毫米波E面滤波器神经网络建模方法研究

在毫米波E面滤波器的设计中,对E面膜片的建模和分析是一个关键环节。以往采用的数值分析方法虽然精度较高,但建模速度慢。提出采用径向基神经网络对膜片建模,并利用Matlab语言编写神经网络建模程序。结果表明,得到了很高的建模精度,且建模速度大大提高。因此可以将神经网络模型替代以往的分析程序,在保证精度的同时,大大提高滤波器的设计速度。     

基于BP神经网络的模拟电路诊断系统研究

以现代测试技术、信号处理、信息融合等理论为基础,以神经网络在模拟电路故障诊断中的应用为主线,详细讨论BP神经网络在模拟电路故障诊断中的应用和故障特征提取方法.采用多频组合法建立了故障样本集.对选定的待测电路在元件存在容差的条件下,仿真验证了BP神经网络应用于模拟电路故障诊断的可行性.     

基于时间序列分析的网络流量预测模型研究

通过对网络流量数据作为时间序列进行小波变换建模,应用于未来时间的网络流量数据预测.首先对流量数据序列进行多尺度分解,对分解到不同尺度上的数据分别利用不同的时间序列模型进行分析,然后进行预测数据的折衷处理,得到网络流量多尺度预测模型.仿真结果表明与单一应用RBF神经网络的时间序列预测模型相比,该模型预测效果良好,具有较高的预测精度和很好的模型适应性.     

BP神经网络图像压缩算法乘累加单元的FPGA设计

提出一种基于三层前馈BP神经网络实现图像压缩算法的方案,该方案采用可重载IP核和VHDL代码相结合的设计方式.对方案中重要单元一束累加单元进行了FPGA设计,该模块设计采用流水线处理方式,增大了数据吞吐量,减小了系统延时,提高了时钟频率,并完成了该单元的行为级功能仿真.仿真结果验证了FPGA设计的可行性.     

基于神经网络的PID控制及其仿真

提出基于神经网络的PID控制方案,利用神经网络的自学习能力对PID控制参数在线整定,使PID控制器具有自适应性.这里采用三层前向网络、动态BP算法,达到了在线实时控制的目的,显示了BP神经网络的PID控制方法很强的鲁棒性,同时也显示了神经网络在解决高度非线性和严重不确定系统方面的潜能.最后用Matlab软件对一个实例进行仿真研究.仿真结果表明,神经网络PID控制器优于传统PID控制器,具有较高的精度和较强的适应性,它可以获得满意的控制效果.     

基于FPGA的人工神经网络实现方法的研究

基于FPGA的神经网络实现方法已成为实际实时应用神经网络的一种途径.本文就十多年来基于FPGA的ANN实现作一个系统的总结,例举关键的技术问题,给出详细的数据分析.引用相关的最新研究成果,时不同的实现方法和思想进行讨论分析,并说明存在的问题以及改善方法,强调神经网络FPGA实现的发展方向和潜力及提出自己的想法.另外,还指出基于FPGA实现神经网络存在的瓶颈制约,最后对今后的研究趋势作出估计.     

电网谐波的产生及其检测方法分析

电力系统中谐波的实时监控及其治理是当前在电能质量管理方面需要着重解决的问题,谐波污染已成为公认的电网一大公害,寻找到更为有效可行的谐波检测方法及其实现技术是实现谐波治理的关键.通过分析谐波产生的原因和造成的危害,对几种主要的谐波检测方法展开讨论,并进行分析比较,以便于根据实际情况选择合理的谐波检测方法,为谐波分析提供实时准确的数据,从而为广大客户提供优质可靠的电能.     

非线性系统神经网络L2增益控制

针对很难求解Ⅲ偏微分不等式解析解的问题,采取一种新的思想,给出了利用神经网络构造HJ不等式解的一种方法,并利用遗传算法进行神经网络权值的优化,使得Lyapunov函数满足HJ不等式,避免了求解HJ偏微分不等式。并在此基础上,给出基于HJ不等式的仿射非线性系统神经网络L2增益抗干扰控制器设计方法,以神经网络的形式给出厶增益控制器的一般结构。仿真结果表明,提出的控制器设计方法是可行的,实现了闭环系统为从外界干扰到系统输出是有限增益L2稳定的。     

Aggregate volumetric estimation based on PCA and momentum-enhanced BP neural network

This paper proposes a Back Propagation (BP) neural network with momentum enhance-ment aiming to achieving the smooth convergence for aggregate volumetric estimation purpose. Net-work inputs are first selected by optically measuring the eight geometry-related parameters from the given particle image. To simplify the network structure, principal component analysis technique is applied to reduce the input dimension. The specific network structure is finalized based on both em-pirical expertise and analysis on selecting the appropriate number of neurons in hidden layer. The network is trained using the finite number of randomly-picked particles. The training and test results suggest that, compared to the generic BP network, the training duration of the proposed neural network is greatly attenuated, the complexity of the network structure is largely reduced, and the es-timation precision is within 2%, being sufficiently up to technical satisfaction.     

神经网络在系统辨识中的应用

系统辨识在工业方面应用广泛,该文从基本的智能控制技术——神经网络(NN)技术出发,提出了一种利用神经网络进行系统辨识的方法.该辨识方法显示出很强的处理问题的能力,无需辨别系统阶次.辨识结构简单,精度高.仿真结果表明这种方法的有效性和可行性.本论文共分为四部分:第一部分介绍了神经网络用于系统辨识的特征,第二部分讲述了神经网络的工作原理,包括神经网络的模型、传递函数及训练过程,第三部分讲述了神经网络进行系统辨识的仿真实例,第四部分对上述内容作了简要小结.