ReLMS——一种基于剩余误差的变步长LMS算法的研究

自适应均衡是现代通信中广泛采用的消除码间干扰的一种方法。为了适应高速数据传输的要求,达到在非线性畸变信道上较好的抗噪声性能,可采用非线性自适应均衡器—判决反馈均衡器Decision Feedback Equalizer(DFE)。针对在水声通信中广泛应用的均衡算法—最小均方Least Mean Square(LMS)算法—在固定步长下存在收敛速度与剩余误差的矛盾缺陷,提出了一种基于剩余误差的变步长最小均方算法,简称Re LMS算法,并将该算法与其他变步长算法进行了仿真比较实验。验证结果表明,Re LMS算法无论是在收敛性能还是在均衡效果上都优于另两种算法,实现了在不增加算法复杂度的同时,改善收敛性能,克服收敛速度与剩余误差的矛盾缺陷,并最终实现有效的、可靠的水声通信。     

一种改进的微粒群优化算法

标准微粒群优化(PSO)算法是一种群体智能算法,它容易陷入局部极值点,进化后期收敛速度慢且精度较差,而且参数的选择对算法的优劣影响很大。针对这些缺点,首先提出了一种在位置进化方程中引进动态参数的方法,改进了标准微粒群算法收敛速度;然后通过在速度、位置进化方程中同时引进动态参数来提高算法收敛速度和收敛率。经J．D．Schaffer函数和LevyNo．5函数对改进算法的测试表明,相比于标准微粒群算法,该方法的收敛速度和平均收敛率均有大幅度提高。     

求解多目标优化问题的随机梯度遗传算法

遗传算法的收敛速度很慢，为此引入另一种解决优化问题的工具，即Simultaneous Perturbation Stochastic Approximation(SPSA)算法，该算法是一种简单、易实现、高效率的随机逼近算法。本文将SPSA算法作为一种快速局部优化方法并将其和遗传算法的整体搜索策略结合起来，提出一种解决多目标优化问题的随机梯度遗传算法，对新算法的执行策略进行了认真的设计。大量的数值实验表明：随机梯度遗传算法不仅提高了多目标遗传算法的收敛速度，且得到了大量的分布较均匀的Pareto最优解。     

非线性系统的动态神经网络自适应辨识

提出了用双层动态神经网络在线辨识非线性动态系统的方法。神经网络的权重在线学习,不需要离线训练。在无逼近误差和扰动的理想情况下,所提出的在线算法能保证辨识误差趋于零,基函数持续激励条件能保证权重趋于零。在非理想情况下,权重调整律采用ｅ修正权重算法,它是ＢＰ算法的推广,不需要基函数的持续激励条件。基于李雅普诺夫稳定性理论保证了自适应辨识系统的稳定性。仿真算例说明了所提出的动态神经网络自适应辨识的有效性     

一种直升机的组合智能飞行控制系统的设计

讨论了模糊逻辑控制与神经网络相结合的一种控制方法,给出了一种增益自适应调整的模糊控制方法和ＢＰ网络自适应变步长学习算法,前者提高了系统对参数变化的适应能力,同时也提高了系统的控制精度,改善了系统品质,后者缩短了网络的学习时间,有利于实时控制的实现。这两种方法成功地用于直升机飞控系统的设计。同时,针对某型直升机用数字仿真证明了该方法的优点和良好效果     

舰载雷伞系统落点误差修正方法

为了修正舰船运动和海风引起的落点误差,首先建立了雷伞系统各阶段动力学模型并进行了编程计算,通过与试验结果的对比验证了动力学模型的准确性。之后,将发射方向和分离时间作为控制量,基于泰勒级数理论推导了落点误差与控制量之间的关系,提出了一种新的雷伞系统落点误差的修正方法。通过算例验证,该方法所得到的控制参数能够有效地修正雷伞系统的落点误差。同时,针对典型工况开展了本文方法与改进的多目标粒子群轨迹优化算法的对比研究,发现本文方法比改进的多目标粒子群优化算法拥有更快的收敛速度、更高的收敛精度和更少的计算消耗,可以对由舰船运动和海风引起的雷伞系统落点误差进行实时准确地修正,从而提高舰船发射布雷的精度。     

