优化反向传播神经网络的自适应遗传算法

探讨了用遗传算法优化反向传播神经网络的问题，通过对不同遗传操作的分析和改进，提出了一种能有效进行局部搜索和全局搜索的自适应遗传算法，计算结果表明，该算法能快速地求出问题的全局最优解，且具有较好的计算精度。     

基于反向传播神经网络的无线火灾预警系统

针对传统火灾预警系统中单一传感器数据检测的缺陷,提出一种基于反向传播神经网络模型的无线多传感信息融合火灾预警系统。该模型借助Matlab平台进行信息融合算法模拟,并经过试验验证,大大提高了火灾预警系统的准确率和可靠性。     

基于改进反向传播神经网络代理模型的快速多目标天线设计

针对传统天线设计方法计算代价较大的缺陷,该文构建基于反向传播神经网络(BPNN)的新型天线代理模型。为解决BPNN训练易陷入局部最优的问题,采用粒子群优化(PSO)算法来改善神经网络初始结构参数,进而构建PSO-BPNN天线代理模型,并基于该模型提出多参数天线结构的快速多目标设计方法。设计实例表明,该方法在预测精度以及计算代价等方面优于现有的常用天线设计方法。所提方法对处理复杂高维参数空间天线设计问题具有实用价值。     

一种基于误差变化率的自适应反向传播算法

本文针对BP算法存在收敛速度慢的缺点,提出一种基于网络动态训练误差变化率自动校正学习步长和冲量因子的自适应反向传播算法。异或问题的仿真结果表明,该方法具有较快的收敛速度。     

基于误差反向传播算法的OFDM系统频域均衡

提出用一种基于神经网络的均衡方法,并用误差反向传播(BP)算法对多层前馈网络进行训练.分析和数值仿真结果表明,基于BP网络的频域均衡方法有较好的均衡效果,并且复杂度不高.     

基于延时反向传播算法的低复杂度滤波器研究

为了进一步减少管状双线性递归神经网络的计算复杂度,在管状双线性递归神经网络中采用了延时反向传播算法。延时反向传播算法使用了阶次微分,误差函数对权值微分进行后向计算。后向计算顺序降低了初始化要求,减弱了网络对初始化条件敏感性并降低了计算的复杂度。该网络采用了模块化设计,各个模块以并行的方式执行任务,改善了计算效率。基于管状双线性递归神经网络的结构与神经元的数学模型,提出了具体的延时反向传播算法实现方案。同时进行了仿真来评估滤波器在非线性系统辨识方面的性能。实验结果表明基于延时反向传播算法的管状双线性递归神经网络提供了相当好的性能。     

基于深度堆栈编码器和反向传播算法的网络安全态势要素识别

网络安全态势要素识别的基础是对态势数据集进行有效的特征提取。针对反向传播(BP)神经网络对海量安全态势信息数据学习时过度依赖数据标签的问题,该文提出一种结合深度堆栈编码器和反向传播算法的网络安全态势要素识别方法,通过无监督学习算法逐层训练网络,在此基础上堆叠得到深度堆栈编码器,利用编码器提取数据集特征,实现了网络的无监督训练。仿真实验验证了该方法能有效提升安全态势感知的效能和准确度。     

基于神经网络的网络流量预测算法研究

网络流量预测有助于网络服务质量的提升和网络资源的合理分配,对优化网络管理与运营、保障用户体验质量至关重要.因特网业务的急剧增加和基础网络的快速发展导致网络流量变得更加复杂多样,传统网络流量预测模型难以保证较高的预测精度,而神经网络作为人工智能的重要分支,在预测复杂网络流量时具有显著优势.简述反向传播神经网络、径向基神经...     

基于反向传播神经网络估算大气光学湍流廓线

大气光学湍流是与光电工程系统设计、应用密切相关的基本参数.通过仪器实地测量大气光学湍流廓线时会受到人力、物力、财力等多种条件的限制,因此依据常规气象参数估算大气光学湍流强度具有十分重要的意义.提出一种结合遗传算法的反向传播(GA-BP)神经网络.首先,基于Tatarski大气光学湍流参数化方案,利用HMNSP99外尺度...     

