RBF网络隐含层节点的优化

RBF神经网络隐含层节点数的确定一直以来是该网络设计成败的关键所在,文中采用K-means自组织聚类方法为隐含层节点的径向基函数确定合适的数据中心,先给出一个初始值,再慢慢调整,通过实验数据来确定最佳隐含层节点数.结果表明,如果隐含层设计得当,RBF网络可以很好地解决函数接近问题.     

基于近似结构风险的ELM隐层节点数优化

隐层节点数是影响极端学习机(ELM)泛化性能的关键参数,针对传统的ELM隐层节点数确定算法中优化过程复杂、容易过学习或陷入局部最优的问题,提出结构风险最小化-极端学习机(SRM-ELM)算法。通过分析VC维与隐层节点数量之间的关联,对VC信任函数进行近似改进,使其为凹函数,并结合经验风险重构近似的SRM。在此基础上,将粒子群优化的位置值直接作为ELM的隐层节点数,利用粒子群算法最小化结构风险函数获得极端学习机的隐层节点数,作为最优节点数。使用6组UCI数据和胶囊缺陷数据进行仿真验证,结果表明,该算法能获得极端学习机的最优节点数,并具有更好的泛化能力。     

液压支架疲劳寿命近似估算

针对常规的液压支架寿命近似分析方法需对危险点进行循环加载和获取,导致计算机负载增加的问题,提出了一种基于遗传算法与BP神经网络的寿命估算模型。利用遗传算法的全局搜索性优化BP神经网络,使其不易陷入局部最小点;利用优化后的BP神经网络建立危险点结构参量到疲劳寿命的网络映射模型。针对样本容量和隐含层节点数进行了测试,测试结果表明,样本容量为40、隐含层节点数为7时,模型估算精度较高;液压支架平均寿命估算值为36 456次,与理论值的最大相对误差为5.27%。     

多策略改进RBF神经网络入侵检测方法研究

论文提出了一种多策略改进RBF神经网络入侵检测方法。该方法采用减聚类算法确定隐含层节点数,具有自适应确定隐层节点的能力,避免了调整隐层节点的人为干扰。采用粒子群算法和梯度下降法相结合的方法分别对基函数的中心值、宽度以及隐含层与输出层之间的权值进行全局优化以及局部优化,避免了参数选取的局部性。实验证明,该方法能够有效提高入侵检测系统的检测率,并降低误报率。     

改进式混合增量极限学习机算法

针对增量型极限学习机(I-ELM) 中存在大量降低学习效率及准确性的冗余节点的问题, 提出一种基于Delta 检验(DT) 和混沌优化算法(COA) 的改进式增量型核极限学习算法. 利用COA的全局搜索能力对I-ELM 中的隐含层节点参数进行寻优, 结合DT 算法检验模型输出误差, 确定有效的隐含层节点数量, 从而降低网络复杂程度, 提高算法的学习效率; 加入核函数可增强网络的在线预测能力. 仿真结果表明, 所提出的DCI-ELMK 算法具有较好的预测精度和泛化能力, 网络结构更为紧凑.

     

基于A*的双向预处理改进搜索算法

本文针对传统A*算法存在冗余路径点较多与单向搜索耗时较长的缺点,提出了一种改进A*算法.该算法采用双向预处理结构减少冗余节点数,并通过归一化处理和增加节点标记信息进一步优化估价函数提高遍历速度.利用仿真软件对改进A*算法进行实验,并与其它经典路径规划算法进行比较.仿真结果表明,改进后的A*算法较于传统A*算法能以较低的搜索节点数和搜索时长较好的完成全局路径规划.     

基于布谷鸟搜索优化BP神经网络的网络安全态势评估方法

针对现有基于神经网络的网络安全态势评估方法效率低等问题,提出基于布谷鸟搜索（CS）优化反向传播（BP）神经网络（CSBPNN）的网络安全态势评估方法。首先,根据态势输入指标数和输出态势值确定BP神经网络（BPNN）的输入输出节点数,根据经验公式和试凑法计算出隐含层节点数;然后,随机初始化各层的连接权值和阈值,使用浮点数编码方式将权值与阈值编码成布谷鸟;最后,使用CS算法对权值和阈值进行优化,得到用于态势评估的CSBPNN模型并对其进行训练,将网络安全态势数据输入到CSBPNN模型中,获取网络的安全态势值。实验结果表明,与BPNN和遗传算法优化BP神经网络方法相比,基于CSBPNN的网络安全态势评估方法的迭代代数分别减少943和47且预测精度提高8.06个百分点和3.89个百分点,所提方法具有较快的收敛速度和较高的预测精度。     

萤火虫优化BP-NN的电网故障诊断研究

针对逆传播神经网络(BP-NN)运算过程中易陷入局部极小值的不足.根据典型的经验公式对比,缩小了隐含层节点数范围,从而寻找最优的隐含层节点数.根据萤火虫优化(GSO)算法的特点,用GSO-BP-NN训练的初始权值阈值,能够很好地预测测试集,从而避免BP神经网络陷入局部极小值.采用以上方法的结合对电网进行故障诊断,实验证明:该方法可以准确有效地诊断出电网故障位置.     

基于神经网络的动态成本分析

建立了一个神经网络成本分析模型,采用模糊聚类算法自动确定网络隐含层节点数,并将成本因素分析算法编制成软件,用于分析影响成本的技术经济指标变动趋势.在对影响某钢铁公司选矿厂综合铁精矿成本因素分析的应用中,取得了较好的效果.     

