一种具有正弦基函数权值的反馈型神经网络模型

提出了一种新的两层反馈型神经网络模型. 该网络采用正弦基函数作为权值, 神经元激活函数为线性函数, 连接形式为两层反馈型结构. 研究并定义了该反馈型神经网络的能量函数, 分析了网络运行的稳定性问题, 并证明了在Liapunov意义下网络运行的稳定性. 网络运行过程中, 其权值不做调整(但随时间按正弦规律变化), 网络状态不断地转换. 随着网络状态变化其能量不断减小, 最终在达到稳定时能量到达极小点. 由于该反馈型神经网络权值为正弦函数, 特别适合于周期信号的自适应逼近和检测, 为实际中周期性信号检测与处理提供了一种新的、有效的网络模型和方法. 作为应用实例把该网络应用于电力系统中电压凹陷特征量实时检测, 仿真结果表明, 网络用于信号检测不仅有很高的静态精度, 而且有非常好的动态响应特性.     

变权小世界生物神经网络的兴奋及优化特性

根据实际生物神经网络具有小世界连接和神经元之间的连接强度随时间变化的特点,首先构造了一个以Hodgkin-Huxley方程为节点动力学模型的动态变权小世界生物神经网络模型,然后研究了该模型神经元的兴奋特性、权值变化特点和不同的学习系数对神经元的兴奋统计特性的影响.最有意义的结果是,在同样的网络结构、网络参数及外部刺激信号的条件下,学习系数b存在一个最优值b^*,使生物神经网络的兴奋度在b=b^*时达到最大. 关键词： 动态变权生物神经网络 小世界网络 Hodgkin-Huxley方程     

自构建小波神经网络的内模控制研究与应用

考虑到小波神经网络隐含层神经元的数目决定了整个网络的规模和性能,根据小波基函数的激励强度和衰减程度可以添加或者删除小波神经网络隐含层神经元,优化了小波神经网络隐含层结构,采用自构建小波神经网络辨识内模控制系统的正模型和逆模型,该模型的神经网络结构可根据性能要求动态调整,从而改进了神经网络内模控制技术,实验结果表明,提出的控制方法比传统方法在鲁棒性和抗扰性方面具有更好的性能表现,各项指标均优于传统控制方法,实现氧化铝熟料烧结工艺优化。     

自适应模糊控制的自平衡机器人设计

在两轮自平衡机器人系统的平衡控制中,为解决因所建立的数学模型不准确和存在未知干扰而影响控制性能的问题,设计了一种自适应模糊控制方法。首先,运用牛顿力学法建立了系统在斜坡上运动的数学模型。基于所建立的非线性动态模型,采用单点模糊化、乘积推理机和中心平均解模糊化的方法构建了自适应模糊逻辑控制器,然后通过李雅普诺夫稳定性分析的方法,导出控制器的自适应律。在MATLAB/Simulink中,对自适应模糊控制的两轮自平衡机器人的平衡情况进行了仿真,结果表明,提出的自适应模糊控制器可以实现系统平衡,并具有自适应能力和鲁棒性。     

量子过程神经网络模型算法及应用

为提高过程神经网络的逼近和泛化能力, 从研究过程神经元信息处理的量子计算实现机理入手, 提出基于量子旋转门及多位受控非门的物理意义构造量子过程神经元的新思想. 将离散化后的过程式输入信息作为受控非门的控制位, 经过量子旋转门作用后控制目标量子位的状态, 以目标量子位处于状态|1>概率幅作为量子过程神经元的输出. 以量子过程神经元为隐层, 普通神经元为输出层, 可构成量子过程神经网络. 基于量子计算机理推导了该模型的学习算法. 将该模型用于太阳黑子数年均值预测, 应用结果表明, 所提方法与普通过程神经网络相比, 预测精度有所提高, 对于复杂预测问题具有一定理论意义和实用价值.     

波群模型和支持流量疏导的光交换结构

针对多粒度应用,开发了一种用于流量疏导的波群模型,并引入一种基于此模型的新型智能交换结构.该光交换结构提供了独特的区分粒度到相应隧道进行有效处理的方法.此外,还讨论了控制层粒度分离时采用的两个关键的动态算法模块.仿真结果显示这种特殊的通道分离方法有效提高了处理动态连接请求时每个光路径的平均信号通道质量和阻塞性能.     

动态突触、神经耦合与时间延迟对神经元发放的影响

神经元膜电位的受激发放在神经系统的信息传递中起着重要作用.基于一个受动态突触刺激的突触后神经元发放模型,采用数值模拟和傅里叶变换分析的方法研究了动态突触、神经耦合与时间延迟对突触后神经元发放的影响.结果发现:突触前神经元发放频率与Hodgkin-Huxley神经元的固有频率发生共振决定了突触后神经元发放的难易,特定频率范围内的电流刺激有利于神经元激发,动态突触输出的随机突触电流中这些电流刺激所占的比率在很大程度上影响了突触后神经元的发放次数;将突触后神经元换成神经网络后,网络中神经元之间的耦合可以促进神经元的发放,耦合中的时间延迟可以增强这种促进作用,但是不会改变神经耦合对神经元发放的促进模式.     

