基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法，给出的方法能直接从数据中提取模糊规则，经过优化得到最佳模糊规则库，并利用神经网络的自学习功能修改隶属函数的参数和网络的权值，减少了规则的匹配过程，加快了推理速度，增强了网络的自适应能力. 使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究，试验结果表明给出的预测工具和方法是有效的. 关键词： 模糊神经网络 模糊规则提取 混沌时间序列预测     

一种基于模糊RBF神经网络自整定的拥塞控制算法

模糊系统具有容易被人理解的表达能力,神经网络则具有极强的自适应学习能力。本文将模糊逻辑控制技术和神经网络技术相结合,给出了一种比单独模糊系统或单独的神经网络系统性能更好的基于模糊RBF神经网络自整定的拥塞控制方法。该方法根据路由器中队列长度的变化来调整数据包的丢弃概率,从而使路由器的队列长度稳定在一期望值附近。仿真结果表明,该算法具有较强的鲁棒性,更短的调节时间。     

改进加权支持向量机回归方法器件易损性评估

加权支持向量机回归算法,几乎都是以样本输入空间中的一个重要特征量的函数来确定权值,造成了在高维特征空间中作回归可能存在较大误差。针对这一问题,提出利用高维特征空间中的欧基里德距离来确定权值的方法,构造了一种改进的加权支持向量机回归算法,并将其应用到电子器件高功率微波易损性评估中。仿真结果表明:该方法具有比模糊神经网络法、标准支持向量机回归算法和一般的加权支持向量机回归算法更高的预测精度。由于增加了权值的计算过程,相对于标准支持向量机回归和模糊神经网络方法,该方法的效率较低,但与一般的加权支持向量机回归算法相当。     

模糊神经网络系统在微波效应数据处理中的应用

 描述了建立神经网络驱动的模糊系统的基本过程，结合部分微波效应数据建立了一个小型的效应预测评估模型。对应于学习样本，给出了网络输出值与样本输出真实值的比对情况，并对部分非学习样本输出值进行了预测，由对比情况可知，网络系统基本能够再现原始数据的真实面貌，并能对未知事件有一定的预测能力，作为一种效应数据处理方法，模糊神经网络系统具有一定的潜在应用价值。     

模糊神经网络在电子器件微波易损性评估中的应用

 应用模糊神经网络预测了电子器件失效阈值随高功率微波参数的变化关系。结合电子器件实验数据较少的情况，提出用可能性理论估计器件失效可能性分布的评估方法;结合模糊神经网络的学习预测能力，得到电子器件失效的可能性分布;并将可能性分布和用信息扩散估计方法得到的概率分布进行了比较，前者能够更好地利用实验数据估计器件失效的可能性。     

基于BP神经网络的闪光照相图像复原

针对闪光照相系统模糊较大、成像信噪比较低的问题,提出了一种基于BP神经网络的闪光照相图像复原方法。该方法利用BP神经网络的泛化能力,用样本图像对网络进行训练,建立退化图像与真实图像之间的非线性映射关系,然后将待复原图像分区,利用训练好的BP神经网络对待复原图像的边界区域进行复原处理。数值试验表明,在系统点扩展函数未知的情况下,该算法能较好再现图像边缘信息,复原出的图像在信噪比和视觉方面都有较大提高。     

用神经网络鉴别退化图像的模糊类型

提出了一种用神经网络鉴别退化图像的模糊类型的方法。由于采用不同降质方法得到退化图像的频谱差异较大,以此作为判别依据,用概率神经网络实现了对四种模糊类型:离焦,矩形,运动和高斯模糊的鉴别。根据神经网络的鉴别结果决定点扩散函数的初始估计值,可大大地提高盲解恢复算法的复原质量和系统点扩散函数的估计精度,扩大了算法的实用范围。     

基于Elman神经网络的装备状态组合预测方法

针对单一预测模型在利用多维状态特征信息进行状态预测时效果常常不够理想的情况,提出以灰色理论等模型作为单项预测模型,运用Elman神经网络进行变权组合预测的建模方法;考虑神经网络容易因过拟合导致预测时泛化能力变差的问题,运用遗传算法对神经网络隐层节点数和训练误差阈值进行优化求解,建立了完整的基于Elman神经网络的组合预测建模方法;最后,通过案例分析验证了该预测方法的有效性,结果表明组合预测能够将三步以内的预测相对误差控制在10%以内,大大优于定权组合预测模型。     

基于神经网络参数优化的热失控状态温度预测研究

为提高夹杂热失控现象的微波干燥褐煤过程中神经网络预测温度精度,提出一种基于二次滤波及粒子群寻优的神经网络参数优化算法。该方法先引入小波分析对训练数据进行软阈值滤波处理,使温度数据在描述变化趋势的同时突出非平稳特征,而后使用粒子群算法寻找该趋势特征对应的神经网络最优的隐层节点数、学习率及最佳训练次数的组合,最后在预测中使用前向均值阈值滤波处理输入数据配合该最优网络进行预测。实验结果表明,该方法能同时提高热失控和非热失控状态下温度预测精度,使预测平均绝对误差下降59.2%。     

基于三维荧光光谱的Krawtchouk图像矩算法在多环芳烃定量分析中的应用

以多环芳烃中的芴和苊为研究对象，提出一种将三维荧光光谱技术与Krawtchouk图像矩、广义回归神经网络相结合的定量分析的方法。利用FS920荧光光谱仪获取样品的三维荧光光谱数据，得到对应的三维光谱灰度图。直接计算三维光谱灰度图的Krawtchouk矩，将得到的Krawtchouk矩经平均影响值筛选后作为广义回归神经网络的输入，建立多环芳烃(PAHs)的定量模型。预测8组混合溶液的测试样本，芴和苊的平均相对误差分别为0.98%和2.15%。研究结果表明，Krawtchouk矩经过筛选后预测结果更为准确，该方法能够有效提取光谱的特征信息，简单、准确的预测PAHs的浓度。     

