针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本 及模型假设下进行后验概率的贝叶斯推理

Python_深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案

为了改善功放系统的非线性特性,采用了基带数字预失真技术,其中功放系统的建模是其关 键技术.由于功放系统是一个复杂的带记忆效应的非线性时变系统,为了能够实现实时校正,采用 级联相关算法进行在线神经网络建模.首先选用残差相关性判别方法来确定神经网络功放模型的 结构和初始参数,然后使用带遗忘因子的递推最小二乘法对神经网络模型参数进行在线自适应调 整.对实测数据的验证表明,建立的神经网络模型完全能达到给定的性能指标要求.

众所周知中文普通话被众多的地区口音强烈地影响着,然而带不同口音的普通话语音数据却十分缺乏。因此,普通话语音识别的一个重要目标是恰当地模拟口音带来的声学变化。文章给出了隐式和显式地使用口音信息的一系列基于深度神经网络的声学模型技术的研究。与此同时,包括混合条件训练,多口音决策树状态绑定,深度神经网络级联和多级自适应网络级联隐马尔可夫模型建模等的多口音建模方法在本文中被组合和比较。一个能显式地利用口音信息的改进多级自适应网络级联隐马尔可夫模型系统被提出,并应用于一个由四个地区口音组成的、数据缺乏的带口音普通话语音识别任务中。在经过序列区分性训练和自适应后,通过绝对上0.8%到1.5%(相对上6%到9%)的字错误率下降,该系统显著地优于基线的口音独立深度神经网络级联系统。

BP神经网络对非线性函数的拟合和建模的matlab代码。

这是用VS2010开发的一个小工具，利用神经网络进行建模，训练采用R-PROP算法，用到了知名的FANN算法库。 目录下的几个.data文件是源数据，其中-raw为原始数据，-[0,1]和-[-1,1]都是从-raw归一化后的数据，可以比较归一化对训练过程的影响。 使用时，点击【选择数据文件】，选择上述.data文件后即可【建模并验证】，训练成功后输出模型，此时点击【模型输出】，可以根据手工输入的数据进行验证。 这个软件目前被用在水力预测方面，目前共享的是其中早期的一个开发版本。

贝叶斯神经网络建模预测方法及其应用

在论述 RBF径向基神经网络基本理论的基础上 ,给出利用MATLAB 神经网络工具箱开发 RBF网络的主要函数 ,并应用于函数逼近的设计及仿真。

随着射频功放非线性对射频前端的影响日益增大,使得功放建模变得越来越重要。提出了一种自适应模糊小波神经网络模型结构,并利用改进的粒子群优化算法,建立有记忆的功放模型。将小波函数融入到自适应模糊推理系统的模糊规则中,得到新的网络模型;在粒子群算法中引入最差位置影响因子,提高搜索效率,并进一步简化,忽略粒子的速度项,同时采用与适应度函数值相关的动态变化惯性权重,加快了收敛速度,避免出现"早熟"现象。仿真结果表明:该方法建立的功放模型误差小、精度高,能够有效地表征功放特性。