一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

权重分布对加权局域世界网络动力学同步的影响

加权网络可以更细致地刻画复杂系统中两节点之间的相互作用, 所以加权网络也比无权网络更接近真实的复杂系统. 改变权重分布来调节和改善复杂网络的性质也成为一种新的研究方法. 基于现有无权网络同步的概念, 应用特征值比R来衡量加权局域世界网络的同步能力, 发现权重分布对加权局域世界网络的同步能力有很重要的影响, 权重分布越均匀, 网络的同步能力就越大. 关键词： 权重分布 局域世界 加权网络 同步     

光计算

TP183 2004031994 用局域卡尔曼滤波算法和周期函数在线优化前馈网络的拓扑结构=On-line compact topological design on feedforward networks using local extended Kalman filter algorithm and periodic activation function[刊,英]/林列(南开大学现代光学研究所,教育部光电信息技术重点实验室.     

用于可变比特率视频通信量预测的自适应训练及删剪算法

提出一种自适应神经网络模型对可变比特率视频通信量进行非线性自适应预测，并采用基于递归最小方差的自适应学习及删剪算法对抽头延迟神经网络进行训练和结构优化.仿真实验表明，该模型能够实现对复杂视频通信量序列的高精度预测，满足实时快速的预测要求. 关键词： 视频通信量预测 神经网络 递归最小方差 删剪算法     

加权网络中基于冗余边过滤的k-核分解排序算法

k-核分解排序法对于度量复杂网络上重要节点的传播影响力具有重要的理论意义和应用价值,但其排序粗粒化的缺陷也不容忽视.最新研究发现,一些真实网络中存在局域连接稠密的特殊构型是导致上述问题的根本原因之一.当前的解决方法是利用边两端节点的外部连边数度量边的扩散性,采取过滤网络边来减少这种稠密结构给k-核分解过程造成的干扰,但这种方法并没有考虑现实网络上存在权重的普遍性.本文利用节点权重和权重分布重新定义边的扩散性,提出适用于加权网络结构的基于冗余边过滤的k-核分解排序算法:filter-core.通过世界贸易网、线虫脑细胞网和科学家合著网等真实网络的SIR(susceptible-infectedrecovered)传播模型的仿真结果表明,该算法相比其他加权k-核分解法,能够更准确地度量加权网络上具有重要传播影响力的核心节点及核心层.     

基于自适应EKF的弱GNSS信号跟踪算法

弱GNSS信号跟踪技术是卫星导航接收机关键技术之一,跟踪技术的好坏将直接影响卫星导航接收机在弱信号条件下的跟踪性能;在动态环境和先验信息不充分的情况下,由于扩展卡尔曼滤波(EKF)的固定设计使其不能满足要求,针对此不足引入一种自适应扩展卡尔曼滤波(AEKF)的信号跟踪算法;该自适应滤波算法能够实时监测残差或滤波器新息的动态变化,来修正观测噪声方差和状态噪声方差,以此调整滤波器增益,观测值和控制预测值在滤波结果中的权重;理论分析和结果表明,该算法能够充分利用观测信号的统计特性,克服了传统EKF算法不足,获得更好的跟踪性能。     

多种形式的加权广义Farey组织网络金字塔的复杂性

构建了三类确定性加权广义Farey组织的网络金字塔.理论推导并数值计算了网络金字塔的拓扑性质(度分布、平均最短路径、平均聚类系数和相称性系数等),进而将Farey序列作为网络节点的确定、随机和混合的三种权重值,以此为基础计算并拟合了三类网络金字塔的点的强度分布和边的权重分布.计算结果初步揭示了加权广义Farey组织的网络金字塔的复杂性特征,有助于了解一些实际网络的复杂性和多样性.     

