航天光学遥感器在轨调制传递函数神经网络评价方法

通过对航天光学遥感器在轨调制传递函数模型和遥感图像的分析,找出遥感图像中与调制传递函数有关的特征信息,采用神经网络为工具,完成利用遥感器传输下来的任意一幅地面景物图像进行调制传递函数的评价。首先模拟出包含不同调制传递函数等级的遥感图像,组成训练样本集,再从图像中分别提取出直接与调制传递函数有关的特征参量和与景物结构有关的特征参量,作为神经网络的输入,网络通过对训练样本集中模拟出的大量调制传递函数已知的遥感图像训练后,当再次输入一幅调制传递函数未知的遥感图像时,便能够正确估计出其调制传递函数值。这种方法不需要在地面铺设靶标或预先获得调制传递函数已知的同一地面景物的航空图像作为参考,只需获得任意一幅地面景物图像即可完成对遥感器调制传递函数的评价。实验结果表明,当不考虑噪声对调制传递函数的影响时,对调制传递函数的评价误差约为6%,而在考虑噪声时,评价误差约为9%。     

基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品...     

基于再生核RBF神经网络的瓦斯突出预测系统

该设计的瓦斯突出预测系统由数据采集,数据传输和数据处理三部分组成;首先使用层次分析法和MATLAB选择出了瓦斯突出影响因素,然后使用TMS320C6713和PCI总线技术设计了数据采集和传输系统,同时采用再生核算法来进行RBF神经网络的训练,通过W12[a,b]空间插值逼近的方法,把RBF神经网络的训练转换为解线性方程组,最后使用LABVIEW,MATLAB和CCS混合编程实现了再生核RBF神经网络的训练和仿真以及TMS320C6713软件开发,准确地预测出了瓦斯突出。     

利用电子俘获材料实现光学IPA神经网络模型

报道用自行研制的ＣａＳ（Ｅｕ，Ｓｍ）电子俘获材料表示互联机重矩阵以实现光学ＩＰＡ神经网络模型，由于ＣａＳ（Ｅｕ，Ｓｍ）的红外激励发光强度与俘获的电子密度及红外读出光强度之积成线性关系，故可用来表示互联权重矩阵以实现光学神经网络，这种互联权重矩阵具有很宽的数值范围，并可以用光学的办法进行快速擦除，重写。     

用神经网络分辨原初宇宙线成分

尝试在高山乳胶室实验中用神经网络的方法区分超高能区原初宇宙线当中的质子和原子核,对模拟数据的分析结果表明,当族事例观测能量大于500TeV时,对质子和原子核的分辨率均能稳定在80%附近;而当族事例观测能量在100TeV和500TeV之间时,对质子和原子核的分辨率均大于70%.     

基于时变阈值过程神经网络的太阳黑子数预测

太阳黑子活动直接影响着外层空间环境的变化，为保证航天飞行任务的安全必须对其进行有效预测.为此，提出了一种基于时变阈值过程神经网络的时间序列预测模型.为简化模型的计算复杂度，开发了一种基于正交基函数展开的学习算法.文中分析了模型的泛函逼近能力，并以Mackey-Glass时间序列预测为例验证了所提模型及其学习算法的有效性.最后，将该预测模型用于太阳活动第23周太阳黑子数平滑月均值预测，取得了满意的结果，应用结果同时表明：所提预测方法与其他传统预测方法相比预测精度有所提高，具有一定的理论和实用价值. 关键词： 太阳黑子数 时变阈值过程神经网络 时间序列预测 泛函逼近     

基于炉口辐射和改进神经网络的转炉终点预测模型

针对国内外转炉炼钢终点控制的现状,建立了一种用于终点预测的神经网络模型.以炉口辐射信息获取系统为实验平台,运用光纤谱分复用和颜色空间模型转换技术.分析发现了光谱与图像信息特征量在吹炼过程中晕现出中前期类似、末期相反的规律.从得到的特征规律曲线中选用一些关键特征量,在改进的修正系数算法基础上,进行了模型的训练和预测分析.实验结果表明:响应时间在2 s以内,满足快速判定的时间要求;改进算法的模型预测精度高于常规算法,该系统可以止常工作在转炉炼钢的恶劣环境下,达到了预期效果.     

BP神经网络在光学相关器相关峰识别中的应用

光学相关识别是图像识别的重要方法，有效识别相关器输出平面的相关峰信号是保证光学相关器图像识别准确性的关键。由于激光器输出功率的波动、光学系统本身的误差以及SLM器件本身带来的噪声，采用一般的阈值方法很难达到理想的效果。该文提出对相关器的输出平面进行预处理，充分考虑相关信号的形状信息，提取感兴趣区域(ROI)，采用BP神经网络对输入矢量进行计算，可达到对相关峰信号和噪声的有效分类识别，从而提高了光学相关器识别的可靠性，降低了误判的概率。     

Robust adaptive synchronization of chaotic neural networks by slide technique

In this paper, we focus on the robust adaptive synchronization between two coupled chaotic neural networks with all the parameters unknown and time-varying delay. In order to increase the robustness of the two coupled neural networks, the key idea is that a sliding-mode-type controller is employed. Moreover, without the estimate values of the network unknown parameters taken as an updating object, a new updating object is introduced in the constructing of controller. Using the proposed controller, without any requirements for the boundedness, monotonicity and differentiability of activation functions, and symmetry of connections, the two coupled chaotic neural networks can achieve global robust synchronization no matter what their initial states are. Finally, the numerical simulation validates the effectiveness and feasibility of the proposed technique.     

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