Nonlinear dynamics extraction for time-delay systems using modular neural networks synchronization and prediction

It is shown that the nonlinear dynamics of chaotic time-delay systems can be reconstructed using a new type of neural network with two modules: one for nonfeedback part with input data delayed by the embedding time, and a second one for the feedback part with input data delayed by the feedback time. The method is applied to both simulated and experimental data from an electronic analog circuit of the Mackey–Glass system. Better results are obtained for the modular than for feedforward neural networks for the same number of parameters. It is found that the complexity of the neural network model required to reconstruct nonlinear dynamics does not increase with the delay time. Synchronization between the data and the model with diffusive coupling is also achieved. We have also shown by iterating the model from the present point that the dynamics can be predicted with a forecast horizon larger than the feedback delay time.     

基于神经网络的选区激光熔化残余应力预测

当前对选区激光熔化产生的残余应力预测方法主要为数值模拟,但由于设备、环境、粉末等因素差异性较大,且具有较大不确定性,很难建立符合实际情况的数值模拟模型。利用神经网络在预测多变量、复杂线性信息处理方面能力强的特点,建立适用于预测316L不锈钢粉末选区激光熔化残余应力的模型。使用选区激光熔化技术打印相当数量的不同工艺参数的试样,采用超声波检测其内部残余应力作为神经网络的训练样本,并使用这些样本对神经网络模型进行训练,获得具有预测功能的神经网络,将验证样本的工艺参数输入神经网络,计算出预测的残余应力值,与实际检测值进行对比。实验结果表明,预测值与实际测量值偏差较小,验证了所提方法的有效性。采用神经网络预测残余应力的方法,可以快速确定不同选区激光熔化工艺参数对应的残余应力,避免设置残余应力较高的工艺参数,有效缩短制备高质量工件试样的周期,降低成本。     

Input Resistance Calculation for Circular Microstrip Antennas Using Adaptive Neuro-Fuzzy Inference System

This paper presents a new method based on adaptive neuro-fuzzy inference system (ANFIS) to calculate the input resistance of circular microstrip patch antennas. The ANFIS is a fuzzy inference system (FIS) implemented in the framework of an adaptive fuzzy neural network. It combines the explicit knowledge representation of FIS with learning power of neural networks. A hybrid learning algorithm based on the least square approach and the backpropagation algorithm is used to optimize the parameters of ANFIS. The input resistance results predicted by ANFIS are in excellent agreement with the experimental results reported elsewhere.     

基于粪便可见-近红外反射光谱的高山麝慢性肠炎诊断

提出了一种利用粪便可见-近红外反射光谱进行高山麝慢性肠炎诊断的新方法。以FieldSpec？3地物光谱仪采集了125份高山麝粪便（正常粪样70份,慢性肠炎患者粪样55份）的光谱数据,将其随机分成训练集（95份）和检验集（30份）。光谱经S.Golay平滑与一阶导数处理后以主成分分析法（PCA）降维。以前6个主成分（含原始光谱95.16%的特征信息）作为新变量,利用训练集样本,分别以模糊模式识别、BP-神经网络、Fisher线性判别以及Bayes逐步判别四种方法建立高山麝慢性肠炎的诊断模型。对检验集30个未知样的预测表明,Fisher线性判别的准确率为86.7%,模糊模式识别与BP-神经网络模型判别的准确率为90%,Bayes逐步判别的准确率最高,达93.3%。进一步分析发现所有误诊都源于将正常样误判为病样,四种方法对病样的检出率均达100%。说明利用粪便的可见-近红外反射光谱进行高山麝慢性肠炎的快速、非接触性诊断是可行的,且PCA 结合Bayes逐步判别是一种优选方法。     

改进型M-P神经网络在能量色散X荧光分析测定铅锌矿元素含量的应用研究

以新疆西天山铅锌矿样品的Cu,Fe,Pb等元素X荧光测量数据做训练样本,McCulloch-Pitts神经网络(M-P神经网络)为基础,基体效应为依据,建立新的神经网络模型对Zn进行定量预测。结果预测值与测量值的相对误差在<5%。此方法可较准确,快速的应用于现场X荧光测定,为X荧光光谱信息修正提供一种新方法。     

基于近红外光谱技术的石油组分定量分析新方法

针对石油化工产品生产控制和质量检查的需要,为提高测定产品组成的效率,将近红外光谱法作为基础测定方法,以直馏柴油、加氢精制柴油和催化裂化柴油为校正模型的训练样本,测定其中饱和烃、胶质、单环芳烃、双环芳烃、三环芳烃和环烷烃的组成,论述了采用模糊神经网络建立校正模型测定石油化工产品组成的可行性。基于dSPACE硬件平台,用验证样本对模糊神经网络校正模型进行了检验,实验结果表明,该方法响应快、误差小、鲁棒性强,在近红外长波区内,校正样品和验证样品的均方误差小于10^-6。该方法可用于石油化工产品的生产工艺研究中。     

基于红外/毫米波双模融合的目标识别方法

在数据融合的基础上,以红外/毫米波双模传感器的智能融合结构为模型,将模糊神经网络与D-S证据理论相结合,提出了一种新的目标识别方法.该算法根据红外/毫米波传感器的性能及工作范围,构造模糊变量作为神经网络的输入,根据神经网络的不同输出判别目标的真伪,并利用D-S证据理论进行目标身份识别.仿真结果证明了该算法的可行性.