基于RBF神经网络滤波的噪声消除

RBF神经网络噪声抵消系统不需要关于输入信号和噪声的先验知识,非线性映射能力强。采用自适应噪声抵消基本原理,构造RBF神经网络自适应滤波器,然后针对该系统,建立Simulink仿真模型。仿真结果表明,该方法具有良好的噪声抑制能力。     

基于简化PCNN的脉冲噪声滤波

基于脉冲耦合神经网络,提出了一种有效的脉冲噪声图像滤波算法。利用PCNN相似群神经元同步发放脉冲的特性检测噪声点,并利用中值滤波对噪声点进行滤波。仿真表明,该方法对不同强度的噪声图像均体现了较好的滤波性能,在去噪效果和运行效率上同其它方法相比具有明显优势。     

线性映射的象与核

本文归纳了线性映射的象与核的有关问题,指出了其作为特殊的子空间,在线性代数的基本方法当中的重要作用。     

基于IG-DNN混合决策算法的糖尿病预测研究

糖尿病患者人数众多,对人的健康危害极大,尽早预测是否患有糖尿病是降低糖尿病死亡率的关键。基于IG-DNN混合决策算法进行糖尿病预测模型研究,其中糖尿病数据集来源于UCI机器学习库—PIDD。PIDD包括768个记录,每条记录包含8个属性。首先应用信息增益方法（IG）将属性减少到5个,然后将其应用于DNN作为输入。该方法分类准确度达到88.3%,效果优于之前的大部分研究成果。     

噪声驱动下单模激光线性模型的随机共振

研究了泵噪声自关联和量子噪声自关联及两噪声之间互关联分别取e指数形式时、单模放光线性模型受信号调制后其输出信噪比及随机共振现象、讨论了以上三个关联时间对出现随机共振的影响。     

高斯噪声线性滤波问题研究

利用概率和统计的知识对工作在高频及超高频频段的无线电定位通信系统出现的噪声进行研究 ,导出在测量量为离散情况下高斯噪声最佳线性滤波的方均误差     

ANN技术在成本预测中的应用

在目前市场上，由于企业外部环境的变动，内部技术的创新和设备更换等因素的影响，应用以往的线形回归法、指数平滑法等传统方法进行成本预测已不可行，本文结合当前企业状况，提出了一种新的预测成本的方法，即人工神经网络技术。     

基于PLC的模糊神经网络控制系统的研究

本文对活性白灰回转窑生产线进行了PLC系统配置,分析了T-S模型的模糊神经网络的结构,进一步分析了模糊神经网络的学习算法,给出模糊神经网络PID的结构和设计方法,并对该系统进行了仿真,证明该系统具有良好抗干扰和跟随能力。     

外噪声下Schlogl二级相变模型的F-P方程含时解

本文采用微分方程的李群方法，研究了外噪声影响下的Ｓｃｈｌｏｇｌ二级相变模型对应的Ｆ－Ｐ几率密度Ｐ（ｘ，ｔ）的严格表达式；讨论了最可几值ｘ随时间的变化。在时间ｔ→∞时，给出了几率密度的定态解Ｐｓｔ（ｘ）以及此时的最可几值ｘ与确定性描述的区别。     

基于灰色神经网络串联组合模型的涌水量预测

利用矿井涌水量实测值建立灰色理论与神经网络串联组合的预测模型,即利用不同灰色模型预测值训练神经网络进行预测,提高矿井涌水量的预测精度,先后建立了GM（1,1）、二次参数拟合GM（1,1）模型,将其与BP神经网络模型串联形成最终预测模型,以淮南矿区潘三矿西翼矿井涌水量预测为例,结果说明了该模型具有较高的准确性。     

基于神经网络的人口增长多变量时间序列预测模型

人口增长是一个复杂的非线性动态系统,基于神经网络建立人口增长时间序列的预测模型,并通过实例仿真得出预测我国未来人口增长情况．     

基于MATLAB的信号消噪处理研究

介绍了采用先进的科学计算软件MATLAB对含噪信号进行分解 ,并通过软件波波重构出消噪后的信号 ,计算机仿真结果表明 ,利用MATLAB语言可以方便的得到信号含噪前后的频谱 ,并有效的波除噪声     

离散时间的混合时滞耦合神经网络的鲁棒指数同步

讨论了一类离散时间的时滞耦合神经网络的同步问题.在参教不确定的离散时间耦合神经网络中,考虑了变时滞和有限分布时滞.同时,细胞激活函数假设为较Lipschitz奈件更为一般的扇形非线性函数,该函数可以既不可微又不严格单调.通过构造Lyapunov-Krasovskii泛函,运用线性矩阵不等式(LMI)技术,并结合Kronecker积来获得耦合神经网络鲁棒全局指数同步的充分性判据,并且所获得的判据依赖于时滞.最后,对一个实例进行仿真,说明结论的有效性.     

