基于可拓聚类的极限学习机神经网络

针对极限学习机(ELM)算法随机选择输入层权值的问题,借鉴第2类型可拓神经网络(ENN-2)聚类的思想,提出了一种基于可拓聚类的ELM(EC-ELM)神经网络。该神经网络是以隐含层神经元的径向基中心向量作为输入层权值,采用可拓聚类算法动态调整隐含层节点数目和径向基中心,并根据所确定的输入层权值,利用Moore-Penrose广义逆快速完成输出层权值的求解。同时,对标准的Friedman#1回归数据集和Wine分类数据集进行测试,结果表明,EC-ELM提供了一种简便的神经网络结构和参数学习方法,并且比基于可拓理论的径向基函数(ERBF)、ELM神经网络具有更高的建模精度和更快的学习速度,为复杂过程的建模提供了新思路。     

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制.其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的.通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据.     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

基于可拓理论的RBF神经网络研究及其应用

针对径向基函数（RBF）神经网络构造时其结构和参数难以确定的问题,结合可拓理论对输入样本和基函数的中心向量建立物元模型,并借鉴第2类型可拓神经网络（ENN2）的聚类思想,根据样本分布,采用可拓分析及可拓变换动态调整隐节点数目和基函数中心,从而提出基于可拓理论的RBF（ERBF）神经网络.同时,通过UCI标准数据集进行了测试,并通过应用实例进行了验证,结果表明,ERBF结构和参数的确定方法简单、收敛速度快,且泛化精度、鲁棒性和稳定性均显著提高.     

一种适用于电力系统谐波分析的神经网络模型

提出一种适用于电力系统谐波分析的神经网络模型,为求解该神经网络权值参数.推导了基于非线性优化思想的权值参数自适应学习算法.该算法同步调整隐层神经元和输出层神经元权值参数,以优化神经网络能量函数.为了验证算法的有效性,应用该算法对电力系统谐波进行仿真实倒研究.仿真结果表明,利用该算法能以非常高的精度同步求解电力系统基波频率以及各次谐波的幅值和相位.     

一种基于改进神经网络的系统辨识方法

该文在分析神经网络辨识技术特点及现状的基础上,将BP神经网络结构和遗传算法相结合,设计了一种适用于非线性系统的辨识器模型。该辨识器模型首先建立初始的BP神经网络结构,再利用遗传算法对BP神经网络的权值和阈值进行优化,从而优化BP神经网络,通过迭代最终建立辨识器模型。最后,通过一个三阶非线性多输入单输出系统的仿真实验证明了所设计的辨识器具有辨识时间短、辨识精度高的特点,为神经网络辨识技术的研究提供了新的思路和方法。     

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．     

权值初始化与激励函数调整相结合的学习算法

提出了一种基于独立元分析(ICA)方法的权值初始化方法和动态调整S型激励函数的斜率相结合的神经网络学习算法。该方法利用ICA从输入数据中提取显著的特征信息来初始化输入层到隐含层权值。而且通过使神经网络的输出位于激励函数的活动区域,对隐含层到输出层的权值进行初始化。在学习过程中,再对每个隐单元和输出单元的激励函数的斜率进行自动调整。最后通过计算机仿真实际的基准问题,验证了论文提出的方法的有效性。实验结果表明,所提出的方法能有效地加快多层前向神经网络的训练过程。     

基于序列输入的量子神经网络模型及算法

为提高神经网络的逼近能力,提出一种各维输入为离散序列的量子神经网络模型及算法.该模型为3层结构,隐层为量子神经元,输出层为普通神经元.量子神经元由量子旋转门和多位受控非门组成,利用多位受控非门中目标量子位的输出向输入端的反馈,实现对输入序列的整体记忆,利用受控非门输出中多位量子比特的纠缠获得量子神经元的输出.基于量子计算理论设计该模型的学习算法.该模型可从宽度和深度两方面获取输入序列的特征.仿真结果表明,当输入节点数和序列长度满足一定关系时,该模型明显优于普通神经网络.     

