短了19.3 s和42.1 s;与CNN识别算法相比,改进算法对白细胞的识别准确度提高了1.7%;与SVM识别算法相比,改进算法对红白细胞的识别准确度分别提高了12.9%和12.7%。验证实验和对照实验的结果表明,改进方法能以较高的准确率和较快的速度实现红白细胞的识别。