基于自构形神经网络的桥梁结构损伤诊断

桥梁结构损伤识别问题为高度非线性的复杂系统,单依靠数学与力学模型求解法难以对桥梁结构进行准确的损伤诊断,采用多层前馈人工神经网络的自构形学习算法进行桥梁结构损伤识别,仿真结果表明该算法诊断效率高,可应用于机械设备质量检测系统,实现产品质量检测自动化.     

循环自构形算法及其在设备故障诊断中的应用

基于随机度和分治思想;提出并实现了前向反馈神经网络中的循环自构形算法;该算法能有效解决自构形算法的收敛不一致问题;将网络收敛到一致的最精简的结构。通过MATLAB实验表明;循环自构形算法可将网络隐层节点数从15和20一致精简到6。将该算法应用于风机的故障诊断中;实践表明该方法具有更有效的故障知识表达性能;能更好地解决故障诊断问题。     

前向神经网络自构形及应用研究

前向神经网络已在设备的故障诊断中得到普遍应用。神经网络的性能和模式识别能力与网络的拓扑结构和学习算法有着密切的联系,文章研究并实现了在故障诊断应用中能进行自构形的前向神经网络模型,改善了全局收敛性和节点总体饱和度,并较好地应用于电气设备故障诊断实践中。     

基于循环自构形算法的神经网络结构优化

BP(back propagation)神经网络中隐层节点的个数过多将影响网络的泛化性能和效率,自构形学习算法通过考察网络隐层节点输出之间的相关性来删除和合并隐层节点.但自构形算法在节点的删除和合并时存在网络收敛不一致问题,因此,在自构形算法中引入随机度概念,在分治算法思想的基础上提出了循环自构形算法来优化网络结构.Matlab实验对比验证了循环自构形算法能从不同或相同的隐层节点数剪枝到一致的网络结构,并将网络结构优化至最精简.     

自构形网状聚类算法及应用研究

报告了聚类分析技术的现状,通过最小化目标函数的分析研究,提出了自构形网状聚类算法,以减少样本几何形状时聚类结果的影响,并给出了网状聚类的结构图.阐述与实现了其簇心全连通和簇心连通两种模型,分析了自构形网状聚类目标函数的组成,同时以CENTUMCS3000R3和VisualC 6.0为平台的故障检测系统为实例,根据采集数据的输入构造网状聚类进行验证,实验结果表明其聚类效果很好,验证了该算法的有效性,具有较高的理论及应用价值.     

水下模块化自重构机器人构形拓扑转换

定义了水下模块化自重构机器人构形拓扑转换基本概念 ,并分析总结出构形拓扑转换的基本规律 .然后采用遗传算法对构形拓扑转换进行优化 ,有效地降低构形拓扑转换操作过程中的连接和断开操作次数 ,提高自重构效率 .     

一类模糊神经网络的结构优化

提出了一类新的模糊神经网络结构,神经网络自构形学习算法用于此类模糊神经网络的规则推理层进行规则优化,并将此算法向网络的低层次上扩展,还可对此算法的各公式进行少许的改动和调整C1和C2的值相结合,达到网络结构优化的目的,最后以无人驾驶的模型小汽车为例进行软件仿真,结果分析,证明该方法是可行且有效的。     

基于改进自构形学习算法的RBF网络结构优化

RBF网络中的隐层神经元的数目直接影响着整个网络的性能和效率,因而对RBF网络的结构优化是一个非常必要的环节。本文先采用分步式训练构造初始RBF网络,然后利用改进的神经网络自构形学习算法对所构造的RBF网络的隐层进行优化,最后通过实验结果的分析与对比,验证改进的神经网络自构形学习算法对RBF网络优化的有效性。     

神经网络自学习模糊控制及其在合成氢生产中的应用

提出一类基于神经网络的模糊控制设计方案。控制系统中包括两个神经网络,一是利用神经网络进行模糊推理,实现控制规则的推理过程;二是采用另一个神经网络对系统的动态进行跟踪,以实现前向通道中语言变量的模糊区间的优化,从而使控制效果更加理想。合成氨控制系统的实例验证了该算法的有效性。     

自组织过程神经网络及其应用研究

针对与时间过程有关的模式分类问题,提出了一种自组织过程神经元网络模型．网络由输入层和竞争层组成,其输入和连接权可为与时间有关的函数,输入层结点与竞争层结点实行全互连接．网络提取输入函数所隐含的过程式模式特征,并对其进行自组织,在竞争层将分类结果表现出来．为简化计算,在输入空间中引入函数正交基,将输入函数和网络权函数表示为正交基的展开形式,利用基函数的正交性,使网络权函数的调整非时变化．给出了竞争学习和有教师示教两种学习算法,并以石油地质中沉积微相识别问题为例证明了模型和算法的有效性．     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循。文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性。讨论了构筑动态神经网络的一种途径。学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值。     

