基于CPLD器件的FIR滤波器的设计

给出了一种适合于用CPLD器件实现有限冲击响应(FIR)滤波器的补码算法．用Lattice公司的ispLS18840器件设计了8阶、11位的线性相位FIR滤波器,并提出了用多片CPLD器件进行扩展设计的方法,实现了更高阶的线性相位FIR滤波器．通过小型乘法查找表和具有超前进位的流水线加法器实现FIR滤波器的设计,提高了工作速度,节约了器件资源,其最高工作频率可达60MHz．在计算机上进行了硬件仿真分析,并将仿真结果与理论计算结果进行了比较．表明该滤波器工作可靠,精度高,具有较好的实用价值．     

一种改进的减少状态逐幸存处理均衡器

提出了一种带有FIR前置滤波器的减少状态逐幸存处理均衡器．该均衡器通过训练序列估计信道的特性，利用RLS算法对信道的估计值进行更新．在RSSE-PSP处理之前加入一个FIR前置滤波器，使全信道近似呈现最小相位特性,该FIR滤波器为一个信道匹配滤波器和一个预测误差滤波器的级联，采用Levinson-Durhin算法进行求解,仿真结果表明，该均衡器在具有符号问干扰的信道中比传统均衡器有着更优异的性能．     

基于粗糙集和BP神经网络算法的网络故障诊断模型研究

针对计算机网络故障诊断知识库冗余性高、神经网络与PCA、DS证据等理论相结合诊断精度不高的难题, 提出了一种新的基于粗糙集和BP神经网络的计算机网络故障诊断模型. 首先利用粗糙集算法对网络故障特征进行约简处理、提取最小诊断规则; 其次利用最小规则训练BP神经网络, 建立基于粗糙集和BP神经网络的计算机网络故障诊断模型; 最后将模型运用于真实网络故障数据诊断. 结果表明: 该模型具有学习效率高、诊断速度快、准确率高的特点, 能够快速诊断网络故障类型.     

求解二次规划问题的神经网络方法

根据人工神经网络的基本优化机理,提出了一种基于Lagrange函数的适合于求解二次规划问题的神经网络模型,研究了该神经网络的稳定性和收敛性,探讨了提高网络优化计算效率的神经优化策略,仿真结果证明了该神经网络能有效地求解二次规划问题。     

基于改进的LUT乘法器的FIR滤波器设计

针对目前FIR数字滤波器消耗面积较大、运行速度较慢等问题,在APC-LUT (antisymmetric product coding,APC)方法实现乘法器基础上,提出了一种改进型查找表(lookup table,LUT)架构δ-LUT实现乘法器,省去了地址线的编码电路,控制电路简单易行;进一步,在δ-LUT的基础上,提出了改进型的LUT架构β-LUT实现乘法器,使FIR滤波器的功耗和面积等性能得到大幅度提高.进一步介绍了在输入位宽较大时通过查表操作的LUT分解方法可降低LUT的规模.采用Synopsys公司的Design Compiler,并结合TSMC 130 nm的单元库,对LUT进行综合改进,结果显示,改进后的LUT实现的FIR数字滤波器,其ADP节省达60%,功耗节省达58%.     

用McClellan变换设计N维球对称FIR滤波器

将McClellan变换法从三维推广到N维，进而提出一种N维球对称FIR滤滤器的设计方法，并且推导出N维情况下确定变换函数系数的公式，经过严密的推理证明和举例验证，所得结果完全满足约束条件，具有良好的对称性，从而大大的简化了N维球对称FIR滤波器设计中的计算量。     

数字逻辑的稳健神经网络实现

多层二进前向神经网络或布尔神经网络作为典型的人工神经网络模型，研究和应用的十分广泛，这里在分析数字逻辑基本运算和神经元关系后，提出了一种改进的利用三层前向感知器神经网络实现任意数字逻辑函数的新算法，该算法由稳健的感知器构造神经网络，并引入汉明距离化简、卡诺图化简和最小项抑制来降低网络的复杂性，由此算法构造的神经网络不但具有稳健性能，而且消除了对数字输入变量所作的变换，使其更加简单、规范，容错能力更强，可广泛应用于对数字电路设计、编码密码的研究。     

基于灰色RBF组合模型的宁波港集装箱海铁联运量预测

集装箱海铁联运量预测是海铁联运网络规划设计的重要组成部分,影响港口及其集疏运体系进一步发展,因此,对集装箱海铁联运量做出科学合理的预测显得十分重要.以2009~2015年宁波港集装箱海铁联运量为原始数据,运用灰色RBF神经网络组合模型预测其未来2年集装箱海铁联运量增长趋势.预测结果表明,灰色RBF神经网络组合模型预测精度高于GM(1,1)模型、RBF神经网络模型、灰色BP神经网络组合模型.可见,该组合模型可有效应用于集装箱海铁联运量的预测领域.     

