基于模糊神经网络的水浴控制系统研究与实现

针对水温控制系统的特点,介绍了以单片机为核心,使用数字温度传感器DS18B20,软件设计采用定时中断结构实现PWM,采用模糊神经网络控制算法的恒温水浴的控制系统.该系统稳定性好,达到控制目的.     

后期制作：从行业垄断跨向市场运营

制播分离 制播分离的概念来自于英文Commission,最早起源于英国,原意是指电视播出机构将部分节目委托给独立制片人或独立制片公司来制作。电视台通过委托制作的部分节目,在众多的节目公司中,比较容易得到价格相对便宜且质量较好的节目。买方市场的出现使电视台在短期内受益。从长远看,众多的节目公司经过优胜劣汰的市场过程,会对广播电视的发展产生良好的影响。     

基于Hopfield的脱机手写数字识别理论及算法

脱机手写数字识别在很多领域具有广泛的应用前景,国内外学者对此做了大量的研究工作,提出了很多预处理和模式识别的算法,大大提高了手写数字的识别精度。为了提高手写数字识别的精度,文章将Hopfield神经网络应用于脱机手写数字识别分析中,Hopfield神经网络的“能量函数”的能量在网络运行过程中,具有不断地减少最后趋于稳定的平衡状态的特性,而且网络一旦建立即可自动运行,无需要训练。     

混沌神经网络在数字压缩图像加密中的应用

提出了一种混沌神经网络加密压缩数字图像的算法.首先,将原始图像进行二维小波变换后,转换成小波域上的小波系数,然后对小波系数进行嵌入零树小波编码.接着,将码流中"1"的位置取出,存入一个矩阵中,对此矩阵进行混沌神经网络加密.该加密算法具有以下特征:速度快、无失真、安全性高.仿真试验结果表明,该算法能得到令人满意的结果.     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于模糊归一化神经网络的开环子带主动消噪

将无延时开环子带自适应滤波结构应用到传统的宽带主动消噪系统中,并提出开环子带结构中的X滤波预补偿方法,弥补了滤波器延迟对系统的影响,提高了系统的收敛速度,降低了计算复杂度。此外,利用神经网络来精细模拟实际噪声的高度非线性性,提出模糊归一化收敛步长调整方法以控制开环方案带来的额外误差能量,并给出了数学证明。对实际噪声的仿真结果显示,给出的主动消噪系统和算法具有更快的收敛速度和更低的稳态误差,达到了更好的降噪效果。     

基于改进型PCNN赋时矩阵的图像特征识别方法

提出了一种基于自适应Unit-Linking脉冲耦合神经网络(ULPCNN)赋时矩阵的图像特征识别算法.该方法在充分考虑图像局部信息的基础上,对ULPCNN周值函数及链接强度做了修正改进,形成自适应连接的AULPCNN,利用AULPCNN模型对原始图像进行处理,生成一种从空间图像信息到时间信息的赋时矩阵映射图,并将其视为一幅图像进行处理.然后利用物理学相关概念定义赋时矩阵重心不变特征,且将这一特征运用在图像特征提取与目标识别中.理论分析和实验结果表明:AULPCNN赋时矩阵重心特征具有良好的抗几何畸变性(TRS)、抗亮度畸变性和抗噪声干扰不变性,具有提取特征参数少、提取方法简单、易于实现、识别正确率较高和稳健性强等特点.     

基于遗传神经网络的电力机车主变流器故障诊断

在变流器的故障诊断系统中,针对BP算法存在收敛速度慢、容易陷入局部极小值的问题,文章采用了遗传算法的选择、交叉、变异过程代替班,神经网络的反向传播过程的遗传神经网络算法。通过仿真试验证明,这种算法具有收敛速度快、推广性强的特点,极大提高了变流器的故障诊断系统的效率和准确性。     

Hopfield络求解TSP两种改进算法的仿真研究

针对Hopfield神经网络在求解旅行商问题(TSP)时出现的无效解和局部极小值问题,分析和比较两种改进的求解方法.首先从理论上证明算法的有效性,然后对两种算法分别进行计算机仿真,探讨网络收敛于全局有效解的途径.研究表明,改进的算法都可避免无效解,在求解10城市问题时可获得近乎100%的最优解.     

基于辛格式的深度哈密尔顿神经网络

HNN是一类基于物理先验学习哈密尔顿系统的神经网络.本文通过误差分析解释使用不同积分器作为超参数对HNN的影响.如果我们把网络目标定义为在任意训练集上损失为零的映射,那么传统的积分器无法保证HNN存在网络目标.我们引进反修正方程,并严格证明基于辛格式的HNN具有网络目标,且它与原哈密尔顿量之差依赖于数值格式的精度.数值实验表明,由辛HNN得到的哈密尔顿系统的相流不能精确保持原哈密尔顿量,但保持网络目标;网络目标在训练集、测试集上的损失远小于原哈密尔顿量的损失;在预测问题上辛HNN较非辛HNN具备更强大的泛化能力和更高的精度.因此,辛格式对于HNN是至关重要的.