基于改进RBF神经网络的变形场插值算法研究

传统的物体表面力学变形场计算方法存在计算量大,无法计算边缘点变形等问题;提出一种改进的萤火虫算法优化RBF神经网络的变形插值方法,利用阈值约束RBF神经网络隐含层结点数,运用可变步长萤火虫算法优化RBF神经网络隐含层节点的中心和宽度,采用递推最小二乘法计算隐含层到输出层之间的权值,建立物体表面位移神经网络插值模型;为提高位移插值精度,在训练和测试的输入中增加坐标组合数据;应用于混凝土梁三点弯实验,仿真结果表明,该算法比常用的神经网络算法有更快的仿真速度和更高的预测精度,可用于土工材料表面变形场的快速、准确的计算。     

提升小波包和改进BP神经网络相融合的新故障诊断算法

针对传统的小波变换和BP神经网络应用于故障诊断中存在自适应性差、效率低等问题,提出一种提升小波包和改进BP神经网络相融合的新故障诊断算法;利用插值细分思想,设计了提升小波包的预测算子和更新算子,结合传统小波包算法和提升模式的原理,完成了提升小波包算法的设计,并将该算法应用于故障信号的消噪和能量特征量的提取;利用遗传算法优化标准BP神经网络的初始权值和阈值,采用L-M算法优化标准BP神经网络的搜索方式;以美国凯斯西储大学提供的滚动轴承实验数据,将新算法应用于实验中,分析结果表明:新故障诊断算法比传统的BP神经网络算法具有收敛速度快、诊断精度高等实效性。     

基于多重分形谱的光纤周界振动信号识别

为了有效识别光纤周界系统的振动信号,提出一种多重分形谱参数和改进概率神经网络相结合的光纤振动信号识别方法.该方法能够避免特征提取过程中需要选择经验阈值和模式识别过程中需要确定平滑因子的不足.首先,检验分析光纤振动信号多重分形的存在性和有效性.然后,计算和提取光纤振动信号的多重分形谱参数,构成能够准确描述信号非线性和复杂性特性的特征向量.最后,采用改进的概率神经网络算法进行自适应地学习和分类,实现对不同光纤振动信号的识别.采用现场实验采集的四种振动信号对该方法进行验证,结果表明,平均识别率达到96.25%,识别时间为1.63s.该方法在正确识别率方面优于传统的概率神经网络算法.     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于深层残差网络的加速图像超分辨率重建

针对目前卷积神经网络的超分辨率算法存在卷积层数少、模型简单、计算量大、收敛速度慢以及图像纹理模糊等问题,提出了一种基于深层残差网络的加速图像超分辨率重建方法,该方法在提高图像分辨率的同时加快收敛速度。设计更深的卷积神经网络模型来提高精确度,通过残差学习并且使用Adam优化方法使网络模型加速收敛。在原始低分辨率图像上直接进行特征映射,只在网络的末端引入子像素卷积层,将像素进行重新排列,得到高分辨率图像。实验结果表明,在set 5,set 14,BSD100测试集上,所提算法的峰值信噪比与结构相似性指数均高于现有的几种算法,能够恢复更多的图像细节,图像边缘也更加完整且收敛速度更快。     

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机（ELM）作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机（ELM）模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法（RVIPSO-MELM）优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM（RV-MELM）和改进PSO算法的多层ELM（IPSO-MELM）二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。     

多尺度特征融合的目标检测算法研究

针对Faster R-CNN在多尺度目标检测时易出现小目标漏检和误检的问题,提出一种改进的多尺度目标检测算法。将利于小目标检测的低层网络和利于大尺度目标检测的高层网络进行多尺度特征融合;在训练阶段,采用在线难例样本挖掘算法维护难例样本分类池,加速神经网络模型迭代收敛,解决训练样本不均衡、训练效率低下的问题;计算并统计待检测目标的尺度大小,合理控制用于生成候选区域的锚框尺寸,提高模型泛化能力。采用PASCAL VOC2012公开数据集和类人足球机器人自建数据集进行算法验证,实验结果表明,相比Faster R-CNN算法,本算法的平均检测精度在上述数据集下分别提高了8.61和5.47个百分点。     

