基于遗传优化的RBF-BP神经网络电液伺服阀故障诊断算法研究

电液伺服阀是液压伺服系统的核心元件,因此是故障诊断的重点对象,其故障原因经常呈现出非线性和不确定性等复杂状态.单一的BP网络是全局逼近神经网络,学习速度很慢,容易陷入局部极小,易产生震荡等不足,RBF网络是局部逼近神经网络,训练速度快,在训练时不会发生震荡,也不会陷入局部极小.基于它们各自的优缺点,通过将RBF神经网络和BP神经网络有效地结合在一起,取长补短,建立一个由RBF子网和一个BP子网两部分串联构成的双隐藏层RBFBP组合神经网络.该网络既具有BP网络较好的泛化性能,又具备RBF网络较快的逼近速度.用遗传算法优化该神经网络的初始权值和阈值.该网络同时具有RBF网络和BP网络的优点,适用于复杂非线性系统的故障检测.     

多层RBF网络的自适应遗传算法及其在实函数逼近中的应用

将自适应遗传算法应用于多层RBF神经网络的学习,对隐层核函数的中心和宽度值进行同时优化,并用正则最小二乘法求权重,以完成网络的构建。应用该学习法进行实函数的逼近,实验证明了该算法比多层RBF网络的聚类学习法具有更高的实函数逼近精度。     

基于模糊距离的RBF神经网络板形模式识别

针对BP网络在板形缺陷模式识别的应用中,由于网络本身存在收敛速度慢,学习时间长,容易陷入局部极小等结构性能不佳的问题,从而影响板形识别精度;文中提出了基于模糊距离的RBF网络板形缺陷模式识别法.RBF网络是一种局部逼近的神经网络,它在逼近能力、分类能力和学习速度等方面都优于BP网络.为了使板宽变化时网络结构不变,将模糊距离与RBF网络相结合进行模式识别,仿真实验结果表明,该方法与BP网络方法相比,网络收敛速度较快,而且识别精度较高.     

快速路截面数据和车牌识别数据融合算法

为了提高快速路交通流检测精度,在对快速路截面数据和车牌识别数据预处理方法研究的基础上,提出了基于遗传算法优化的BP神经网络数据融合算法,并以VISSIM模拟交通流数据为对象,通过MATLAB程序实现该算法的仿真验证,同时与传统BP神经网络融合算法进行对比分析.结果表明,该算法融合的平均相对误差为0.73%,传统BP神经网络融合的平均相对误差为1.55%,融合精度显著提高.     

RBF神经网络的混合学习算法

针对RBF神经网络的最近邻聚类学习算法存在的学习精度不理想和固定网络结构的梯度下降训练学习算法存在的中心不易确定、训练时间长等问题,提出一种基于最近邻聚类中心选取和梯度下降训练的RBF神经网络混合学习算法,解决了RBF网络径向基函数的中心取值问题,提高了网络的学习精度和训练速度.将该算法应用于非线性系统的在线辨识与二维函数的逼近,仿真实验结果证明了该方法的有效性.     

死端微滤牛血清白蛋白溶液膜通量的预测

为实现对不同操作条件(操作压力、料液质量浓度和温度)下的牛血清白蛋白溶液死端微滤膜通量的预测,以训练步数、绝对相对误差和相关系数作为预测的衡量指标,并对所建立的3层BP神经网络和RBF神经网络基本模型的内部参数进行了优化.优化的BP神经网络模型的拓朴结构为3-9-1,学习率为0.05,学习/训练函数为traingdx,隐层到输出层的传递函数为logsig,该网络对牛血清白蛋白(BSA)溶液膜通量预测的平均绝对相对误差为2.37%,相关系数为0.9960;优化的RBF神经网络的网络设计函数为newrbe,散布常数为400,该网络对BSA溶液膜通量预测的平均绝对相对误差为4.83%,相关系数为0.987 0.结果表明,BP神经网络优于RBF神经网络.     

基于模糊积分的多分类器融合文本分类研究

提出一种基于模糊积分的多神经网络分类器融合文本分类方法,利用Sugeno模糊积分作为融合工具,将BP神经网络、RBF神经网络及采用K-means算法的RBF神经网络等多种文本分类器相结合,取得了更加优化的中文文本分类结果。     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

改进蚁群算法与BP网络融合预测铅酸蓄电池SOC

人工神经网络通过模拟人脑神经网络的方式记忆、处理信息,具有很高的智能性,近些年来,被广泛应用在太阳能用铅酸蓄电池剩余电量预测的研究中,但是,收敛速度慢、对初值敏感以及较易陷于局部极小值等是单一神经网络算法难以解决的缺点.针对该问题,将蚁群算法进行改进并与BP神经网络相融合,先采用改进的蚁群算法将BP神经网络的权值参数进行全局训练,然后,采用BP神经网络算法进一步进行局部学习,从而获得最优的BP神经网络权值.最后,通过MATLAB仿真和实验验证了本课题所采用的改进蚁群与BP网络融合算法能明显改善BP网络的收敛速度以及预测精度,能准确地预测出太阳能蓄电池SOC.     

