多层前传神经网的广义误差反传训练与模式分类

本文以天然留兰香的组分构成与其品质的关系为例，讨论人工神经元方法用于复杂信息模式分类的问题，提出一种广义的误差反传训练策略，将网络的训练范围从联接权扩大到神经元模型，这种新的训练方法（ＧＢＰ）能提高多层前传网络的学习效率，加快收敛的速率。实际运行的结果表明，所需训练时间仅为普通误差反传（ＢＰ）训练方法的１／１５，并能达到较高的预报精度。     

80℃下芳烃-烷烃-环丁砜物系三元液液平衡的测定研究

用自行车设计的加压液液平衡装置和自拟的“降温-添组份混溶-物理参数分析法”,测定了80C下芳烃-烷烃-环丁砜物系三元液液平衡数据。并提出了两种纯经验关联式,对溶解度曲线和平衡结线进行了关联。     

关于西班牙帕蒂里莎公司烷基苯厂考察报告

南京烷基苯厂技术改造考察组于1984年2月2～4日分别访问了西班牙帕蒂里莎（PETRESA）公司在马德里的办事处和在阿尔锡拉斯市（ALGERCIRAS）的SANROQ-UE工厂。现将在考察中了解的情况整理叙述如下。     

具有双向检测机制的ART2神经元网络

为了解决传统的自适应共振理论(T-ART2)网络和增设最初模板的ART2(OP-ART2)网络对模式类渐变过程的不敏感性而导致的识别性能较差的缺陷,提出具有双向检测机制的ART2(BM-ART2)网络.它增设两个门限,对输入模式的聚类进行双向检测,并采用更能反映模式本身特性的比较层输出计算相似度.对一组等腰三角形模式的聚类测试表明,BM-ART2网络能识别模式类的渐变过程,杜绝或减少了模式超出与交混等异常现象,其聚类性能明显优于原先的ART2网络.     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

前传神经网络规模优化的快速剪枝策略及其应用

对多层前传神经网络规模的优化主要在于确定隐含层的节点数 .本文提出的快速剪枝法从分析网络隐含层的输出信息入手 ,用特征分析法解析地确定冗余而可剪去的隐节点数 ,并一次性地找出优化的隐节点数 ,同时将剪去节点的作用分配到保留的节点上 ,配置结构优化网络的初始连接权 ,以加速网络的训练进程 .这种快速剪枝的解析算法每步都有明确的数学机理 ,不仅优化速度快 ,而且稳定性好 .该算法应用于留兰香油的模式分类问题 ,效果令人满意 ,并显示出良好的健壮性和通用性