基于BP神经网络及模糊推理的温度预警模型研究

主要研究建立疫苗冷链物流运输过程中的温度监控预警模型,通过优化的BP神经网络算法进行温度的预测,并采用模糊推理进行有效的决策预警,旨在把冷链物流运输中可能产生的损失降到最低;仿真测试阶段通过建构一个隐藏层神经元为13个的优化BP神经网络,在Matlab中进行有效性仿真,训练回归统计R值接近于1,且得出期望输出与实际值相差无几;模糊推理系统采用trapmf隶属函数,通过仿真的规则曲面表明该规则对输入有良好的判断。      

双复杂网络间的演化博弈

复杂网络的演化博弈是社会结构与稳定的重要模型. 基于单网络演化博弈模型, 提出了一种双复杂动态网络的演化博弈模型, 考虑双复杂网络在两个不同收益矩阵的囚徒困境博弈下增长, 当两个网络没有相互联系时, 发现增长网络中的空间互利性所导致的平均合作水平的突变, 推广了前人的结论. 在两个网络有相互联系时, 平均合作水平可以两者出现高度同步. 在网络的收益系数达到一定时, 才实现较高的合作水平. 增加网络内连接数量时, 自然选择不利于网络的合作, 而公平选择却有利于网络的合作, 说明了更新策略的影响. 当增加网络间连接数量时, 两个网络合作水平都下降. 当保持网络间和网络内的连接比例不变时, 网络的平均度越大, 平均合作水平越小. 本文发现了背叛领袖的存在, 并揭示了双网络模型下背叛领袖对平均合作水平的影响及其与合作领袖的互动机理, 这结果给出社会结构, 稳定和演化的重要信息和启示.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

分组全连接的近红外光谱定量分析网络

全连接网络作为深度学习中的一种典型结构,几乎在所有神经网络模型中均有出现。在近红外光谱定量分析中,光谱数据样本数量较少,但每个样本的维度高。导致了两个问题：将光谱直接输入网络,网络的参数量会十分庞大,训练模型需要更多的样本,否则模型容易进入过拟合状态;在输入网络前对光谱进行降维,虽解决了网络参数量过大的问题,但会丢失一部分信息,无法充分发挥网络的学习能力。针对近红外光谱的特性,提出了一种分组全连接的近红外光谱定量分析网络GFCN。该网络在传统的两层全连接网络的基础上,用若干个小的全连接层替代第一个全连接层,克服了直接输入光谱导致网络参数量过大的缺点。采用Tecator和IDRC2018数据集对该方法进行测试,同时与全连接网络FCN和偏最小二乘PLS两种方法进行对比。结果显示：在两个数据集上,GFCN预测效果均优于FCN和PLS。在只有少量样本参与建模的情况下,GFCN依然能够保持较高的预测效果。表明,GFCN可以用于近红外光谱的定量分析,并且适应样本较少的场景,具有重要的研究价值和广泛的应用场景。     

基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究

夏威夷果含油量高,在开缝之后容易发生变质,现有关于夏威夷果品质鉴定的方法多为传统的破坏性检验,很难满足无损检测的需求。卷积神经网络(CNN)作为应用最广泛的深度学习网络模型之一,具有比浅层学习方法更强的特征提取与模型表达能力,在光谱数据方面的应用拥有很大潜力。基于夏威夷果在可见-近红外的光谱特征分析,研究用于提取夏威夷果光谱特征的卷积神经网络模型,并提出一种高效无损鉴定夏威夷果品质的方法。首先以三种不同品质的夏威夷果(好籽、哈籽及霉籽)为研究对象,分析样本在500~2 100 nm的光谱信息;在光谱数据预处理中引入白化处理方法,用以增强数据的相关性差异;然后在模型训练过程中,将样本随机分为训练集和预测集,探讨不同CNN结构、卷积层数、卷积核大小及个数、池化层类型、全连接层神经元个数以及激活函数对分类结果的影响,并采用激活函数ReLU和Dropout方法,预防样本数据过少引起的过拟合现象;最后通过分析模型分类准确率和计算效率,确定了一个6层结构的CNN模型： 输入层-卷积层-池化层-全连接层(200神经元)-全连接层(100神经元)-输出层。实验结果表明： 上述网络模型对校正集和预测集的分类准确率均达到100％。因此,改进后的卷积神经网络模型可充分学习夏威夷果的光谱特征并有效分类,将深度学习理论与光谱分析相结合的方法能够实现对夏威夷果品质的准确鉴定,同时为夏威夷果等坚果类食品的高效、无损、实时在线检测提供了新思路。     