基于粒子群的后件多项式RBF神经网络算法

RBF（径向基函数）神经网络能在各个领域得到了很好的应用,关键在于网络模型参数权值、网络中心值、基宽向量和隐含层节点数的选取。传统的RBF神经网络存在精度不高,容易陷入局部最优,收敛速度慢等缺点。针对这些问题,提出了利用粒子群算法优化后件多项式RBF神经网络方法,即优化含有后件多项式RBF神经网络的权值、网络中心值和基宽向量值,并选取最优的隐含层节点数,进而提出了PSOIRBF（基于粒子群的后件多项式RBF）神经网络。通过对非线性模型和实例等非线性被控对象的仿真研究及对模型的分析,表明了所提出算法的有效性。     

基于LM算法的神经网络语音识别

由于语音识别中朵用标准BP算法存在的训练速度慢、容易陷入局部极小等问题，提出一种基于稳定、快速的Levenberg-Marquardt算法的神经网络语音识别方法，主要包括语音信号预处理、特征提取、网络结构优化设计、网络学习训练和语音识别等过程。其中网络隐含层节点数的选取采用黄金分割优选法。试验仿真表明，LM算法明显提高了网络训练速度，减少了训练时间，其效果优越于标准BP算法。     

基于小波神经网络的煤矿瓦斯涌出量预测

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,综合利用神经网络的自学习能力和小波变换的局部化性质,采用了一种基于黄金分割原理获得隐含层节点数的寻优算法,结合MATLAB强大的运算功能,建立了基于小波神经网络的煤矿瓦斯涌出量预测模型.仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果.     

基于神经网络的冠心病智能诊断系统

为解决冠心病多参数诊断中存在的问题,提出了一种基于优化算法的神经网络智能诊断系统,即采用优于BP算法的LM算法进行网络学习训练,采用黄金分割优选法对网络隐含层节点数进行优选。临床实验应用表明,这种系统具有拟合精度高和运算速度快等优点,且诊断正确率为100%。     

一种改进的软件项目投资风险评价模型

提出一种改进的软件项目投资风险评价模型。该模型在软件项目投资风险评价指标体系的基础上采用因子分析的方法进行降维处理,从而减少问题分析的维度。同时,在B-P神经网络的建模过程中利用一种基于黄金分割原理的优化算法确定隐含层节点数,提高了风险评价的精度。实际评价数据表明,该模型能够有效地完成软件项目投资风险的评价。     

基于黄金分割和BP网络的气体体积分数预测模型

研究基于黄金分割法的神经网络在红外光谱定量中的应用。通过黄金分割法对神经网络隐含层节点数进行优化,再将4组分混合气体预测集样本通过LM学习算法建立模型,用所得到的神经网络模型对10组混合气体光谱数据进行检验,平均相对误差为0.63%。使用该方法建立多组分污染气体定量分析模型的时间短,而且能够较精确地预测各组分的体积分数。     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

基于改进遗传算法的RBF神经网络结构优化研究

针对RBF神经网络隐含层节点数过多导致网络结构复杂的问题,提出了一种基于改进遗传算法(IGA)的RBF神经网络优化算法。利用IGA优化基于正交最小二乘法的RBF神经网络结构,通过对隐含层输出矩阵的列向量进行全局寻优,从而设计出结构更优的基于IGA的RBF神经网络(IGA-RBF)。将IGA-RBF神经网络的学习算法应用于电子元器件贮存环境温湿度预测模型,与基于正交最小二乘法的RBF神经网络进行比较的结果表明:IGA-RBF神经网络设计出来的网络训练步数减少了44步,隐含层节点数减少了34个,且预测模型得到的温湿度误差较小,拟合精度大于0.95,具有更高的预测精度。     

基于动态聚类RBF网络的小企业信贷预测研究

利用动态聚类算法确定RBF网络的隐含层节点,不仅聚类速度快,而且隐含层节点数的优化提高了网络的利用效率;定义了广义重要度欧氏距离用于算法中的距离计算;根据穆迪、安德尔违约概率曲线定义了信用评级风险系数等指标。最后,以南京某商业银行数据为依据,利用Matlab为工具平台,建立基于动态聚类的RBF神经网络模型。实证分析表明:本信贷预测模型对违约小企业的判别准确率较高,可为银行有效地甄别高风险企业。     

基于 RBF 神经网络的钢构件质量追溯系统研究

提出一种基于RBF神经网络的数据挖掘方法,将RBF神经网络应用于数据挖掘的分类和预测中,解决钢构件过程中的性能预测问题。其中用黄金分割法确定基于RBF神经网络的隐层节点数,减少该算法的计算复杂度,最终将其应用于某钢铁企业质量控制系统。构建对钢构件质量检测的数据挖掘及质量追溯平台,该平台是基于RBF神经网络的数据挖掘技术的。实际应用证明,产品的质量合格率可达到96.27%,符合国家相关的标准和技术指标。     

A sensitivity analysis of a back-propagation neural network for manufacturing process parameters

Back-propagation neural networks that represent specific process parameters in a composite board manufacturing process were analyzed to determine their sensitivity to network design and to the values of the learning parameters used in the back-propagation algorithm. The effects of the number of hidden layers, the number of nodes in a hidden layer, and the values of the learning rate and momentum factor were studied. Three network modification strategies were applied to evaluate their effect on the predictive capability of the network. The convergence criteria were tightened, the number of hidden nodes and hidden layers was increased. These modifications did not improve the predictive capability of the composite board networks.