红外光谱统计波长选择方法用于废气检测

为了从含有噪声的大气红外光谱中提取微量待测污染组分的定量特征,进而建立校正模型,本文提出了一种基于统计理论的波长选择方法。该方法针对待测组分,在对光谱各波长位置的噪声强度进行统计估计的基础上,提出了选择最佳波长子集的目标函数。该目标函数包含波长子集的噪声和长度参数,这使得在最小化模型误差的同时也防止了模型规模的无限制膨胀。为了检验该方法的性能。文章利用含背景噪声的实测光谱数据针对三种气体进行了波长选择,并利用神经网络技术分别建立了校正模型。实验结果与波长子集的优化结果相符,所选择的波长子集的长度不足光谱波长总点数的2％,同时,光谱中的噪声也在校正模型中得到了明显的抑制。实验结果证明了该波长选择方法的有效性。     

Nonlinear Time Series Prediction Using Chaotic Neural Networks

A nonlinear feedback term is introduced into the evaluation equation of weights of the backpropagation algorithm for neural network,the network becomes a chaotic one.For the purpose of that we can investigate how the different feedback terms affect the process of learning and forecasting,we use the model to forecast the nonlinear time series which is produced by Makey-Glass equation.By selecting the suitable feedback term,the system can escape from the local minima and converge to the global minimum or its approximate solutions,and the forecasting results are better than those of backpropagation algorithm.     

脉冲时滞细胞神经网络的周期解的存在性

利用重合度理论中的延拓定理和微分不等式技巧,给出了具有状态依赖时滞和分布时滞的脉冲细胞神经网络的周期解的存在性的充分条件.     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

宏观调控“两难”新环境下中国CPI运行定量分析——基于改进的BP神经网络

当前,我国经济继续回升向好,但宏观调控面临的"两难"问题增多.如何防止经济快速下滑和防范通货膨胀成为当前宏观经济决策的重要内容,准确预见我国价格运行趋势对宏观决策具有十分重要的意义.1997年和2008年分别发生了对世界经济发展影响深远的两次金融危机.两次金融危机发生后,中国政府均实施了大规模的经济刺激计划,但反映经济运行的主要宏观经济指标CPI月度指数从危机发生当年的次年开始,步入了长达数月负区间运行.研究发现1997年金融危机发生前后月度CPI指数运行相关度非常高,2008年金融危机发生当年月度CPI指数与2007年、2009年月度CPI指数运行相关度也非常高.对此,运用改进的BP神经网络模型对1995-1999年中国月度CPI指数进行学习,以2006-2009年月度CPI指数数据为基础,对2010年中国下半年月度CPI指数进行了预测,显示全年CPI指数预计为102.85.对此,认为2010年我国面临适度的通胀压力,提出了应对政策建议.     

基于正交试验法和AHP的PNN焊接螺母质量评估

为满足人工神经网络对样本数据的要求,通过正交试验法采集样本数据,利用层次分析法确定影响产品质量各因素的权重,以得到的权重值处理样本数据,以此训练概率神经网络.结果表明,概率神经网络的模式识别能力得到显著提高.     

基于邻域像素注意力机制的光场深度估计方法

通过发掘深度信息与子孔径图像邻域像素间的高度相关性,提出了一种基于邻域像素注意力机制的光场深度估计方法。首先根据光场图像的数据特性提出了一种邻域像素注意力机制,该注意力机制考虑了不同子孔径图像在同一邻域间的极几何关系,能够增强网络对遮挡像素的感知能力。其次基于注意力机制设计了一个光场子孔径图像序列特征提取模块,该模块通过三维卷积将相邻序列图像上的特征编码到特征图上,并通过注意力机制增强网络对光场图像极几何特征的学习能力。最后联合邻域像素注意力机制和特征提取模块设计了一个多分支的全卷积神经网络,该网络使用部分光场子孔径图像序列即可估计图像的深度特征。实验结果表明,所提方法在均方误差（MSE）和平均坏像素率（BP）指标上总体表现优于其他先进方法,同时得益于高效注意力机制的加入,与其他先进方法相比所提方法运行速度最快。     

采用GAF-D3Net深度学习网络的水下目标有源识别方法

提出一种基于格拉姆角场(GAF)和卷积神经网络(CNN)的水下目标有源识别方法。该方法利用GAF将目标回波信号编码为二维图像,使用空洞卷积构建轻量级的卷积神经网络GAF-D3Net实现对目标的特征提取与分类识别。实验表明,与基于传统图像特征的分类方法相比,所提方法的分类精度有显著提高,达到99.65%。在泛化性测试中,对比了经典CNN使用声呐图像的迁移学习方法,本文方法的曲线下面积(AUC)达到89%,具有更好的泛化性能以及抗干扰能力,为实现水下目标有源识别提供了一种可靠方法。     

基于LSTM的激光混沌同步通信

针对激光混沌保密通信系统中混沌信号接收双方硬件参数难以完全匹配的问题,用长短期记忆神经网络对发射端产生的大量混沌加密信号和部分载波信号进行充分训练,最终得到一个与发射端激光器系统高度相似的神经网络模型,并用此非线性模型代替接收端进行解密,实现了2 Gbit/s的混沌同步通信。该方法明显降低了混沌同步的复杂性。探讨了不同节点数量、耦合系数以及信噪比对于同步通信的影响,结果表明同步系数可以高达0.999 966,均方根误差达到10^-3量级,误码率低至10^-10量级。最后通过图像传输系统验证了方案的可行性。     

一类不确定延迟神经网络的自适应投影同步

研究了一类参数不确定的延迟神经网络的投影同步,基于Lyapunov稳定性理论,设计了一种新型的自适应控制方法.该方法能同时实现一类参数不确定延迟神经网络的参数识别和投影同步.数值模拟证明了该方法的有效性. 关键词： 延迟神经网络 Lyapunov稳定性理论 参数识别 投影同步