模糊神经网络在复合地基沉降量预测中的应用

复合地基后期沉降变形对于建筑物设计及安全具有重要意义,针对通过长期沉降观测以得到复合地基的最终沉降需要耗费较多资源的问题,提出了一种基于模糊神经网络的预测方法.该方法考虑沉降变化过程有较大的随机性和模糊性,直接将样本数据进行模糊化,所得的模糊数代表了样本点集与控制点集中各分量之间的相关度,并依此建立模糊BP神经网络进行学习和估算.实验结果表明了该方法对沉降进行预测是可行与有效的,且在相对误差的有效控制方面优于BP网络方法与灰色方法.     

序列递归自适应线性相位滤波器

本文给出了一种序列递归自适应线性相位滤波器。它是由文献[1]中的RMGS算法加有约束条件产生的,具有模块结构好、自适应收敛速度快的优点.     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于神经网络的股票收益率预测研究

在金融领域的资产定价模型修正过程中,股市的非线性现象往往被选择性忽视,未纳入模型框架,现有模型亦无法刻画因子之间的非线性定价结构。为解决上述问题,引入了机器学习领域中的神经网络模型,以捕获市场组合收益率、市值、账面市值比三因子间的非线性定价结构,并对股票收益率进行预测。将该模型与经典Fama-French三因子模型在样本外拟合优度、多空策略业绩表现上做了对比,结果表明：神经网络模型能精准捕获市场组合收益率、市值、账面市值比3个因子之间的非线性关系,且在样本外拟合优度、多空策略业绩表现上均要优于传统三因子线性定价模型。     

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络（recurrent neural network,RNN）中的门控循环单元（gate recurrent unit,GRU）模型与全连接神经网络（fully connected neural network,FCNN）,提出了改进的多元水质指标预测（MWQPP）模型,并用其预测长江流域水体的pH、溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH₃-N）。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。     

k-means-RBF集成神经网络在工业尾气检测中的应用

神经网络是工业尾气检测系统的一个重要组成部分. 为提高神经网络的预测精度和收敛速度, 建立k-means-RBF集成神经网络模型. 首先, 通过选取不同的径向基函数神经网络参数, 得到一组RBF神经网络; 然后, 利用k-means算法对生成的RBF神经网络进行聚类, 并筛选出各类中精度较高的神经网络; 最后, 通过简单平均法对筛选出的神经网络进行集成, 得到高性能的k-means-RBF集成神经网络模型. 为验证模型有效性, 搭建基于k-means-RBF集成神经网络模型的工业尾气检测系统进行验证. 结果表明, 与粒子群算法优化后的Back Propagation (PSO-BP)神经网络模型相比, k-means-RBF集成神经网络模型的平均预测精度提高78.27%, 收敛时间节省99.65%     

混沌神经网络的Lyapunov指数与混沌区域

混沌神经网络有望用于诸如组合优化、信息搜索、模式识别等信息处理中.在Aihara等人依据生物学实验提出的混沌神经网络模型基础上,提出了混沌神经网络的最大Lyapunov指数的一种算法,通过最大Lyapunov指数的计算,研究神经网络的混沌区域以及参数对混沌区域的影响,这对混沌神经网络的混沌特性的研究及其混沌控制是十分有益的.     

一种基于动态模糊Kohonen网络的聚类模型及应用

提出一种基于动态模糊Kohonen神经网络聚类模型,针对传统的Kohonen神经网络(KNN)聚类需要预先确定聚类数的问题,提出采用树形动态自组织映射网络算法(TGSOM)来确定聚类数,并且利用模糊Kohonen神经网络(FKNN)聚类结果与输入顺序无关的优势进行网络优化,得到更优的聚类结果。该模     

基于BP神经网络模型模拟塔里木河下游潜水埋深变化——以英苏断面C5井为例

本文以塔里木河下游英苏断面350m处C5井为研究对象,分析了影响下游英苏断面的潜水埋深影响因素,通过三层BP神经网络模型模拟了潜水埋深变化．以Matlab7．0为工作平台,将2000．7-2008．12期间的英苏C5井的步长为3个月数据资料作为一个样本,选取每个样本的输水量、输水持续天数、上季度该井的潜水埋深平均值作为模型输入量,输出量为相应的C5井的本季度的潜水埋深平均值,建立3—11-1的BP神经网络模型,模拟了C5井潜水埋深．结果表明,网络模拟相对误差小于5％,模型具有较高的精度．通过BP模型模拟潜水埋深,为塔河下游生态恢复和水资源决策提供一定的依据．