小波网络辅助卡尔曼滤波的捷联惯导传递对准

初始对准精度是捷联惯导系统的主要误差来源之一。针对舰载机捷联惯导的传递对准模型准确建模困难,且测量噪声和过程噪声随舰船动态而变化,这样就会降低滤波的精度,卡尔曼滤波有一定的局限性,提出了将小波神经网络辅助卡尔曼滤波器用于惯导系统的传递对准。把能直接影响卡尔曼滤波估计误差的参数作为网络的输入,进过样本训练后,把网络的输出与经过卡尔曼滤波得到的结果相加,实现了捷联惯导的传递对准的滤波功能。这种新算法在实际应用中的非线性情况下优于传统卡尔曼滤波方法。仿真结果表明了其实用性和有效性。     

改进的自适应衰减卡尔曼滤波算法

SINS/GPS组合导航系统的融合算法主要是卡尔曼滤波,卡尔曼滤波实现最优估计的前提是系统的模型和随机噪声信息必须准确已知。实际情况下,大部分系统的模型和随机噪声信息不完全可知,这可能会导致滤波器估计精度下降。针对这一问题,根据求解遗传因子的方法不同对传统的自适应衰减卡尔曼滤波进行改进,提出一种改进的自适应衰减卡尔曼滤波。改进后的算法分别适用于系统噪声统计模型不准确可知和量测噪声统计模型不准确可知两种情况,分别对应于两种滤波算法,并且二者具有统一的滤波框架。仿真结果表明,改进的自适应衰减卡尔曼滤波比卡尔曼滤波精度较高,有效解决了因为噪声模型不准确导致的精度下降问题。     

基于节能的绿色光网络路由算法的研究

在传统的网络路由算法中,一般采用最短路径算法进行路由选路,最短路径算法以节点间的距离为权重,计算一条由源节点至目的节点的权重最小的路径以完成路由。最短路径算法虽然最小化了距离长度代价,却没有考虑能耗问题,所以使用最短路径算法所得出路径的能耗并不一定是最小的。针对这一问题,提出一种新型的综合性绿色路由算法,设定能耗作为节点间的权重,融合光旁路及业务量疏导,同时考虑路由和波长分配(RWA)问题,将完成每个业务所需要的能耗最小化,实现节能。仿真结果表明,与最短路径算法相比,绿色路由算法在较大规模网络中能够节省约40%的能耗,节能效果相当显著。     

神经网络扩展滤波训练及色氨酸的选择测定

前馈神经网络ＮＮ应用甚广，经典及传算法ＢＰ存在收敛慢及局部优点等缺陷。为此提出了新的快速高效学习算法即，（ＥＦ）扩展卡曼滤波（ＥｘｔｅｎｄｅｄＫａｌｍａｎＦｉｌｔｅｉｎｇ，ＥＦ），用于色氨酸选择测定及氨基酸同时测定，结果良好。     

Robust Blind Adaptive Channel Equalization in Chaotic Communication Systems

Based on the bounded property and statistics of chaotic signal and the idea of set-membership identification, we propose a set-membership generalized least mean square （SM-GLMS） algorithm with variable step size for blind adaptive channel equalization in chaotic communication systems. The steady state performance of the proposed SM-GLMS algorithm is analysed, and comparison with an extended Kalman filter （EKF）-based adaptive algorithm and variable gain least mean square （VG-LMS） algorithm is performed for blind adaptive channel equalization. Simulations show that the proposed SM-GLMS algorithm can provide more significant steady state performance improvement than the EKF-based adaptive algorithm and VG-LMS algorithm.     

视觉模式识别网络及光电实现

在形态学网络及改进的Ｈａｍｍｉｎｇ网络基础上，提出视觉模式识别网络及训练算法，形态学网络作为特征提取网络，具有相对图像平移和尺度不变的特性，改进的Ｈａｍｍｉｎｇ网络加速完成特征矢量的分类操作。经过学习的视觉模式识别网络，可完成图像特征的提取，实现相对于图像平移和尺度不变的模式识别，在此基础上，建立了光电视觉模式识别体系，从而实现实时模式识别。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

