基于最小二乘法的SIMO傅里叶神经网络研究

利用傅里叶级数的原理，构造单输入、多输出(SIMO)傅里叶神经网络，将非线性映射转化成为线性映射，将求解神经网络权值的方法由非线性优化方法转化成为线性优化方法，并采用最小二乘法计算网络的权值，从而大大提高了神经网络的收敛速度并避免了局部极小问题.而且，在训练输出样本受白噪声影响时，最小二乘法具有良好的降低噪声影响的功能．     

基于SFLA优化BP神经网络的语音信号分类

BP神经网络是一种多层前馈网络,数据经过网络的输入层、隐含层逐层处理后,由输出层进行输出,通过和期望输出的对比进行反向传播,调整网络参数使输出不断逼近期望输出;在使用BP神经网络对语音特征信号进行分类的过程中,会出现BP神经网络易陷入局部最优解、学习收敛速度慢的问题;针对此问题提出一种基于SFLA优化BP神经网络权值和阀值的方法,引入SFLA算法优化网络权值和阀值,利用SFLA优化后的BP网络模型进行语音特征信号分类;仿真结果表明,经SFLA优化后的BP神经网络与未优化的神经网络相比,不仅训练速度快, 而且误差小,语音特征信号分类的正确率平均提高1.31%。     

基于SOM和RBF网络的软测量方法研究

为了解决工业生产过程中许多重要的参数无法精确测量或者实时测量的问题,提出一种基于自组织特征映射(SOM)神经网络和径向基函数(RBF)神经网络结合构建网络模型的预测方法;其中,RBF神经网络作为基础网络实现从输入层到输出层的线性映射,得出预测输出;SOM神经网络作为聚类网络对输入样本进行自组织分类,将分类中心及其对应的权值向量作为RBF神经网络径向基函数的中心;以钕铁硼氢粉碎过程优化控制为例,建立了合金氢含量的检测模型,并与RBF神经网络检测模型进行了对比;仿真结果表明该混合网络检测模型检测精度高,泛化能力强,证实了该方法的有效性.     

基于模糊网络和粒子群优化的油田指标预测

针对油田开发指标预测问题,提出一种模糊神经网络模型,该模型包括输入层、模糊化层、规则层和输出层。模糊化层采用高斯隶属函数,规则层每个节点对应一条模糊逻辑规则。网络可调参数为模糊集参数和输出层权值。提出了基于改进量子粒子群优化的网络训练方法。以油田开发指标中含水率预测为例,结果表明该方法是有效的可行的。     

基于遗传神经网络的零件图像非线性校正

提出了基于遗传神经网络校正非线性失真图像的方法。首先，用遗传算法优化神经网络的权值，构成遗传神经网络。然后，从标准的矩形栅格的失真图像中提取特征样本，样本的坐标用于训练遗传神经网络，标准矩形栅格中的样本的坐标作为目标输出。最后，以失真图像所有像素的坐标作为遗传神经网络的输入；其输出的坐标经过灰度级插值，实现图像的非线性校正。实验结果表明，文中提出的方法是有效的。     

小波神经网络在基坑变形预测的研究与应用

针对一般小波神经网络存在的学习时间长,网络预测精度低的问题,提出了对网络输入层权值初始值进行归一化处理的优化方法,改进了原有小波神经网络。将改进后的模型应用于某市轨道交通1号线珠江路站深基坑水平变形预测中。监测结果表明,网络输出值与实测值吻合很好,优化后的小波神经网络收敛速度也更快;同时随着大量最新的监测数据输入到网络中学习,将使深基坑水平变形预测更加精确。     

一种复杂模糊系统生成方法

生成模糊系统传统方法的工作量往往随输入变量数的增长而爆炸性也增加，用于抽取模糊规则的神经网络的规模迅速地增加且能量的极小值点也迅速地增多。针对这一问题，本文发展了一种新的模糊系统生成方法，将复杂系统的模糊输入，输出关系分解成简单的模糊输入，输出关系叠加，采用了一种新的网络优化的方法－基于浮点编码的遗传算法来生成该系统。     

基于遗传BP神经网络的短时交通流预测

为了预测未来一段时间的短时交通流,提出了一种利用BP神经网络进行预测的方法。将历史时刻的车流量作为网络输入,未来短时流量作为输出,采用单步预测。为了缩短收敛时间,避免陷入局部极小值,用遗传算法优化网络初始权值和阈值。对未优化与优化后的网络进行测试。实验证明,未优化的BP神经网络预测精度较低,且收敛时间较长;而遗传优化算法使预测精度及收敛速度得到极大改善,但样本的数量及质量是影响预测精度的关键要素。     

动态递归小波神经网络在回转窑故障诊断中的应用

针对回转窑作为一个复杂的非线性系统而难以提取有效故障特征的问题,构造了一种动态递归小波神经网络。采用基于梯度符号变化的变学习率以及引入动量项的算法,以回转窑窑尾温度、分解炉温度、窑尾负压、窑头负压、窑头温度、烧成带温度、窑电流、筒体表面温度8个物理量,作为神经网络的8个输入节点,将小波神经网络理论较好地应用在回转窑故障诊断中。归纳了回转窑的主要故障及现象。采用动态递归小波神经网络,从输出层反馈到输入层形成关联层,以存储上一时刻的输出信息。小波神经网络在网络训练时可以有效地利用输出信号。对回转窑故障数据进行归一化处理并作为网络的输入向量,再用小波函数代替神经网络中的激励函数,以故障序列作为网络的输出向量。试验仿真结果表明,该网络具有较好的故障识别率和时间收敛性能。     