基于灰关联和灵敏度的BP网络隐含层结构优化

在优化BP神经网络隐含层结构时,采用灰关联剪枝法是每次删除灰关联度小于灰关联阈值的隐节点,该方法学习时间短,但由于灰关联阈值的选取具有一定的主观性,可能会导致误删节点或不能完全删除冗余节点;而采用灵敏度剪枝法是每次只删除灵敏度最小的一个隐节点,放学习时间较长;因此,提出一种基于灰关联——灵敏度的BP神经网络隐含层结构调整算法;首先在网络前期学习过程中,采用灰关联法对隐含层节点进行\"粗删\",直到剩余隐节点的灰关联度都大于动态灰关联闽值,然后在网络后期学习过程中,采用灵敏度剪枝法对隐含层节点进行\"细删\",直到删除后的学习误差增大,则保留该节点,并结束学习;文章将结构优化后的神经网络应用于风电功率预测,仿真结果表明,该方法在满足学习误差要求的同时,不仅精简了神经网络结构,而且避免了灰关联剪枝法中灰关联阈值精确选取困难所带来的问题。     

一种压力传感器温度补偿新方法

针对温度、噪声、电源波动等多种环境因素对压力传感器输出电压值的影响,提出基于电压门限值的方法,对传感器输出电压值进行预处理,然后再利用BP神经网络对数据进行融合、补偿。试验结果证明,所提出的方法能有效的提高压力传感器的检测精度。     

基于惩罚函数泛化的神经网络剪枝算法研究

神经网络的隐层数和隐层节点数决定了网络规模,并对网络性能造成较大影响。在满足网络所需最少隐层节点数的前提下,利用剪枝算法删除某些冗余节点,减少隐层节点数,得到更加精简的网络结构。基于惩罚函数的剪枝算法是在目标函数后加入一个惩罚函数项,该惩罚函数项是一个变量为网络权值的函数。由于惩罚函数中的网络权值变量可以附加一个可调参数,将单一惩罚函数项泛化为一类随参数规律变化的新的惩罚函数,初始惩罚函数可看作泛化后惩罚函数的参数取定值的特殊情况。实验利用基于标准BP神经网络的XOR数据进行测试,得到隐层节点剪枝效果和网络权值随惩罚函数的泛化而发生变化,并从数据分析中得出具有更好剪枝效果及更优网络结构的惩罚函数泛化参数。     

关于三层前馈神经网络隐层构建问题的研究

针对最佳平方逼近三层前馈神经网络模型,分析了与隐层单元性能相关的表示空间 与误差空间、目标空间与耗损空间的作用,提出了按网络生长方式构建隐层时隐单元选择准则和评价方法。研究结果表明：隐单元选取策略应遵循其输出向量有效分量位于误差空间、回避耗损空间和尽可能趋向于极大能量方向的原则,这一结果与隐单元采用什么激发函数无关,也允许各隐单元采用不同激发函数。网络的隐层性能评价可以通过隐层品质因子、隐层有效系数、隐单元剩余度来进行,而总体结果可采用隐层评价因子进行评测。     

基于Transputer的CMAC神经网络模型的高速高精度直接驱动机器人的运动控制研究

本文主要研究了利用智能学习方法（ＣＭＡＣ神经网络）获得高品质运动控制的问题，重点解决了ＣＭＡＣ的快速实现问题；用Ｔｒａｎｓｐｕｔｅｒ和ＣＭＡＣ网络构成并行数字控制器，对两关节的直接驱动机器人进行了实验研究，结果表明，ＣＭＡＣ网络学习控制方法是一种有效的和实用的高速高精度运动控制方法，并具有良好的鲁棒性。     

BP人工神经网络隐层结构设计的研究进展

指出BP人工神经网络隐层结构的确定,尤其是隐层神经元数目的选择历来是研究的热点。针对目前解决这一问题尚缺乏严格的理论依据,设计者多凭经验而定,介绍了用来优化设计隐层结构的可行方法,纵览了现有多种设计研究成果,从而探讨了新的设计方向。分析了网络隐层结构优化问题的产生及其理论依据,对各种设计方法进行了详细的分类综述, 探讨各自的优势与不足,并对神经网络结构优化问题的研究和发展做了评述与展望。     

基于模糊前向神经网络的PVC识别方法

本文研究了一种将模糊系统与神经网络相结合的异位心律识别方法,它能够处理分类边界模糊的数据,允许样本有畸变或缺损。将此方法应用于ECG室性早博（PVC）的分类识别中,实验结果良好。     

基于自适应阈值的循环剪枝算法

针对YOLO系列目标检测算法中复杂的网络模型和大量冗余参数问题,提出了一种基于自适应阈值的循环剪枝算法：在经过基础训练和稀疏化训练后,进入到自适应阈值剪枝模块,该模块针对缩放因子分布情况,通过缩放因子对通道和卷积层的重要性进行评估,自主学习到一个剪枝阈值,再对网络模型进行剪枝,此过程可以循环进行,并在通道剪枝和层剪枝中应用。该算法中的阈值不是人为设定,而是针对当前网络结构学习获得,通过剪枝获得一个更优的精简模型。算法实验基于YOLOv3在三个数据集上验证,结果表明,该算法对不同数据集、不同网络结构表现出较强的适应性,与传统固定阈值相比,通过自适应阈值剪枝的模型在检测精度、压缩效果、推理速度等方面都取得了更优的效果。