基于PEM法和GA的无人直升机模型辨识

无人直升机的数学模型是设计先进控制系统的基础,首先采用机理建模的方法分析了直升机的飞行力学特性,加入旋翼运动,并得到了参数化状态空间模型。辨识之前对实验数据进行野值识别,剔除,补正,滤波,去趋势项等处理,利用预报误差法进行系统辨识,再运用遗传算法对预报误差辨识结果进行优化,验证结果表明,达到辨识和优化的目的。     

对流层距离误差预报法的检验与改进

根据９９个实测折射率剖面，对“预报对流层距离误差的新方法”［１，２］的实用性和精度进行了验证；同时提出了对流层距离误差线性回归预报的新方法，并且讨论了该方法的精度。     

基于神经网络的数控机床误差补偿研究

以加工中心为平台进行定位误差测量,利用神经网络智能控制编程,实现修改程序和误差补偿实验,而逐次二点法可以同时分离出工件和机床的定位误差,且测量原理与数据处理简捷有效。结果证明,在神经网络编程下利用逐次二点法进行误差补偿,是有效可行的。     

基于线性神经网络处理圆度误差

圆度误差是机械零件及其互换性的重要指标,是产品质量的关键,这里提出一种基于线性神经网络计算圆度误差的方法.神经网络是一种非线性动力系统,具有运算和自适应的学习能力.本文首先分析线性神经网络的基本原理和实现方法,然后介绍利用神经网络进行圆度误差计算的详细方法,最后给出实验结果.仿真实验结果表明,本文介绍的方法可以有效、正确地评价圆度误差.该方法克服了利用最小二乘法评价圆度误差的局部收敛问题.     

基于神经网络的消除GPS高频误差技术

使用卫星导航系统对目标进行定位,其数据的误差源及影响因素极其复杂,很难使用精确的建模进一步消除误差,提高其精度。径向基神经网络可以有效的对任意形状的目标航迹进行逼近,并通过参数设置,可以将测量数据误差中的高频成分滤除,从而可以削弱其影响。文章使用Matlab系统进行实验表明,这种方法可以有效提高数据精度。     

适应型模糊神经网络在视觉辩识系统中的应用

本文构筑的适应型模糊神经网络模型实现了神经网络的学习训练能力、模糊逻辑系统的仿人推理功能以及匹配寻踪的适应性技术的结合。以其对具有不确定性特征的机器视觉目标图像进行辨识处理,取得良好效果。     

基于模糊神经网络的传感器可信度实时获取

针对传感器在复杂环境中所测信息不完全准确的问题,提出了一种基于专家规则的零阶Sugeno模糊模型神经网络来获取传感器可信度的方法.神经网络经训练样本训练后,可以根据传感器状态和环境信息实时地得到传感器可信度.将该模型学习算法中的最小二乘识别器加以改进,并引入了遗忘因子,可以使该网络实现在线学习,不断更新网络参数.仿真结果表明该模糊神经网络可以有效地获得传感器可信度,且越小则网络在线学习能力越强.     

基于对偶误差的脉冲神经网络目标检测方法

脉冲神经网络(SNN)是一种模拟大脑神经元动力学的低功耗神经网络,为高计算效率、低能源消耗环境部署目标检测任务提供了可行的解决方案。由于脉冲的不可微性质导致SNN训练困难,一种有效的解决方法是将预训练的人工神经网络(ANN)转换为SNN来提高推理能力。然而,转换后的SNN 经常遇到性能下降和高延迟的问题,无法满足目标检测任务对高精度定位的要求。该文针对ANN转SNN过程中产生的误差问题,引入对偶误差模型降低转换性能损失。首先,该文分析误差产生原因,构建对偶误差模型来模拟ANN到SNN转换误差。进一步地,将对偶误差模型引入到ANN训练过程,使转换前后的模型在训练和推理过程中误差保持一致,从而降低模型的转换性能损失。最后,利用轻量化检测算法YOLO在数据集PASCAL VOC和 MS COCO上验证了对偶误差模型的有效性。     

基于神经网络的可调模型直接转矩控制速度辩识

在传统的模型参考自适应(MRAS)速度辨识模型的基础上,用神经网络理论对其可调模型进行了改进。并在无速度传感器直接转矩控制系统中对该速度辨识模型进行了研究,仿真结果验证了该速度辨识模型具有满意的辨识精度和动态性能。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

一种基于BP网络的星图识别算法

为了提高星图识别算法的抗噪性能,提出一种基于逆向传播(Back Propagation,BP)网络的识别算法。该算法通过将星图转换成“0”、“1”和“2”的网格矩阵,提取行列数值和星数形成匹配向量,利用多个BP识别子网进行训练完成匹配识别。通过仿真试验得出以下结论:对星等位置和星等添加噪声,当位置噪声标准偏差为2像素时,BP网络算法的识别率和识别时间相对传统栅格算法分别提高2%和60ms,对噪声有较强抗干扰能力,表明BP网络算法具有更快的识别速度。     