鲁棒惯性地形辅助导航算法研究

传统的地形轮廓匹配(terrain contour matching, TERCOM)算法在速度误差和航向误差较大时可靠性下降,基于扩展Kalman滤波的北航惯性地形辅助惯性导航(BUAA inertial terrain aided navigation, BITAN) 算法在初始位置误差或高度表测量噪声较大时,系统无法准确定位,导致系统的鲁棒性降低. 为解决上述问题,对BITAN算法进行改进,发展了鲁棒北航惯性地形辅助导航(robust BUAA inertial terrain aided navigation, RBITAN)算法. RBITAN算法根据平均绝对差、均方差和交叉相关算法的统计决策信息设计了搜索模式算法,以基于扩展Kalman滤波原理的BITAN算法作为跟踪算法, 综合了TERCOM算法和BITAN算法的优点,提高了算法的鲁棒性.利用真实的数字高程模型和试飞数据进行仿真验证, 并和BITAN算法进行比较.仿真结果验证了RBITAN算法可以在较大初始位置误差和较大高度表测量噪声时准确定位, 提高了算法的鲁棒性.     

基于数字非线性锁相环的相干态相位估计

基于量子理论获取相位参数的导航机制,理论上可以突破经典物理极限对导航精度的限制.利用量子零拍探测对相干态光场相位进行测量时,通常需要相位与之正交的本振光才能使测量精度达到量子标准极限.由于导航信号相位的高非线性特点,想要利用传统的线性锁相环获取完全满足条件的本振光具有一定的难度.为此,本文设计了一种基于容积准则的非线性锁相环,实现了在非正交本振光的条件下对相干态相位进行精确测量的功能.首先,利用相干态的Wigner函数推导了其相位在量子零拍探测的输出结果,设计了量子相位估计的非线性数字锁相环框架.然后基于正交单纯形容积准则设计了非线性滤波算法实现锁相环功能,该锁相环通过对本振相位进行多次状态更新,最终实现非线性迭代估计.实验结果表明,本文方法突破了本振光相位需与相干态相位正交的局限性,避免了传统量子锁相环方法引入的线性化误差,实现了对相干态相位的准确、稳定估计.     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）,其中包括输入层、3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于 SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%,93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%,93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%,83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。     

遗传优化神经网络的水声信道盲均衡

不需要训练序列的盲均衡技术可以有效地节省水声通信带宽，消除码间干扰，提高水声通信效率和质量。以前馈神经网络（FNN）作为盲均衡器，既适用于最小相位信道，也适用于非最小相位信道，包括非线性信道，但是前馈神经网络在实际的应用中其网络拓扑结构的选取和初始权重的确定缺乏理论依据，且其训练主要依靠BP算法，存在收敛速度慢、容易陷入局部极值及“过学习”的问题。为此，本文提出了一种遗传优化神经网络的水声信道盲均衡算法（GA—BP），对前馈神经网络拓扑结构和网络权重同时优化，有效地克服了传统前馈神经网络盲均衡的缺陷，提高了前馈神经网络盲均衡的泛化性能并加强了跟踪时变信道的能力和对信道突变的适应能力。水池试验结果证明了文中提出的遗传优化神经网络水声信道盲均衡算法的有效性，与直接前馈神经网络盲均衡相比较，均衡性能明显得到了提高。     

基于时频差的正交容积卡尔曼滤波跟踪算法

针对基于时频差测量的无源跟踪中面临的非线性估计问题, 提出一种正交容积卡尔曼滤波跟踪算法. 该算法在容积卡尔曼滤波算法的基础上, 通过引入特定正交矩阵改进容积采样方法, 在高维状态估计下减小因采样产生的误差, 在没有增加计算量的前提下, 有效提高收敛速度及跟踪精度. 仿真结果表明, 在基于到达时差和到达频差的联合无源跟踪问题中, 与扩展卡尔曼滤波及容积卡尔曼滤波算法相比, 本文所提算法在跟踪性能上有明显提升.     

基于微种群遗传算法和自适应BP算法的遥感图像分类

介绍了采用微种群遗传算法和自适应BP算法相结合的混合遗传算法来训练前向人工神经网络(BPNN)的方法。即先用微种群遗传学习算法进行全局训练,再用自适应BP算法进行精确训练,以达到加快网络收敛速度和避免陷入局部极小值的目的。将此算法用于遥感图像分类,网络的训练速度及分类结果表明,该算法收敛速度较快,预测精度较高。