利用反向传播算法合理分配缓冲区

该文提出了一种新的缓冲区分配方法,即动态神经共享 (Dynamic Neural Sharing,DNS)方法。这种方法利用反向传播算法合理分配缓冲区资源,从而减少自相似业务的分组丢失率。通过两组仿真实验发现,与完全分割(Complete Partitioning, CP), 完全共享(Complete Sharing, CS), 部分共享(Partial Sharing, PS)这些传统的缓冲区分配方法相比,DNS在减少分组丢失和体现公平性(每个源都占有一定数量的缓冲区资源)之间达到了更好的平衡。     

一种信号源盲分离的神经网络算法

本文提出了一种新的盲信号分离的神经网络算法。神经网络的第一层使用奇异值分解(SVD)方法对观测信号进行预白化处理。在传感器的数目不少于源信号的情况下,预白化处理能够估计出源信号的数目,同时压缩掉冗余信息。神经网络的第二层是分离层。分离层的权值矩阵应该是正交矩阵。本文应用一个正交严格受限(SOC)算法调整分离网络的权值。其中,用恢复信号的四阶互累积量的平方构造代价函数。仿真实验验证了算法的有效性。     

基于BP神经网络的社团分类研究

社团分类对研究复杂网络及其特性具有重要意义,为此提出将神经网络的分类特性应用于社团分类中,以BP神经网络为模型,以Zachary研究的俱乐部成员关系网络为测试数据,利用社团节点与神经网络节点之间关系的相似性模拟社团分类结果,根据成员关系图建立邻接矩阵,利用邻接矩阵关系进行实验设计建立BP神经网络,通过已知样本学习和检验样本检验,实现成员关系网络的分类模拟,数值实验结果表明文章运用的仿真方法是可行有效的.     

基于神经网络方法的窄带信号源波达方向估计

文章研究了对窄带信号源进行神经网络方法的高分辨率测向,常规的高分辨波达方向估计都必须得到阵列输出的协方差矩阵,然后进行特征值分解,显然的缺点是处理时间比较长,我们采用Hopfield神经网络模型,提出了基于一些数据快拍点全互连对称突出权值和阈值的新方法,以此来提高波达方向估计的性能。该方法具有小运算量、低复杂度和大规模并行计算的特点,模拟仿真结果显示文章所提方法是实现信号源DOA实时处理的一条有效途径。     

电力系统谐波检测的现状与发展

准确、实时地对电力系统谐波进行检测有着重要的意义。本文根据电力系统谐波测量的基本方法，对近年来电力系统谐波检测的新方法进行了分析和评述。最后对电力系统的谐波测量进行了总结并提出了看法。     

基于误差反向传播的入侵检测系统的研究

构建了一种基于误差反向传播神经网络的入侵检测系统总体架构,分析了该系统的各组成模块和功能要求.重点阐述了基于误差反向传播的入侵检测分析模块的设计方案,研究入侵分析过程中的几个关键问题并给出了解决方法.最后给出了基于误差反向传播网络的检测算法流程.     

Pseudo Random Number Generator Based on Back Propagation Neural Network

Random numbers play an increasingly important role in secure wire and wireless communication. Thus the design quality of random number generator（RNG） is significant in information security. A novel pseudo RNG is proposed for improving the security of network communication. The back propagation neural network（BPNN） is nonlinear, which can be used to improve the traditional RNG. The novel pseudo RNG is based on BPNN techniques. The result of test suites standardized by the U.S shows that theRNGcan satisfy the security of communication.     

基于BP神经网络和声达时间差的声源定位算法

提出了利用神经网络进行声源定位的方法,该方法是在基于声达时间差(TDOA)的定位系统基础上提出的.概括了利用传声器阵列进行声源定位的几种方法,详细给出了BP神经网络算法原理.利用MATLAB仿真工具和BP神经网络对输入样本进行仿真训练,距离误差可以保持在0.5 m内,方位角误差在0.2°内.最后在声达时间差估计不准的情况下根据仿真结果对发令枪声进行了实例检测,证明定位效果仍可以满足要求.     

盲信号分离

阵列处理和数据分析的一个典型问题是从混合的观测数据向量中恢复不可观测的各个源信号.盲信号分离是解决这一问题的一门新技术,近几年吸引了信号处理学界和神经网络学界众多学者的研究兴趣.本文将以独立分量分析和非线性主分量分析为主要对象,综述盲信号分离技术的理论、方法及应用等方面的发展,并作有关展望.     

Fault Classification in Phase‐Locked Loops Using Back Propagation Neural Networks

Phase‐locked loops (PLLs) are among the most important mixed‐signal building blocks of modern communication and control circuits, where they are used for frequency and phase synchronization, modulation, and demodulation as well as frequency synthesis. The growing popularity of PLLs has increased the need to test these devices during prototyping and production. The problem of distinguishing and classifying the responses of analog integrated circuits containing catastrophic faults has aroused recent interest. This is because most analog and mixed signal circuits are tested by their functionality, which is both time consuming and expensive. The problem is made more difficult when parametric variations are taken into account. Hence, statistical methods and techniques can be employed to automate fault classification. As a possible solution, we use the back propagation neural network (BPNN) to classify the faults in the designed charge‐pump PLL. In order to classify the faults, the BPNN was trained with various training algorithms and their performance for the test structure was analyzed. The proposed method of fault classification gave fault coverage of 99.58%.