基于多层异构注意力机制和深度学习的短文本分类方法

针对现有算法难以对复杂文本准确分类的问题,本文提出了一种融合多层异构注意力机制、卷积和循环神经网络的自动分类方案.首先融合卷积和循环神经网络,设计了新的深度学习短文本分类框架,并基于渗透假设的类平衡分层求精原理,设计了异构注意力机制,并将其融入不同算法层之间,以提高算法性能.为验证上述方法的准确性,将本文算法与传统分类方法分别应用于三个数据集中,并进行了仿真实验.实验结果表明,本文所提出的方法对三个数据集均能达到90%以上的分类精确率,均优于传统分类算法.此外,在三个测试中,多层异构注意力机制能够提高2%以上的分类精度,代价为运行时间增加1 s～2 s.本文算法将注意力机制分层融入两种深度学习算法中,能够适应多种主题的复杂短文本分类需求.     

基于势函数聚类的改进RBF网络算法研究

为优化径向基函数(RBF)网络结构并改善网络泛化性能,提出了一种基于势函数聚类的改进RBF网络算法.首先使用势函数统计每个模式类别中的样本势值,以此实现样本空间中不同样本的势值度量; 其次以增量学习的方式逐次完成对样本空间的有效覆盖,以此实现网络隐节点个数及参数的自动有效估计.最后将本文算法与KMRBF、FCRBF、MRAN以及 GAP -RBF 学习算法进行了实验对比,结果表明本文算法的网络分类精度更高,克服了KMRBF和FCRBF算法需人工调整网络隐节点来提高分类精度的问题,且比 GAP -RBF和MRAN算法的网络结构更加简单.     

基于全监督算法RBF神经网络的语音识别

利用RBF神经网络,采用全监督训练算法,实现基于RBF神经网络的抗噪语音识别系统。与传统的K-均值聚类算法相比较,采用全监督训练算法可避免隐含层节点中心容易对初始值敏感的缺点,且能使RBF网络具备更强的分类能力。实验结果表明,在不同的信噪比下,全监督训练算法比传统聚类算法有更高的识别率。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

索力振动法测量神经网络赋泛研究

索的受力状态关系着索体系桥梁的安全,而索力值是衡量索的力学状态的重要指标。目前,索的边界条件难以判别是影响索力识别结果准确性的重要因素。为此,利用ANSYS对拉索振动进行数值模拟,并借助已有索力计算公式对建模方式的可靠性进行验证并生成模拟数据,然后以索长、线密度、抗弯刚度、一阶频率、二阶频率、三阶频率为输入参数,以索力值为输出参数结合振动模拟数据分别建立BP神经网络和广义回归神经网络索力预测模型,并将两种神经网络索力预测模型和已有索力计算公式应用于实际工程中进行对比验证。结果表明：BP神经网络索力预测模型的神经网络结构为6-13-13-1,输入层与隐含层1、隐含层1与隐含层2、隐含层2与输出层之间的激励函数分别为tansig、tansig、purelin,训练算法为L-M优化算法trainlm,学习速率为0.1,网络迭代次数为1000,显示间隔为100,均方误差为0.001,索力预测模型的预测效果良好,但还有进一步优化的空间;广义回归神经网络索力预测模型的最佳spread值为0.00215,索力预测模型的预测效果优于BP神经网络和已有索力计算公式,且预测误差基本控制在5%以内。利用广义回归神经网络对桥梁索力进行预测,避免了索的边界条件判别错误对索力识别结果准确性的影响,提高了索力的识别精度,具有良好的工程应用价值。     

人工神经网络BP算法的改进及其应用

对传统的ＢＰ算法进行了改进,提出了ＢＰ神经网络动态全参数自调整学习算法,又将其编制成计算机程序,使得隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力。计算结果表明：ＢＰ神经网络动态全参数自调整算法较传统的方法优越,训练后的网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势。     

BP和RBF网络的结构动力响应预测对比

主动控制中存在时滞效应,在线实时预测结构响应,可以解决这个问题。不同的神经网络对结构响应的预测效果是不同的,针对BP网络和RBF网络的不同特点,对它们的预测效果做了对比研究。仿真结果表明,RBF神经网络训练速度快、精度高,可及时为主动控制建筑结构响应提供较为准确的优化性能指标,从而为实现在线实时控制结构响应提供优良的保证。     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

粗糙集神经网络在图像分割中的应用

提出了粗糙集神经网络用于图像分割的方法.该方法利用粗糙集约简理论对分割后的图像区域特征进行约简,以降低特征向量维数,抽取出规则,然后根据这些规则构造神经网络隐含层的神经元个数,从而确定粗糙集神经网络的结构.粗糙集神经网络中每个神经单元的输入为区域值,输出为决策分类值,此时权值预设为各规则粗糙隶属度值,然后用BP算法迭代,最终实现图像的分割.试验证明,该方法大大缩短了训练时间,提高了精度,并且得到优于常规的分割图像以及满足图像处理的实时性要求.     

正交投影神经网络的BP和GS杂交学习算法

主要讨论具有单隐层的正交投影神经网络的权值和阈值的学习问题,提出了一种新的将BP算法和GS算法相结合的杂交学习算法,其中GS算法对隐层到输出层的权值和阈值进行学习,BP算法用于输入层到隐层权值的学习,并给出一种最佳的隐层节点数的选取方法．仿真实验表明,该杂交学习算法具有学习速度快且能获得全局最优解的特点,并可有效地对学习过程中出现的病态情况进行求解,具有良好的普适性。