动态神经网络的模型检验

讨论了利用仅含一个隐层的前馈多层神经网络来辨识离散时间非线性动态系统时的模型检验问题。从估计理论出发，加上实际应用的考虑，提出了一种检验神经网络模型适用性的综合误差指标（ＳＥＩ）准则，并利用学习速度快、收敛性能好的递推预测误差（ＲＰＥ）学习算法，对两个例子进行了仿真计算。结果表明：综合误差指标准则可用来检验非线性动态系统的神经网络模型。与相关检验法相比，综合误差指标准则具有计算简单、使用方便等优点。最后，指出了今后的研究方向。     

基于自适应模糊输出观测器的非线性系统鲁棒故障检测

针对一般非线性系统的故障检测，从工程应用的角度提出了一种基于自适应模糊输出观测器的非线性系统鲁棒故障检测方法。该方法以自适应模糊系统构造未知非线性模型的输出观测器，在充分考虑外加噪声干扰和系统误差的情况下，通过对一般反向传播学习算法进行改进，提出采用鲁棒反向传播学习算法调整观测器参数以辩识系统输出，再结合阈值故障检测策略检测系统故障。为保证算法具有较快的收敛速度，本文给出了根据模糊规则确定算法初始参数的选择方法并证明了算法的收敛性。仿真结果表明，对一般非线性系统故障检测，该方法具有有效性和实时性，以及对噪声干扰和系统误差的鲁棒性。     

基于小波变换的自适应多用户检测算法

在分析传统自适应多用户检测的基础上 ,提出了一种基于小波变换的自适应多用户检测算法。用小波变换进行前处理 ,然后再通过 LMS算法实现自适应多用户检测。与通常的自适应多用户检测算法相比 ,该算法利用了小波变换对小波空间进行了分解 ,信号经小波变换后自相关性会下降 ,收敛速度提高。同时在此分解过程中 ,根据信号与白噪声在不同尺度上的小波变换模极大值表现完全不同的特性进行信号的消噪。理论分析和仿真结果表明 ,该算法收敛速度较快 ,计算量增加较少 ,易于实时实现 ,而且具有良好性能。同时仿真实验表明 ,收敛速度与小波基选择有关 ,对于同一小波基系列 ,小波基的正则性越好收敛速度越快     

BP算法各种改进算法的研究及应用

在简述ＢＰ网结构、算法及优缺点的基础上，详细研究了ＢＰ算法的改进方法及措施，即“步长自适应”、“训练集归一化”、“导数提升”、“各层变尺度”、“训练集重组”及“隐含层节点数的确定”。本文以实例在ＢＰ网的训练时间和预报精度两方面，将上述各改进的算法与经典算法做出对比，对比结果表明，合适地选取改进算法将大大加速ＢＰ网的训练时间并有效地提高ＢＰ网的预报精度。     

基于神经网络的机器人姿态逆解

首次实现自组织神经网络求解机器人姿态逆解，突破了文献局限于研究位置逆解的状况。应用本文创新的自组织神经网络训练方法，结合工业机器人运动学特性，建立了工业机器人姿态逆解的神经网络方法，对PUMA560机器人的计算机仿真结果表明，该方法姿态控制精度高。     

基于神经网络的空间桁架结构建模研究

空间桁架结构的振动主动控制目前已成为振动控制领域研究的热点，为了研究空间桁架的主动控制方法，首先必须建立其准确的模型。神经网络固有的学习能力使其在模型辨识中得到广泛应用，针对空间桁架结构的非线性动态特性，本文采用了修正的Elman递归网络进行了模型辨识，结果表明，带有自反馈增益修正的Elman网络能很好地反映桁架结构的真实情况，适用于非线性动态系统的模型辨识。     