基于噪声鲁棒性特征和SVM的耳语音可懂度增强(英文)

提出了一种基于机器学习的耳语音可懂度增强方法.该方法利用已经训练好的2类支持向量机来估计一个二元时频掩蔽值,进而合成增强后的耳语音.输入支持向量机的特征向量GFCCs是基于听觉外周模型进行提取的,具有噪声鲁棒特性.在增强仿真实验中,将该算法同传统语音增强算法进行语音可懂度增强性能比较.客观评价和主观听力实验结果均表明,所提出的方法能有效提高含噪耳语音的听觉可懂度;相比谱减法和log-MMSE方法在低信噪比时无法提高语音可懂度,该方法在低信噪比时仍可有效提高含噪耳语音的听觉可懂度.此外,含噪耳语音通过所提出的方法进行增强后,其可懂度比未增强时明显提高.     

基于BP神经网络的心电图三分类

研究了一种基于神经网络的心电图分类方法,该方法利用前向多层神经网络的反向传播算法(Back Propagation),即BP算法,采用MATLAB软件建立用于三分类的BP神经网络,并利用大量的心电图数据训练神经网络,使神经网络对未训练过的心电图有较好的分类能力。实验结果表明,用这种方法用于心电图的三分类取得较好的效果。     

基于细胞神经网络(CNN)的飞行目标识别研究

基于细胞神经网络,采用改进型帧间差法检测飞行物体,针对飞行目标提取其相应的特征,建立特征参数库,为飞行物的实时跟踪与自动识别提供依据。     

基于神经网络的模糊系统在电厂风机故障诊断中的应用

基于模糊理论,通过对电厂风机的故障机理的研究,提出了基于神经网络的风机模糊诊断模型,并解决了其中的关键技术。     

A noise cross PSD estimator for dual-microphone speech enhancement based on minimum statistics

Some two-microphone noise reduction techniques that work in the frequency domain exploit coherence function between two noisy signals. They have shown good results when noise signals on two sensors are uncorrelated, but their performance decreases with correlated noises. Coherence based methods can be improved when the cross power spectral density （CPSD） of correlated noise signals is available. In this paper, we propose a new method for estimation of the CPSD of the noise, which is based on the minimum tracking technique. Despite the fact that the proposed estimator does not need to implement a voice activity detector （VAD）, its performance is comparable to a CPSD estimator that uses an ideal VAD.     

基于神经网络和多小波变换的数字水印算法

基于图像多小波域低频系数子块的相似性,利用神经网络的学习特性,提出了新的盲数字水印算法.将宿主图像变化为多小波域,把水印加入到宿主图像多小波变化后的低频系数中.通过后向传播算法的神经网络训练出宿主图像与嵌入的水印信号之间的关系特征,利用神经网络具有学习和自适应的特性,训练后的神经网络能够完全恢复嵌入到宿主图像中的水印信息.仿真实验表明,该算法针对各种攻击具有很好的鲁棒性,特别是在水印检测时不需要原始图像.     

A blind source separation algorithm based on negentropy and signal noise ratio

A novel blind source separation (BSS) algorithm based on the combination of negentropy and signal noise ratio (SNR) is presented to solve the deficiency of the traditional independent component analysis (ICA) algorithm after the introduction of the principle and algorithm of ICA. The main formulas in the novel algorithm are elaborated and the idiographic steps of the algorithm are given. Then the computer simulation is used to test the performance of this algorithm. Both the traditional FastICA algorithm and the novel ICA algorithm are applied to separate mixed signal data. Experiment results show the novel method has a better performance in separating signals than the traditional FastICA algorithm based on negentropy. The novel algorithm could estimate the source signals from the mixed signals more precisely.