Control of Unknown Chaotic Systems Based on Neural Predictive Control

We introduce the predictive control into the control of chaotic system and propose a neural network control algorithm based on predictive control. The proposed control system stabilizes the chaotic motion in an unknown chaotic system onto the desired target trajectory. The proposed algorithm is simple and its convergence speed is much higher than existing similar algorithms. The control system can control hyperchaos. We analyze the stability of the control system and prove the convergence property of the neural controller. The theoretic derivation and simulations demonstrate the effectiveness of the algorithm.     

Effects of Interactive Function Forms in a Self-Organized Critical Model Based on Neural Networks

Based on the standard self-organizing map neural network model and an integrate-and-fire mechanism, we introduce a kind of coupled map lattice system to investigate scale-invariance behavior in the activity of model neural populations. We let the parameter β, which together with α represents the interactive strength between neurons, have different function forms, and we find the function forms and their parameters are very important to our model‘‘s avalanche dynamical behaviors, especially to the emergence of different avalanche behaviors in different areas of our system.     

Determining the input dimension of a neural network for nonlinear time series prediction

Determining the input dimension of a feed-forward neural network for nonlinear time series prediction plays an important role in the modelling.The paper first summarizes the current methods for determining the input dimension of the neural network.Then inspired by the fact that the correlation dimension of a nonlinear dynamic system is the most important feature of it ,the paper pressents a new idea that the input dimension of the neural network for nonlinear time series prediction can be taken as an integer just greater than or equal to the correlation dimension.Fimally,some validation examples and results are given.     

基于可见近红外光谱的糖类别快速鉴别研究

提出了一种用近红外光谱技术快速鉴别糖类别的新方法.采用近红外光谱获取白砂糖、木糖醇、双歧糖和葡萄糖等四种糖类别的光谱反射特征曲线,采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为11.完成特征提取后,将11种主成分作为神经网络的输入变量,建立了3层BP神经网络.四个类别的糖样本数均为40,共计160个样本,将其分成训练集样本120个和预测集样本40个,对40个未知样本进行预测,准确率为100%.说明所提出的方法对于糖类别具有很好的分类和鉴别能力.     

基于遗传算法的近红外光谱橄榄油产地鉴别方法研究

提出了一种应用近红外光谱技术快速无损鉴别橄榄油产地的新方法。采用近红外光谱仪获取三种不同产地的橄榄油各30个样本的光谱漫反射特征曲线,利用全局搜索算法-遗传算法提取特征波长,即从光谱751个波长数据提取9个特征波长数据,并将其作为主成分分析法的输入变量,运用主成分分析法建立分析校正模型。结果表明,主成分1和2累计可信度已达99.130%,对不同产地的橄榄油有很好的聚类作用,同时也说明遗传算法抽取特征波长方法正确。将提取到的六种主成分作为BP神经网络的输入变量,品种类型作为神经网络的输出变量,建立3层人工神经网络模型,对30个未知橄榄油产地进行预测,预测结果准确率达100％。该方法能快速无损地检测橄榄油产地,同时也为其他油类产地鉴别提供了一种新方法。     

DSWT-FTIR-RBFNN鉴别罂粟和虞美人

采用水平衰减全反射傅里叶红外光谱法(HATR-FTIR)测定罂粟和虞美人的FTIR,由于两者为同科同属中药材,所含化学成分较为相近,为了更好地突出罂粟和虞美人在FTIR上的差异,并据此进行正确分类识别,利用离散平稳小波变换(DSWT)分别对罂粟和虞美人的种皮和种仁的FTIR进行若干尺度的变换,从中选择2个最具代表性的尺度作为特征提取的尺度空间.根据罂粟和虞美人的FTIR分布情况,确定将DSWT域内2个尺度的FTIR分别划分为2个特征区域并以每个区域内的光谱能量作为特征参数.从而构造一个包含8个特征参数的特征向量,将这个特征向量输入到径向基函数神经网络(RBFNN)进行训练,从而达到正确识别罂粟和虞美人的目的.实验中共取罂粟和虞美人的FTIR数据128对,其中训练样本78对,测试样本50对.实验结果表明利用文章的方法对罂粟和虞美人的正确识别率分别为99.8%和99.9%,从而验证了方法的有效性.     

τ→π±2π0v结构函数的测量

首次对τ→π^±2π⁰v衰变的结构函数进行了模型无关的实验测量,并与KS模型、IMR模型和Feindt模型进行了比较,在误差范围内,三种理论模型与实验结果一致.与OPAL组测量的τ→3π^±v道的结构函数相比,在0.52范围内未发现明显差异.     

BP神经网络算法在单井流动单元识别中的应用

流动单元的准确划分不仅是建立精细地质、搞清剩余油分布的必要条件,而且关系到后期挖潜剩余油措施的选择.本文应用BP神经网络算法,以取芯井参数聚类分析结果为学习样本,对非取芯井进行流动单元划分,实例表明与常规的判别分析方法相比,在划分结果上基本一致,但是BP神经网络算法具有更准确的样本学习能力,不存在回判错误的可能,为单井流动单元划分提出了新的思路.     

混沌神经网络的动态阈值控制

提出了混沌神经网络的动态阈值控制方法, 将大脑脑电波的主要成分, 正弦信号作为控制变量实现对混沌神经网络内部状态的阈值动态改变, 从而达到了控制混沌神经网络混沌的目的. 利用该方法可以将混沌神经网络的输出稳定在一个与网络初始模式相关的存储模式和其反相模式上, 从而使混沌神经网络在模式识别、信息搜索等信息处理功能得以实现. 该控制方法不需要事先指定阈值, 是一种自适应方法, 符合实际人脑的思维运动. 关键词： 混沌控制 混沌神经网络 动态阈值控制 信息处理     

基于LVQ神经网络的图像边沿检测研究

分析了传统边沿检测算子的优缺点,引入LVQ神经网络检测图像边沿;阐述了其以传统算子检测结果为教师信号,以灰度图像5X5邻域的中值特征量、方向特征量、Kirsch算子方向特征量为一组特征量作为输入信号训练权值的检测原理与训练过程,给出了特征量的计算公式;以检测脐橙图像边沿为例,设置了不同阈值、不同教师信号类型.结果表明,...