基于人工神经网络的混合智能系统研究及应用
【摘要】:
本次课题的核心内容和研究思路可概括如下:分析舰艇自噪声的非平稳特征,针对ANC系统的弊端探讨解决方案;设计并完善以人工神经网络为框架的自适应噪声抵消系统;引入模糊逻辑推理思想,设计更加智能化的网络结构;借助多分辨率分析的思想,进一步完善网络的逼近能力和自适应性;引入遗传进化理论,结合强有力的局部算法构造自适应混合学习策略;最后通过仿真试验和真实海试数据处理,系统的验证文中结论。
目标信号所处的声场环境,决定了ANC系统的非线性特征,针对待抵消信号的非平稳性,我们在传统非线性滤波的研究基础上,设计人工神经网络作为自适应处理器,依靠其强大的与人脑类似的功能,来解决常规滤波模式的固有缺陷。在系统自适应学习中,神经网络将非线性映射的问题转化为求解优化问题,而优化过程依靠其自学习、并行处理等优势,通过简便的学习算法来实现。RBF神经网络的引入,更使得系统求解复杂、高度非线性的能力大大提高。文中所设计的模型为非线性系统问题的解决奠定了良好的基础,且算法计算的复杂程度适中,具有较高的应用价值。
本文采用T-S模糊推理模型构建分段线性模型,作为网络系统的基础构架,将输入空间分为若干个模糊子空间。再通过模糊系统和人工神经网络的等价性特征,把该模糊推理模型表现为一个自适应神经网络的形态,使得该网络系统的所有结点和参数都对应实际意义。同时,再将传统T-S模型与多分辨率理论(MRA)相结合,将WNN放入模糊推理后件中,使得模型中每一个模糊规则相当于一个子小波网络。然后引入新的自适应混合遗传算法,用于网络结构和各个参量的学习修正,以提高系统的运行效率和求解质量。数据处理结果证明这种融合了多项新颖设计思想的混合智能系统(HIS),系统进化的思路清晰易懂,并且有效的提高了系统降噪性能。
|
|
|
|
1 |
姜雪松;刘慧;王新刚;尉秀梅;;RBF神经网络在入侵检测系统中的应用[J];山东轻工业学院学报;2006年03期 |
2 |
许琨;朱庆生;;RBF神经网络在指向模型中的应用[J];微计算机信息;2008年33期 |
3 |
何廷霖;魏德华;田新志;;对RBF神经网络的改进及应用[J];河北建筑科技学院学报;2006年01期 |
4 |
陶俊剑;元昌安;蔡宏果;;基于GEP优化的RBF神经网络算法[J];小型微型计算机系统;2010年05期 |
5 |
刘海林,胡继明,徐知三,盛蓉生,王小华;人工神经网络在拉曼光谱数据处理中的应用[J];光散射学报;1995年Z1期 |
6 |
李晓歌;邵丽红;李娜;;人工神经网络BP算法的实现[J];电脑知识与技术;2008年05期 |
7 |
刘玉成;刘玉斌;李太福;苏盈盈;;自适应模糊控制在烧结炉系统中的应用[J];微计算机信息;2009年04期 |
8 |
王爽;张鹰;吕瑞霞;;BP神经网络的算法改进及应用[J];电脑知识与技术;2009年04期 |
9 |
陈详训;人工神经网络[J];电网技术;1991年01期 |
10 |
周继成;人工神经网络进展(Ⅰ)[J];应用声学;1991年05期 |
11 |
蔡煜东;杨兵;孙虹;;自组织人工神经网络对磨削烧伤在线辨识的应用简介[J];机械科学与技术;1993年04期 |
12 |
常家东;人工神经网络机械故障诊断方法及其应用[J];洛阳工业高等专科学校学报;1998年02期 |
13 |
田红波;韦荫康;;应用加权模糊自适应共振人工神经网络进行模式识别[J];模式识别与人工智能;1999年04期 |
14 |
乐清洪,赵骥,朱名铨;人工神经网络在产品质量控制中的应用研究[J];机械科学与技术;2000年03期 |
15 |
王世山;利用Delphi4.0开发基于人工神经网络的电力系统应用软件[J];西安石油学院学报(自然科学版);2000年05期 |
16 |
罗亚军
,何丹农
,张永清
,赵军;人工神经网络在塑性成形领域中的应用研究[J];锻压技术;2001年05期 |
17 |
耿新青;化学计量学中人工神经网络的进展[J];鞍钢技术;2001年03期 |
18 |
文巨峰,倪受东,颜景平;人工神经网络在机器人学中的应用探讨[J];制造业自动化;2001年08期 |
19 |
陈慧萍,何坤金;人工神经网络发展的若干哲学思考[J];河海大学常州分校学报;2003年01期 |
20 |
张久政,胡元,沈文浩;人工神经网络在造纸工业自动控制中的应用[J];计算机测量与控制;2004年05期 |
|