改进BP算法在过程神经网络中的应用

过程神经网络是一种基于过程神经元的新型神经网络,其输入及权值皆为时序函数.针对基本BP算法的一些不足,将一种改进BP算法应用于前馈过程神经网络的训练之中,提高了网络的学习效率,扩展了过程神经网络的训练算法理论.在改进BP算法与网络训练的结合过程中,权函数及输入函数皆被用同一正交基函数展开.最后基于改进BP算法将过程神经网络应用于了飞机发动机尾气温度指数的预测当中,验证了算法的有效性,同时也展示了过程神经网络广泛的应用前景.     

基于遗传—模拟退火算法的过程神经网络的训练及应用

过程神经网络是一种新型的神经网络,其输入及权值皆为时变函数,因此存在学习算法复杂度高、对初值敏感的问题.本文鉴于BP算法的不足提出了一种过程神经网络的学习算法,将输入函数和网络权值按正交基展开的过程神经网络,采用遗传算法与模拟退火算法相结合的方式进行网络训练,既避免了陷入局部最优解,又克服了模拟退火算法达到最优解造成的迭代次数增加问题,使网络具有较快的收敛速度和较高的逼近精度,文中给出相应的学习步骤和参数选取方法,同时以水淹层识别实验为例,验证了算法的有效性.     

Fourier神经网络非线性拟合性能优化研究

针对采用传统BP(back propagation)算法训练的Fourier基函数神经网络拟合非线性函数容易陷入局部最优、拟合精度较差等问题,提出采用粒子群(particle swarm optimization,PSO)算法优化Fourier基函数神经网络拟合非线性函数的方法。通过引入具有全局搜索能力的PSO算法对Fourier正交基神经网络权值进行优化,达到提高非线性函数拟合精度的目的,并进行实例仿真实验,通过比较PSO和BP算法训练Fourier基函数神经网络的预测输出结果,验证PSO算法拟合非线性函数的优越性。结果表明,经PSO算法优化后的Fourier基函数神经网络学习能力更强,非线性函数的拟合精度更高。     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基(Radial Basis Function简称RBF)网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法.实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善.     

基于Yolov5的快速双目立体视觉测距研究

针对传统双目测距方法存在的需要对摄像头进行标定、立体匹配算法时间复杂度高等问题,本文主要对快速双目立体视觉测距进行研究.给出了双目测距原理,提出了一种基于Yolov5的目标检测算法和径向基函数神经网络相结合的双目测距方法,建立了基于径向基函数神经网络的距离预测模型,并采用神经网络中的径向基函数神经网络进行距离预测.实验...     

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.     

利用径向基函数改进算法实现函数逼近

分析了径向基函数神经网络(RBFNN)的原理,总结出径向基函数网络的一种实用插值算法.按照此方法对实际的例子进行了计算,结果表明,本算法快捷、可靠.     

基于过程神经网络的非线性动态系统辨识

研究了过程神经网络在非线性动态系统辨识方面的应用.针对传统神经网络在解决系统过程式输入和时间顺序依赖性问题时出现的使模型和算法复杂化的弊端,提出了一种时变输入输出的过程神经元网络模型作为系统的辨识模型,采用基于函数基展开的梯度下降算法,以油田井组注采系统为例验证了模型和算法的有效性,进而说明了过程神经元网络对于解决系统过程式输入的非线性动态系统辨识问题的适用性.     

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.     

动态模糊神经网络在变形预测中的应用

为了得到更好的桥梁墩台沉降变形预测精度,减少工程监测实践的误差,分别介绍了基于扩展径向基函数神经网络（RBFNN）与动态模糊神经网络（DFNN）的学习算法和参数的确定方法。选取某一桥梁沉降监测数据分别进行基于扩展径向基函数神经网络与动态模糊神经网络的自适应学习训练,进行桥梁墩台沉降变形预测。实例分析结果表明,径向基函数神经网络预测误差达到0.15 mm,而动态模糊神经网络预测误差达到0.07 mm,显然动态模糊神经网络具有更高的预测精度,从而证实了动态模糊技术与神经网络相结合的自适应学习训练过程的优越性。     

基于神经网络的大跨度屋盖非高斯风压场模拟方法

采用径向基函数神经网络(Radical Basis Function Neutral Networks,简称RBF神经网络)来模拟大跨度结构的非高斯风压场.根据某大跨度结构的形式特点,将结构风场看成是屋面位置和时间的函数,将风压场分解为一系列径向基函数.再利用单调非线性无记忆转换映射和RBF中获得的风场函数定义向量过程,从而将非高斯场的模拟转换为互相关高斯过程的模拟.将RBF神经网络应用于一大跨度屋盖的非高斯场模拟,得到结构上非高斯风压场的分布.结果对比表明,RBF神经网络模拟非高斯风压场具有较高的准确性.该方法可直接利用RBF神经网络的输出结果,避免推导高斯过程和非高斯过程的关系式,因此具有较高的效率.RBF神经网络模拟非高斯风压场在准确性和效率上均具有显著优势.     