无线光码分多址中一种改进的盲多用户检测算法

干扰消除是无线光码分多址(CDMA)通信系统中的一项关键技术。分析了基于递归最小二乘(RLS)算法的盲多用户检测算法的原理及性能,并将其应用于采用光正交码的无线光CDMA系统中。讨论了该系统中遗忘因子的选取原则及其对算法的收敛性和系统误码率性能的影响。为了克服固定遗忘因子所带来的矛盾,提出了一种改进的变遗忘因子RLS盲多用户检测算法,并对遗忘因子进行了修正。结果表明,采用改进的方法后系统能获得较快的收敛速度和跟踪速度,收敛时的估计误差也较小,而且信号干扰比由传统算法的6dB提高到9dB。说明采用变遗忘因子的RLS算法不仅适合于采用光正交码的无线光CDMA系统,而且跟踪期望用户信号的性能良好。     

基于多特征融合与ROI预测的红外目标跟踪算法

针对当前红外目标检测与跟踪算法存在场景自适应能力弱、专用性强,以及在大视场条件下,首帧图像中小目标误检率高的问题,提出一种红外序列图像目标自适应阈值分割、检测与跟踪方法.选取目标移动速度、目标轮廓的面积和周长、以及自适应分割阈值与感兴趣区域位置为动态变量,建立动态决策准则.采用首帧目标检测算法计算出序列图像的第一帧图像目标的静态变量和部分动态变量,再采用改进的局部自适应阈值分割算法分割后续帧图像,然后利用静态与动态决策准则筛选出分割后的真实目标,最后计算并更新动态决策准则.红外靶标测试结果表明:该方法对不同场景具有较好的适应性,四个场景平均跟踪准确率为95.81%,微机平台平均每帧处理时间为10.93ms,嵌入式平台为26.79ms.     

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%。     

基于模糊聚类算法的工控网络控制故障检测方法研究

针对传统大型工控网络控制故障检测过程中,没有考虑故障延时特性,从而导致的故障信号检测准确率下降,检测效率降低。为此,提出一种基于模糊算法的大型工控网络控制故障检测方法。引入模糊算法,对大型工控网络控制中的故障信号延迟进行模糊化建模,通过随机时延切换设计故障观测参数和故障观测参数的残差对大型工控网络控制系统进行故障检测,克服信号延迟弊端。实验结果表明,利用本文方法进行大型工控网络控制系统故障检测,能够有效提高故障的准确率,效果令人满意。     

改进误差反向传播（BP）神经网络在图像压缩中的应用

针对空间遥感图像数据量剧增的问题,提出一种改进的BP神经网络图像压缩方法。该算法利用Levenberg-Marquart算法提高神经网络的收敛速度,利用算法提高神经网络的泛化能力。比较分析了新算法和标准BP算法对同一幅图像进行压缩的结果和性能误差函数。实验结果表明,实验结果表明,标准BP算法在图像压缩比为1/2时,均方误差（MSE）为343.3750;改进后的BP算法在图像压缩比为1/16时,MSE为69.5796,图像压缩比为1/8时,MSE为20.9561,图像压缩比为1/4时,MSE为5.5123。并且利用改进后的算法压缩图像的峰值信噪比均在30 dB~40 dB之间。改进算法已用于实际工程中,满足实际需求。     