基于双向循环神经网络的汉语语音识别*

当前基于深度神经网络模型中,虽然其隐含层可设置多层,对复杂问题适应能力强,但每层之间的节点连接是相互独立的,这种结构特性导致了在语音序列中无法利用上下文相关信息来提高识别效果,而传统的循环神经网络虽然做出了改进,但是只能对上文信息进行利用。针对以上问题,该文采用可以同时利用语音序列中上下文相关信息的双向循环神经网络模型与深度神经网络模型相结合,并应用于语音识别。构建具有5层隐含层的模型,其中第3层为双向循环神经网络结构,其他层采用深度神经网络结构。实验结果表明:加入了双向循环神经网络结构的模型与其他模型相比,较好地提高了识别正确率;噪声对双向循环神经网络汉语识别有重要影响,尤其是训练集和测试集附加噪声类型不同时,单一的含噪声语音的训练模型无法适应不同噪声类型的语音识别;调整神经网络模型中隐含层神经元数量后,识别正确率并不是一直随着隐含层中神经元数量的增加而增加,神经元数量数目增加到一定程度后正确率出现了降低的趋势。     

不确定时滞混沌系统的自适应动态神经网络控制

研究了一类具有不确定时滞的非自治混沌系统的控制问题. 通过结合Lyapunov-Krasovskii函数和Lyapunov函数设计参数可调的不确定时滞补偿器,使得反馈控制输入信号不受时延的影响;同时引入动态结构自适应神经网络,以消除系统的不确定性,其隐层神经元的个数可以随着逼近误差的增大而自适应增加,改善了逼近速度与网络复杂度的关系;最后,用Duffing混沌系统的控制仿真示例表明该方法的有效性. 关键词： 混沌系统 自适应控制 不确定时滞 动态结构神经网络     

迟滞混沌神经元/网络的控制策略及应用研究

为了保持神经网络在优化计算求解过程中结构不被改变, 以迟滞混沌神经元和迟滞混沌神经网络为研究对象, 提出了一种基于滤波跟踪误差的控制策略来实现神经元/网络的稳定控制. 采用该控制策略, 在不改变非线性特性发生机理的情况下, 神经元/网络可实现函数优化计算问题的求解. 所设计的控制律包含两部分: 一部分是系统进入滤波跟踪误差面时的等效控制部分, 另一部分为确保系统快速进入滤波跟踪误差面的控制部分. 采用Lyapunov方法对神经元/网络的控制进行了稳定性证明. 根据待寻优函数直接求得神经元的控制律, 在该控制律的作用下, 神经元/网络可逐渐稳定到优化函数的极值点, 从而实现优化问题的求解, 仿真实验结果验证了该控制方法在优化计算中的可行性和有效性.     

空调热水一体机结霜工况下运行特性的模拟研究

针对传统建模方法的局限性,采用人工神经网络对冬季结霜工况下空调热水一体机的动态运行特性进行了模拟研究,利用BP算法对网络的各层连接权值进行学习和调整,建立了机组运行特性预测模型;采用期望偏差百分率(EEPk)进行误差分析,其计算结果表明网络的预测效果与训练效果吻合较好,证明该方法切实可行,为更好的分析空调热水一体机的性能提供一种思路,同时也为机组的除霜控制和在线故障诊断提供了参考。     

手机短信网络的生长过程研究

模拟了短信网络的生长过程并研究其拓扑结构.发现短信网络在生长过程中，度分布、节点的度与其加入网络时间的关系、平均度随时间的变化等方面与先前的模型有所不符.根据短信网络的数据分析，提出了短信网络的生长机制——局部优先连接机制.结果表明，模拟以短信网络为代表的实际网络时，局部优先连接模型优于其他网络模型. 关键词： 复杂网络 短信网络 局部优先连接     

基于Web 2.0的边与节点同时增长网络模型

模拟了Web2.0网络的发展过程并研究其拓扑结构,分析某门户网站实际博客数据的度分布、节点度时间变化,发现与先前的无标度网络模型有所差别.根据真实网络的生长特点,提出了边与节点同时增长的网络模型,包括随机连接及近邻互联的网络构造规则.仿真研究表明,模拟的网络更接近实际,在没有优先连接过程时,模型能得到幂率的度分布;并且网络有更大的聚类系数以及正的度相关性。     

多路高精度机器人控制器软硬件设计及优化

为实现多路高精度伺服电机驱动控制,设计了由软件和硬件组成的机器人控制器系统。控制器包括ATMEGA8微处理器搭配74HC595的硬件结构和冒泡算法两部分,可以产生多达32路的PWM信号,但测试结果显示输出信号精度不高。为进一步提高PWM控制信号的输出精度,将软硬件进行了优化,设计了以STM32微处理器为核心采用定时器分时算法的控制器。该控制器利用4个定时器并行输出多达32路的高精度PWM信号,在机器人和自动控制领域有很好的应用前景。     

基于内在动机的强化学习算法在两轮机器人中的研究

针对两轮自平衡机器人在学习过程中遇到的主动性差和以往强化学习对单步学习效率低的问题,受心理学中内在动机理论的启发,提出一种基于内在动机的强化学习算法;该算法利用内在动机信号作为内部奖励,模拟人类心理认知机理并与外部信号一起作用于整个学习过程,提高了智能体的自学习能力,同时采用自组织神经网络进行训练,保证了算法的快速性;通过无扰动和有扰动两种仿真实验的对比,验证了基于内在动机的强化学习算法能够使两轮机器人在未知环境下通过自主学习最终达到平衡,且体现了该算法的鲁棒性和可行性。