基于可拓物元模型的故障诊断研究与应用

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合,增加了故障检测及诊断的难度,为解决此问题,提出了一种基于主元分析（PCA）和可拓物元模型的诊断算法,利用主元分析法提取故障特征参数;建立以可拓物元模型算法为基础的故障诊断模型;该模型借助主元分析方法获取属性互不相关的训练集,通过建立其物元模型,利用关联函数定量计算待测对象对于每一种故障模式的关联程度,进而判断可能的故障模式;同时利用实验数据加以验证,结果表明：该模型有效地提高了故障诊断率,同时优于单纯的可拓物元模型,且该模型对小样本的处理能力优于BP神经网络模型,其诊断正确率更高,训练耗时较少。     

An evolutionary neural network approach for module orientationproblems

A novel neural network approach called “Evolutionary Neural Network (ENN)” is presented for the module orientation problem. The goal of this NP-complete problem is to minimize the total wire length by flipping circuit modules with respect to their vertical and/or horizontal axes of symmetry. In order to achieve high quality VLSI systems, it is strongly desired to solve the problem as quickly as possible in the design cycle. Based on the concept of the genetic algorithm, the evolutionary initialization scheme on neuron states is introduced so as to provide a high quality solution within a very short time. The performance of ENN is compared with three heuristic algorithms through simulations on 20 examples with up to 500 modules. The results show that ENN can find the best solutions in the shortest time     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

Fractional stochastic resonance multi-parameter adaptive optimization algorithm based on genetic algorithm

The output effect of fractional-order stochastic resonance (FOSR) system is affected by many factors such as input system parameters and noise intensity. In practice, many tests are needed to adjust parameters to achieve the optimal effect, and this way of “trial and error” greatly limits the application prospect of FOSR. Based on genetic algorithm, a suitable adaptive function was established to adjust the multiple parameters, including the fractional order, system parameters, and the input noise intensity of the fractional bistable system. Simulation results showed that the algorithm can achieve joint optimization of these parameters. It was proved that this algorithm is conducive to the real-time adaptive adjustment of the FOSR system in practical applications and conducive to the application and extension of FOSR in weak signal detection and other fields. The proposed algorithm has certain practical value.

     

语音处理的中心激励侧向抑制网络模型

根据人类听觉神经系统的结构,提出了一个“中心激励、侧向抑制”的网络模型。在该模型中,输入层的每一个神经元细胞在激励输出层对应的细胞的同时,会对其输出层其他邻近细胞起到一定的抑制作用。另外输出层的每个神经元也具有负反馈功能。该文给出了该网络模型的数学方程和网络参数调整的学习算法,证明了该算法的收敛性。该网络模型在声音处理上保留了人耳的优势,可以自动过滤噪声,搜索声音的中心频率段,将声音的物理频谱转换成相应的生理反应模型。通过仿真数据解释了人耳特有的频道抑制现象。     

一类反馈过程神经元网络模型及其学校算法

提出了一种基于权函数基展开的反馈过程神经元网络模型．该模型为三层结构，由输入层、过程神经元隐层和过程神经元输出层组成．输入层完成系统时变过程信号的输入及隐层过程神经元输出信号向系统的反馈；过程神经元隐层用于完成输入信号的空间加权聚合和激励运算，同时将输出信号传输到输出层并加权反馈到输入层；输出层完成隐层输出信号的空间加权聚集和对时间的聚合运算以及系统输出．文中给出了学习算法，并以旋转机械故障自动诊断问题为例验证了模型和算法的有效性．     

基于遗传算法和模糊逻辑的智能飞控技术研究

设计了基于遗传算法和模糊逻辑控制的智能飞行控制系统及采用论域自调整的模糊控制器，控制器以角度跟踪误差及其微分信号为输入来控制相应的气动舵面偏转，实现对该姿态的跟踪控制。文中给出了控制器输入输出的隶属函数，设计了相应的规则库。并在此基础上进一步利用遗传算法对模糊控制器进行优化设计，给出了遗传算法各个参数的选择原则。仿真结果表明，基于遗传算法和模糊逻辑的智能飞控系统具有良好的控制效果。     

一类反馈过程神经元网络模型及学习算法研究

提出了一种带有反馈输入的过程式神经元网络模型,模型为三层结构,其隐层和输出层均为过程神经元。输入层完成连续信号的输入,隐层完成输入信号的空间聚合和向输出层逐点映射,并将输出信号逐点反馈到输入层;输出层完成隐层输出信号的时、空聚合运算和系统输出。在对权函数实施正交基展开的基础上给出了该模型的学习算法。仿真实验证明了该模型的有效性和可行性。     

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。