Noise reduction for lidar returns using self-adaptive wavelet neural network

Lidar has been widely applied in many fields, such as meteorology and environment. However, because lidar returns are very weak, the influence of noise on useful signal is very serious. To obtain useful lidar return signals from raw data, a self-adaptive method combining wavelet analysis and a neural network that suppresses noise is proposed, in which the orthogonal Daubechies wavelet family serves as node functions in the hidden layer of the neural network, a search algorithm is selected to optimize the parameters and thresholds, and the Levenberg–Marquardt algorithm is adopted in the neural network gradient algorithm. Some comparative experiments were carried out to verify the feasibility of the noise reduction method and the results showed that the signal-to-noise ratio (SNR) of the common wavelet threshold denoising method is about 10, while that of the self-adaptive wavelet neural network denoising method is more than 20. From the experimental results, it can be seen that the wavelet neural network denoising method has less distortion and a higher SNR value than other methods, giving it superior performance.     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

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。     

基于混沌神经网络的盲检测改进新算法

针对Hopfield神经网络的多起点问题,提出了一种新的基于混沌神经网络的盲信号检测算法,实现了二进制移相键控信号盲检测.据此进一步提出双sigmoid混沌神经网络模型,构造了新的能量函数,且证明了该模型的稳定性,并对网络参数进行配置.仿真实验表明:混沌神经网络能够避免局部极小点且具备较强的抗噪性能,双sigmoid混沌神经网络则继承了其所有的优点,且其收敛速度更快,仅需更短的接收数据即可到达全局真实平衡点,从而降低了算法的计算复杂度,减少了运行时间.     

基于BAM网络的航空雷达在线入侵诊断方法研究

针对传统的航空雷达网络面临的入侵威胁,以及雷达网络存在的入侵诊断检测效率较低,数据匹配速度较慢等问题,提出了一种基于BAM网络的航空雷达在线入侵诊断方法,构建航空雷达在线入侵诊断模型,对航空雷达网络中的外部数据进行预处理,并获取数据特征以及数据特征的可辨识属性矩阵和决策辨识函数,计算测试参数集的所有特征向量,从而使入侵检测算子的匹配量减少,以此提升数据匹配效率,实现对外部入侵数据的过滤检测,从而对雷达数据网络进行在线监控,有效抵御外部异常数据的入侵,保证了航空雷达网络的安全性。仿真结果表明本文方法有效提高了航空雷达网络的在线数据检测匹配速度,诊断准确率达到93.3%,且对航空雷达的入侵诊断检测效率、误报率、漏报率等方面都有明显改善。     

PM2.5质量浓度廓线的激光雷达反演研究

针对PM2.5质量浓度在空间不同高度上的分布测量较难这一问题,采用激光雷达和大气透射仪以及粒径谱仪进行联合探测,反演PM2.5质量浓度廓线.考虑相对湿度等因素的影响,通过大气透射仪和粒径谱仪建立地面PM2.5质量浓度与大气透过率之间的函数关系.以大气透射仪所测地面大气透过率值为基准,修正激光雷达大气透过率在高空的边界值,结合Fernald后向积分法反演出大气透过率的垂直分布.依据建立的函数关系和大气透过率垂直分布,得到PM2.5质量浓度廓线,并采用HYSPLIT后向轨迹分析不同高度层气溶胶的输送和动态变化.通过激光雷达、大气透射仪和粒径谱仪的联合探测实验,结果表明:经大气透射仪修正后,大气透过率垂直分布精度得到了提高,PM2.5质量浓度廓线很好的反映了气溶胶垂直分布的微物理变化特征.     

多传感器目标识别系统的特征优化方法

来自多传感器的目标特征往往是高维数的,并且包含了更多的冗余信息和噪声。为了减小数据获取的代价,提高目标识别器的性能和效率,提出了基于遗传算法(GA)的多传感器目标识别系统特征优化方法。将遗传算法与神经网络目标分类器结合,通过识别结果的反馈信息,控制GA的遗传进化方向,从而实现特征优化。为了克服遗传算法的未成熟收敛问题,提出了相关选择与自适应遗传算子相结合的改进遗传算法。仿真实验结果验证了方法的有效性。