智能制造系统调度的一种随机神经网络求解法

首先提出了调度系统的概念，即智能控制系统智能调度应从整体指标出发，综合研究集零件加工智能调度和产品装配智能规划于一体的调度技术，然后，给出了智能控制系统智能调度的神经网络模型的能量函数，并讨论了一种改进的模拟退火过程来求解最优解的方法。     

各向异性层合阻尼结构的BP集成神经网络模型设计

本文以各向异性层合阻尼结构为研究对象,设计一种基于BP集成神经网络的智能分析模型。该模型中的集成神经网络由两个子系统神经网络并联融合而成,学习算法主要采用Sigmoid函数。同时,该模型设计针对各向异性层合阻尼结构参数的扰动性问题综合采用结构模式归类、学习算法的改进、小波分析方法予以处理。计算结果表明:该BP集成神经网络模型,较好地解决了各向异性层合阻尼结构参数的扰动性问题,并能有效量化结构参数的变化影响。     

基于小波神经网络的航空发动机建模研究

提出将多个多输入单输出小波神经网络(WNN)组合构造多输入多输出(MIMO)的WNN来逼近MIMO非线性动态系统的快速而简单的实现方法，并采用高效率的初始化方法缩短了训练时间。采用某型航空发动机在飞行包线内均匀分布的工作点参数来训练，建立了全包线适用的动态小波神经网络航空发动机模型，用交叉验证的方法检验表明在全包线内有较高的精度及泛化能力。与反传算法神经网络(BPNN)、径向基函数神经网络(RBFNN)建立的动态模型在精度及泛化能力等方面做比较，结果表明WNN建立的模型训练精度高而且泛化能力强。     

含连续／离散变量结构优化中的神经网络与变尺度模拟退火方法

传统的优化方法难于有效地处理含有连续／离散混合变量优化问题，本文介绍了一种改进的变尺度模拟退火方法并与人工神经网络能量函数模型相结合，用于求解含连续／离散设计变量的工程结构优化问题，较好地解决了模拟退火技术用于工程结构优化时选取具有全局性的初始点困难及迭代次数较多的弱点。算例表明，该方法可以使模拟退火算法从局部最优的陷阱中跳出，最后求出整体最优解。     

基于神经网络模型预测的水声对抗子母弹跌落冲击仿真

为了评估水声对抗子母弹在不同跌落冲击条件下的可靠性,应用LS-DYNA对母弹在不同跌落参数下的冲击响应进行了数值仿真研究。在有限元计算结果作为样本的条件下,运用BP神经网络模型建立了母弹跌落冲击影响参数与子弹应力峰值的非线性映射关系。结果表明:弹体各子结构在跌落高度、角度及跌落面条件下具有不同的冲击响应规律;母弹体头螺、壳体结构冲击变形较大,内部子弹冲击应力值变化幅度较小;网络模型较准确预测子弹的应力峰值,可极大地降低仿真次数,提高跌落测试效率。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

Golay码的神经网络译码算法

本文提出了Golay码的一个神经网络译码器N(23,12),证明了Golay码的最大似然译码等价于N(23,12)收敛于能量函数的全局稳定状态。N(23,12)是一个异步的组合逻辑电路,能用12个大数逻辑门和77个异或门电路来实现。根据Golay码的循环结构,本文还提出了一个神经网络译码算法。计算机模拟表明,该算法达到了Golay码的纠错能力,并且,译码速度优于Kasami的修正捕错译码算法。新算法作为一种完全译码算法,不仅适用于Golay码,而且适用于任何循环码,特别是平方剩余码的译码。     

具有认知能力的入侵检测系统模型

介绍了入侵检测的原理，对目前入侵检测的模型和方法进行分析，并给出了一个具有认知能力的入侵检测系统模型，该模型由基于规则的检测模块、神经网络组件、统计分析处理模块三个主要模块组成。模型采用了异常检测和误用检测相结合的方法，使系统既有对已知的攻击有较好的识别能力，又有检测未知攻击的能力。文末指出了当前入侵检测存在的问题及今后的发展方向。