一种基于遗传算法径向基神经网络的混合无线定位算法研究

文章提出了一种基于径向基神经网络的混合无线定位算法。采用径向基函数(Radial basis function neural net-works-RBF)神经网络建立移动台位置估计模型,并用递阶遗传算法(HGA)同时训练RBF的网络结构和参数。对进行位置估计的三种参数TOA/TDOA/AOA进行数据融合,以有效地提高定位精度。与传统BP神经网络定位算法进行比较,仿真结果表明,该算法的定位结果能够很好地满足FCC的定位要求。     

基函数神经网络和再生核函数关系

主要研究了基函数神经网络和再生核函数之间的关系,证明了当基函数神经网络的激活函数φ(x)∈C[-1,1]n时,基函数神经网络实质就是一个再生核函数,并且给出了基函数神经网络的再生核数学表示形式.同时,把这个结论推广到一般前馈神经网络结构上,得到一般前馈神经网络实质上也有一个再生核函数表示的结果,并给出了相应的数学表示形式.     

基于高阶神经网络扩展卡尔曼滤波器算法的非线性动态系统辨识

针对非线性动态系统辨识 ,采用高阶神经网络和径向基函数网络相结合的方法 ,神经网络的连接权值可作为系统的未知参数 ,用扩展卡尔曼滤波器 (EKF)算法来估计 ,确保了该方法的快速收敛 .具体模型的仿真结果表明该方法能快速收敛 ,并能方便的用于在线辨识 .     

非匹配不确定非线性系统的鲁棒输出跟踪

针对一类非匹配不确定非线性系统,提出一种鲁棒自适应渐近输出跟踪控制方法,该方法无须已知不确定性函数及其各阶导数上界。基于Lyapunov函数方法,给出了鲁棒自适应控制律以及GCMAC神经网络权值调整算法,通过后一个状态镇定前一个状态,最终达到了对期望输出的渐近跟踪,同时系统状态有界。应用于电液位置伺服系统的仿真结果表明该控制策略是有效的,对系统不确定性和未知干扰具有较强的鲁棒性。     

基于改进RAN算法的调制分类器

资源分配网络（RAN）算法可以在线训练径向基（RBF）神经网络,但算法中的网络隐层中心通常从零开始,容易受噪声和异常数据影响。文章提出一种改进RAN算法,将遗传算法（GA）对数据优化聚类后的中心点作为RAN算法的初始中心。仿真表明,基于改进算法设计的RBF调制分类器,结构简洁,识别准确率高。     

具有神经网络控制器的纺织厂空调自控系统

用可逼近任意非线性函数的神经网络构造了辨识器和控制顺，通过ＢＰ算法对神经网络进行学习训练，修正其权系主阈值，使学习训练误差趋于零。将该方案应用于纺织厂羊绒生产车间的空调系统，并给出了仿真实验结果。     

An ICPSO-RBFNN nonlinear inversion for electrical resistivity imaging

To improve the global search ability and imaging quality of electrical resistivity imaging(ERI) inversion, a two-stage learning ICPSO algorithm of radial basis function neural network(RBFNN) based on information criterion(IC) and particle swarm optimization(PSO) is presented. In the proposed method, IC is applied to obtain the hidden layer structure by calculating the optimal IC value automatically and PSO algorithm is used to optimize the centers and widths of the radial basis functions in the hidden layer. Meanwhile, impacts of different information criteria to the inversion results are compared, and an implementation of the proposed ICPSO algorithm is given. The optimized neural network has one hidden layer with 261 nodes selected by AKAIKE's information criterion(AIC) and it is trained on 32 data sets and tested on another 8 synthetic data sets. Two complex synthetic examples are used to verify the feasibility and effectiveness of the proposed method with two learning stages. The results show that the proposed method has better performance and higher imaging quality than three-layer and four-layer back propagation neural networks(BPNNs) and traditional least square(LS) inversion.     

非线性连续时间神经网络的熵测度理论

能量函数是神经网络的基本测度函数,但能量最小化原则并不是普遍适用于各种神经网络模型。从本质上讲,神经网络的智能信息处理过程就是系统不确定性减小的过程。基于上述思想,文中深入地研究并揭示了神经网络模型及其能量函数的动态机理和系统熵流之间的联系,建立了连续时间神经网络熵测度理论与方法以及熵学习算法,提出了了基于熵测度的神经优化方法。