LM算法改进的BP网络在模式分类中的应用研究

针对标准BP算法在进行模式分类时,存在收敛速度慢和易陷入局部极小值等缺陷,采用LM(Levenberg-Marquart)算法对标准BP算法进行改进,分别构建了LM-BPNN和标准BPNN分类模型并对平面上二维向量模式的分类,并进行了泛化能力测试。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,LM-BPNN的收敛速度明显加快,训练准确性和分类精度也明显优于标准BPNN,有效克服了标准BPNN收敛速度慢、易陷入局部最小值的缺点。     

基于LabVIEW的远程数据通信技术的实现

简要地介绍了LabVIEW的结构和特点,详细阐述了在LabVIEW平台上结合TCP／IP协议技术和DataSocket技术编写客户／服务器模式的网络通信程序,并给出了正弦信号的实际模拟传输结果,为实现远程数据通信、数据采集和仪器控制提供了一个切实可行的方案。     

GRNN与BPNN的函数逼近性能对比研究

为了研究GRNN和BPNN非线性函数的逼近能力,从数学角度详细阐述了GRNN和基于LM优化算法改进的BPNN的学习过程,编程建立了GRNN和BPNN,并分别用两种神经网络对指定的非线性函数进行逼近实验。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,相对于BPNN而言,GRNN的逼近精度更高、收敛速度更快,具有很好的逼近能力,为解决非线性函数的逼近问题提供了良好的解决手段。     

基于PSD的微位移传感器建模的实现方法

为了正确反映基于光电位置敏感器(PSD)的微位移传感器的特性,首先介绍了一维光电位置敏感器的工作原理并分析了利用PSD结合光学三角测量法将位移信号转换成电压信号的工作原理,得出基于PSD的微位移传感器被测试件位移量与相关测量电路输出电压(S,V)关系特征,然后基于最小二乘估计算法基本原理,提出了运用MAT-LAB语言建立PSD的微位移传感器(S,V)关系特征的数学模型的方法,给出了建模的程序流程图以及仿真结果。     

基于自组织特征映射神经网络的聚类分析

在深入研究自组织特征映射（Self-organizing Feature Mapping,SOFM）神经网络的结构和聚类算法的基础上,阐述了SOFM网络的建立方法.以随机二维向量的聚类为例,利用所建立的SOFM网络模型对输入的随机二维向量进行聚类,并着重研究了输出层神经元拓扑结构、训练步数对聚类结果的影响以及在相同拓扑结构条件下,SOFM网络模型的权值向量的调整过程.仿真结果表明：在输出层神经元节点形式为六边型条件下,输出层神经元的个数越多,SOFM网络模型的聚类结果就越准确;在相同的拓扑结构条件下,训练步数越大,SOFM网络聚类结果越准确,但过大的训练步数对于聚类结果的影响甚微.     

玻璃中CdSeS纳米晶体的生长及其性能

对掺有镉、硒、硫的玻璃在500—800℃退火2—24h,生长了不同尺寸的CdSxSe1x纳米晶体.用分光光度计和光致发光光谱(PL)分析了纳米晶体的性能.退火温度低于550℃,纳米晶体处于成核阶段,600—625℃处于正常扩散生长阶段,700—800℃处于竞争生长阶段;而650℃处于两种生长阶段之间.虽然650℃下生长的纳米晶体的尺寸分布比较窄,但纳米晶体的尺寸随退火时间的延长几乎不变,在该温度改变退火时间很难改变纳米晶体的平均尺寸.在所有样品中出现了深能级缺陷,在650℃退火时间小于4h或大于16h有利 关键词： 纳米晶体 生长机理 深能级缺陷     

虚拟仪器技术在电子信息类实验教学中的应用

文章介绍了虚拟仪器的概念、特点及其构成,指出了电子信息实验室引入虚拟仪器的必要性,探讨了基于虚拟仪器技术的电子信息类实验室的建设方案和实验课程的实施方法.     

Elman和BP神经网络在模式分类领域内的对比研究

为了研究Elman神经网络和标准BPNN中何种网络类型更适合于解决模式分类问题,分别构建了基于Elman神经网络的分类模型和基于标准BPNN的分类模型。以平面上二维向量模式的分类为例,对2种分类模型进行训练和泛化能力测试。仿真结果表明,在训练样本数量相等且中小规模网络的条件下,Elman网络模型比BP网络模型具有更高的分类精度,更快的收敛速度,更适合于解决模式分类问题。     

基才BP神经网络的数字式涡流传感器特性曲线拟合的实现

为了正确反映数字式涡流传感器的实际特性,首先介绍了数字式涡流传感器的工作原理,然后从实测数据出发．提出了应用BP神经网络拟合其特性曲线的方法,运用MATLAB语言编程建立BP神经网络并进行训练和仿真,与现有最小二乘法进行对比。仿真结果表明,基于BP算法所得拟合曲线误差很小、收敛速度快且具有更高的拟合精度．比最小二乘法更具有实际意义。