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.     

BP神经网络在土壤水分预测中的应用

土壤水分预测是一个复杂的非线性系统,受土壤复杂结构和气象因子影响显著,很难建立一个理想的土壤水分预测数学模型。本文利用BP人工神经网络方法建立了土壤水分预测模型,该模型的预报精度较高,其最大绝对误差为3．12％,最小绝对误差为0．63％,平均绝对误差为1．38％。预测结果表明应用BP神经网络建立的土壤水分数学模型适用于土壤水分的预测,能够比较准确的预测土壤水分,具有较好的预测精度。     

基于神经网络和DSP技术的离线数字识别系统

本文提出了一种基于神经网络的离线数字识别技术,采用神经网络来对图中的数字进行识别,在分析图像预处理对图像特征提取和识别影响的基础上,提出了一种基于目标的图像增强算法,该算法计算量小、实时性好,有效地解决了图像背景颜色差异和环境光线差异对图像特征提取和识别造成的影响。最后给出了系统基于DSP的硬件实现。     

基于神经网络的入侵检测系统的设计

为了克服传统误差反向传播算法收敛速度慢且容易陷入局部极小的问题,提出了一种改进的误差反向传播算法,并给出了一个基于神经网络的入侵检测系统的模型,阐述了该模型的设计思想,最后通过训练过程和检测过程对实验的结果进行了客观的分析,分析结果表明:改进的误差反向传播算法运用于神经网络入侵检测漏检率和误报率都比较高,而且对未知类型的攻击,也有一定的检测效果,说明改进的误差反向传播算法在神经网络入侵检测方面具有很大的发展空间和应用前景.     

基于可见-近红外光谱技术与BP-ANN算法的污水类型鉴定

提出了一种基于可见-近红外光谱技术与BP人工神经网络(BP-ANN)算法快速进行污水类型鉴定的新方法.以FieldSpec(R)3地物光谱仪采集了4种污水样品的光谱数据,共168份,随机将其分成校正集(132份)和检验集(36份).分别采取全波段(400～2450 nm)与择取波段(400～1800 nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP-ANN的输入变量,污水类型作为输出变量,建立3层BP-ANN鉴别模型.利用36个未知样对模型进行检验.结果表明:两类模型预测准确率均高达100%,且择取波段模型比全波段模型具有更高的预测精度.说明利用可见-近红外技术结合BP-ANN算法进行污水类型的快速、无污染鉴定是可行的,且波段筛选是优化模型的有效方法之一.     

基于BP神经网络的电子元器件寿命预测

电子元器件的寿命预测对于制订寿命试验的规划,确定所需的试验时间及试验经费,都有十分重要的指导作用.基于BP神经网络提出了一种电子元器件寿命预测的方法,该方法可对当前样本的未来观测值或未来样本的观测值进行预测.对MOS电容的加速寿命试验数据进行了仿真试验,结果表明该方法可较好地预测MOS电容在相应的应力条件下的失效时间,且精度较高.     

基于BP神经网络的模塑封电子器件优化设计

针对塑封SOT(小外形晶体菅)器件的使用失效案例,从芯片设计角度出发,提出一种优化设计方法,该方法利用误差反向传播神经网络(BPNN),结合主成分分析(PCA)、遗传算法(GAs)及均匀设计的针对非线性系统的优化设计,设计了该塑封SOT器件的尺寸参数。结合实验和有限元模拟分析,验证该优化设计结果的有效性。结果表明,优化设计的器件各关键界面点的最大应力约减少了70~180MPa,器件的界面层裂现象得到消除,提高了器件的可靠性。     

结构因素对平板裂缝天线辐射单元电性能的影响

通过正交试验设计和电磁场数值仿真,研究了平板裂缝天线的主要功能构件辐射单元的结构公差对电性能的影响权重关系,建立了辐射单元各结构参数与电性能之间的神经网络模型,分析了缝宽、波导壁厚、缝偏置和缝长对幅度的影响,为平板裂缝天线的设计提供一定的指导作用.     

图像脉冲噪声的概率神经网络识别滤波方法

提出了一种用概率神经网络(PNN)检测图像随机脉冲噪声点方法.首先提取已知图像脉冲噪声像素点的特征作为PNN的输入,然后建立了PNN脉冲噪声点识别模型,再对其它噪声图像的每一个像点进行识别,最后只对噪声点进行中值滤波.Matlab仿真实验表明,同BPNN检测方法相比,该网络能明显提高识别正确率,因此有更好的脉冲噪声滤除效果,且该方法滤除脉冲噪声简单快速,是一种较好的神经网络图像脉冲噪声识别滤除方法.     

基于花期果树冠层光谱反射率的果树树种辨识研究

利用冠层光谱反射率数据(Rλ),对处于开花期的7种果树的树种进行了辨识研究.通过光谱数据重采样、植被指数求算等相关数据处理,比较了6种卫星传感器与4种植被指数对果树树种的辨识效能,并在优选数据形式、优化模型参数的基础上,建立了辨识果树树种的BP神经网络模型.主要结论为:(1)6种卫星传感器辨识果树树种的效能由强到弱的排列顺序为:MODIS、ETM+、QUICKBIRD、IKONOS、HRG、ASTER;(2)在4种植被指数中,RVI对果树树种的辨识效能最强,其次是NDVI,SAVI与DVI的辨识效能相对较弱;(3)用MODIS或ETM+传感器的近红外通道与蓝光通道上的反射率数据,求算的RVI与NDVI对果树树种的辨识效能相对较强;(4)在Rλ及其22种变换数据中,波长间隔设为9nm的d1[log(1/Rλ)],是建立BP神经网络模型的首选数据形式.