基于BP神经网络的企业信用评价研究

简单介绍了企业信用评价的一般模型以及BP神经网络的基本结构，在此基础上给出了一个具体的基于BP神经网络的企业信用评价模型。它把用来描述某类企业信用评价对象特征的信息作为神经网络的输入向量。而把代表相应综合评价结果的值即信用等级作为神经网络的输出，并用足够的样本训练这个网络，使不同的输入向量得到不同的输出量值。最后分析了使用BP神经网络技术评价企业信用等级的优越性。     

A constrained optimization method based on BP neural network

A constrained optimization method based on back-propagation (BP) neural network is proposed in this paper. Taking the maximization of output for example, using unipolar sigmoid function as transfer function, the method presents a general mathematical expression of BP neural network constrained optimization and derives the partial derivative of output with respect to input. On this basis, the fundamental idea, algorithms and related models are given in this article. When BP neural network is on the basis of fitting, this method can adjust the input values of BP neural network to make the output values maximal or minimal. Therefore, with this method the application of BP neural network is expanded by combining BP network’s fitting with optimization. At the same time, the article also provides a new method to study the black-box problem. The experiments show that the constrained optimization method is effective.

     

基于过程神经网络和遗传算法的系统逆向过程求解

针对系统过程的逆向优化求解问题，提出了一种基于过程神经网络和遗传算法相结合的方法。首先根据实际问题的领域知识和学习样本集，确定能够满足系统实际输入输出关系的正向过程神经网络。然后按照系统在过程区间的某一期望输出，逆向确定系统的过程输入信号，即按照给定的期望输出，反求过程神经网络的输入函数，使该输入函数满足已确定的正向映射关系，从而完成系统的优化过程控制。文中给出了具体的实现算法，应用实例证明了该方法的有效性。     

基于GWO-BP方法的加速度计动态模型研究

针对高g值加速度计动态模型问题,基于Hopkinson杆的校准系统所测的输入输出数据建立系统模型,提出了GWO-BP神经网络动态建模方法。利用灰狼种群算法优化BP神经网络建立的加速度计动态模型,对模拟输入输出信号进行仿真。最后,利用Hopkinson杆标定系统对加速度计的输入输出进行实测。结果表明,相比于BP神经网络算法,该算法经过优化改进后,求解精度提高了43.6%,证明了该方法的可行性。     

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障.在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性.所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推.研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势.     

催化裂化过程稳态优化控制研究

催化裂化装置是一个高度非线性、时变、长时延、强耦合、分布参数和不确定性的复杂 系统.在研究其过程机理的基础上,定义了一种模糊神经网络用以建模,用自相关函数检验法检 验模型的正确性,再用改进的Frank-Wolfe算法进行稳态优化计算,并以一炼油厂催化裂化装 置为对象进行试验,研究其辨识、建模和稳态优化控制.这种模糊神经网络具有隐层数多、隐层 结点数多、泛化能力和逼近能力强、收敛速度快的优点,更突出的特点还在于可由输出端对输入 求导,为稳态优化计算提供了极大方便,它与改进的Frank-Wolfe算法相结合用于解决非线性 复杂生产过程的建模和稳态优化控制问题是可行的.     

基于RBF辨识的模糊神经网络控制器的设计与实现

随着众多新型模糊神经网络被提出，针对模糊神经网络具有的典型特点，即需要对输入输出数据范围进行转化和处理，所涉及到的对量化因子和比例因子的实时调节问题，该文提出一种优化方案。其依据神经网络具有的自学习能力，通过增加模糊神经网络的层数，提出一种包含对量化因子和比例因子调节的改进型模糊神经网络，以减少系统的辅助优化环节。同时，引入辨识性能较好的径向基函数神经网络（RBF）为系统提供精确的Jacobian信息，取代常规的近似做法。最后结合实例仿真证明了该优化方案的合理性。     

基于分散神经网络的多指灵巧手位置控制

针对多指灵巧手钢缆传动系统的非线性，提出一种基于分散神经网络的位置控制方法．通过 对复杂的钢缆传动系统施加不同的输入可以得到特定的相对简单的输入输出数据，利用这种 特定的输入输出数据学习传动系统的非线性关系得到多个分散的神经网络，再根据传动系统 的结构特性用分散的神经网络求取钢缆传动系统的逆模型，用于直接逆控制，从而达到补偿 非线性误差的目的．同时应用在线神经网络的适时补偿使系统长时间保持良好的运行状态． 实验证明这种方法可大大提高位置跟踪精度，取得比较满意的结果．     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

基于改进粒子群优化算法的提升机制动系统故障诊断

矿井提升机制动系统运行的可靠性直接关系到井下工作人员的安全,为了提高其故障诊断的准确度,提出了一种改进粒子群算法优化RBF神经网络的诊断方法,建立了以提升机制动系统的故障特征参数为输入,并以制动系统的几种主要故障类型为输出的故障诊断模型.鉴于遗传算法具有较强全局收敛性,将遗传算法中的交叉、变异的思想引入到粒子群算法中,并用其优化RBF神经网络的隐含层参数.仿真结果表明,改进后的粒子群诊断算法改善了提升机制动系统故障诊断的速度和精度.     

基于区间优化的神经网络全局优化方法

Hopfield神经网络被广泛应用于优化问题的求解中,而传统的Hopfield网络通常基于梯度下降法,此方法容易陷入局部极小而得到次最优解或收敛到问题的不可行解。另外,当用于训练网络样本的输入/输出数据无法精确给出,而只能以一定的范围的形式给出时,传统的神经网络学习方法就无能为力了。论文提出了一种基于区间优化的神经网络学习算法,可以很好地解决上面所提到的传统神经网络学习算法的缺点。