电离层虚高误差影响下基于神经网络的单站定位结果修正

针对电离层虚高观测误差使得超视距目标定位精度受到一定限制的问题,提出了一种电离层虚高误差影响下基于神经网络的单站定位误差校正方法。在存在电离层虚高误差的单站定位场景中,利用神经网络对多重信号分类（Multiple Signal Classification,MUSIC）算法的位置估计结果进行修正。仿真实验表明,在信噪比为0 dB的情况下,30 km的电离层虚高误差引起的定位误差能从111 km降到10 km以内。     

基于RBF神经网络系统辨识研究

从神经网络系统辨识原理出发，利用Matlab神经网络工具箱中提供的一组输入输出数据对，应用RBF网络进行系统辨识，建立RBF神经网络辨识模型，模拟其输出曲线，井且对辨识结果做了对比分析，进而实现了RBF网络的最佳逼近性质。     

Taste Identification of Tea Through a Fuzzy Neural Network Based on Fuzzy C-means Clustering

1　IntroductionTasteidentificationisoneofthemainapplica tionsofthepatternrecognition .Thestudyoftasteidentificationcanbetracedbacktothebeginningof90’s.Theneuralnetworkmodelrealizingtasteidentificationofthefivebasictasteswithvariousdensitywasoriginally proposedbyHaoBo[1 ] in1 994.Afterward ,withthedevelopmentofartificialintelligence,thefuzzyneuralnetworkwasusedtoidentifythebasicandsweet acidcompoundtaste[2 ] .Furthermore ,thequantitysamplinganalysisofvari ousfoodsandbeverages,suchascoffee ,r…     

基于BP神经网络的数字调制信号样式自动识别

针对2ASK，4ASK，2FSK，4FSK，BPSK和QPSK六种数字调制信号，给出了对他们进行识别的5种特征参数的定义，提出了基于BP神经网络利用较少样本分3步进行训练，来实现对数字信号调制样式自动识别的方法，最后得到了在信噪比≥8dB时较高的正确识别率。     

利用改进的BP算法实现神经网络辨识仿真

系统辨识是控制系统设计的基础。基于多层前馈神经网络结构,采用一种改进的BP算法,利用二阶梯度变尺度模型,完成了神经网络非线性系统辨识。与传统的辨识方法比较,神经网络应用于非线性系统辨识具有泛化功能和很好的容错能力,是一种不依赖模型的自适应函数估计器。采用一种改进的BP算法有效地改善了系统收敛速度慢的问题,BP模型已成为神经网络的重要模型之一,从而为控制系统正确设计奠定理论基础。     

基于云模型和矢量神经网络的辐射源识别方法

 矢量神经网络在训练阶段既不能处理语义信息,也没有考虑训练样本本身的可靠性,因而造成辐射源不能正确识别的问题,为此提出了一种基于云模型和矢量神经网络的识别算法.该算法利用云模型来实现定性概念到定量区间值的转换,并利用改进后的矢量神经网络实现区间类型的矢量输入到区间类型型号输出的非线性映射.仿真实验表明,本文方法不仅能处理语义类型的输入矢量,而且能够处理数字类型的输入矢量,并且在测量误差环境中具有较高的识别率.     

基于小波能量系数和神经网络的管道缺陷识别

利用基于小波能量系数的BP神经网络方法对管道焊缝和管道凹槽进行分类识别。建立了导波检测系统,采集了管道凹槽缺陷和焊缝的多组检测信号样本,从信号样本中提取出小波能量系数,并将小波能量系数应用于BP神经网络的训练与识别。结果表明,该方法对管道缺陷的识别准确率较高,且识别效果稳定,在随机抽取信号样本进行的5次试验中,对焊缝和凹槽的最低识别准确率分别为92%和98%,最高识别准确率均为100%。     

小波分析和灰色神经网络融合的光纤陀螺误差建模与补偿

为补偿捷联姿态测量系统中光纤陀螺因外界干扰引起的高频噪声和强漂移,提出一种基于第二代小波变换和灰色Elman神经网络融合的误差建模和补偿方法。采用Allan方差法分析了在外界干扰下的光纤陀螺输出信号,利用第二代提升小波单独重构的方法分离出陀螺误差模型中的漂移误差和白噪声,灰化漂移误差数据后建立了Elman神经网络模型并进行了补偿。实验结果表明,相较于传统的灰色理论模型和单一的Elman神经网络模型,新算法有效滤除了白噪声,并将预测模型的精度提高到96%以上,证实了模型的有效性。