BP网络泛化能力改进方法在染色配色中的应用研究

针对BP神经网络在织物染色配色中的局限性,提出了对BP神经网络应用到织物染色配色中的泛化能力改进方法。实验及仿真结果表明,基于泛化能力改进的BP神经网络在平均均方差上优于标准的BP神经网络,并且误差函数改进的BP神经网络要优于网络训练提前结束法改进的BP网络,与一般的BP神经网络模型相比,计算精度有了较大的提高。     

基于注意力机制的数控机床热误差深度学习预测方法

为提高热误差预测精度和鲁棒性,提出一种基于注意力机制和深度学习网络的数控机床热误差预测模型。采用数据转化策略,将数控机床原始温度数据转化为温度图像,直接作为深度学习网络的输入;提出一种基于注意力机制的温度敏感点识别网络,根据温度测点与热误差关联程度,赋予各温度测点不同的权值,避免了温度测点的人为选取弊端;建立12层深度CNN学习预测网络,利用其强大的图像特征学习能力,挖掘温度图像与热误差的非线性映射关系,无需对温度关键点进行预选择,保留了更多的热误差与机床温度特征关系,显著提高了模型预测精度。为了提高热误差模型的精度与泛化能力,引入Dropout正则化方法和Adam优化算法,对深度卷积神经网络的结构与参数进行了优化。该方法在针对G460L型数控车床的热误差验证中表现出较高的预测精度。通过与BP神经网络和多元回归等传统热误差模型进行对比,深度卷积神经网络框架下的热误差模型在泛化性指标上表现更优。     

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.     

基于GA-PSO-BP 的大坝变形监测模型

提出了一种基于GA-PSO 混合优化BP 神经网络的大坝变形监测模型, 将遗传算法(GA)和粒子群算法(PSO)的寻优过程进行融合, 利用GA 算法的全局性和PSO 算法收敛速度快的特点,通过迭代选取最优的粒子作为BP神经网络的连接权值和阈值,以减小网络输出误差, 提高其收敛速度和加强网络泛化能力。运用GA-PSO-BP 模型对大坝自动监测数据进行预测分析, 实验结果表明GA-PSO-BP 模型优化了BP 神经网络的连接权值和阈值, 能有效提高网络训练精度与收敛速度, 有效避免早熟收敛, 使模型的整体预测效果得到提高。     

基于优化RBF神经网络的集成算法及其在调制识别中的应用

首先通过模拟退火算法对单个网络的隐含层高斯基函数中心值和标准化常数聚类算法进行了优化,进而提出了一种基于泛化误差性能跟踪的最优训练中止算法,避免了神经网络的过学习问题;最后通过基于最优权重的集成算法给出了模式所属类别的确定性衡量,提高了识别精度和系统的泛化能力。将该算法用于调制信号类型识别,取得了较高的识别精度。     

基于可变基函数和GentleAdaBoost的小波神经网络研究

针对传统小波神经网络(wavelet neural network, WNN)受隐含层节点数影响大、网络误差易陷入局部极小、预测结果不稳定的问题,提出使用GentleAdaBoost和小波神经网络相结合的方法,提高网络预测精度和泛化能力。该方法首先对样本数据进行预处理并初始化测试数据分布权值;然后通过选取不同的隐含层节点数、小波基函数构造出不同类型的小波神经网络弱预测器序列并对样本数据进行反复训练;最后使用GentleAdaBoost算法将得到的多个小波神经网络弱预测器组成新的强预测器并进行回归预测。对UCI数据库中数据集进行仿真实验,结果表明,本方法比传统小波神经网络预测平均误差减少40％以上,有效地提高了神经网络预测精度,为小波神经网络应用提供借鉴。     

基于切片模型的快速混合学习算法

针对传统BP神经网络训练收敛速度慢、易陷入局部极小点的问题,将遗传算法与误差放大的BP学习算法相结合,提出基于切片模型的快速混合学习算法.该算法通过将传统神经网络的训练过程划分为许多小的训练切片,并利用遗传算法的并行寻优特性,对采用误差放大的BP训练过程进行监督.通过及时发现收敛速率较快的个体和过滤陷入局部极小点的个体,来保证网络训练的成功率和实现快速向全局最优区域逼近的目的.仿真实验表明,该算法在不增加网络隐层节点数的情况下,显著地提高了网络的收敛精度和泛化能力.     

胶合板缺陷模糊神经网络检测算法

讨论了模糊逻辑和神经网络的工作原理,笔者在神经网络中引入模糊逻辑算法,将模糊逻辑处理不精确不完备信息的能力和神经网络的自适应自学习能力相结合,提出一种模糊神经网络算法,构建出模糊神经网络分类器,并且以胶合板缺陷检测为应用背景,对其分类的实时性、准确率等指标进行了验证,得到了分类精度93 33%,和训练次数5856次的良好性能.实验结果表明:在引入模糊逻辑算法后,基于模糊逻辑的神经网络分类器在模式分类精度和实时性等方面性能指标都得到了提高.     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

基于RBF网络的非线性动力系统辨识方法的改进

基于资源分配网络（ＲＡＮ）的增长标准并结合隐单元的修剪 策略,提出了同时具有增长及修剪功能的径向基函数（ＲＢＦ）网络结构学习方案。利用该方案进行了非线性时间序列的建模以及振动系统中的未知非线性力的识别。结果表明：提出的网络结构８学习算法是有效的;ＲＢＦ网络对非线性时间序列具有很高的建模精度 ;振动系统未知非线性力的神经网络识别法是可行的。     

一种基于神经网络的模糊知识自动获取方法

通过采用神经网络技术和引入动态神经元,提出了一种模糊知识自动获取方法,并应用于从分类数据样本集中获取以模糊语言值描述的模糊规划知识,文中着重讨论了这种神经网络模型、实现算法及模糊规划获取问题。实验结果表明了该方法的有效性和实用性。     

一种超模糊熵ULPCNN图像自动分割新方法

为了自动地对图像进行二值分割,提出了一种新的自适应迭代全局阈值图像分割算法．首先对二维超模糊集隶属函数进行了自适应修正,并将其引入到图像超模糊熵概念中; 然后从适应图像分割角度,将传统脉冲耦合神经网络模型改进为具有单调指数上升阈值函数的ULPCNN抑制捕获模型; 最后把ULPCNN与最大超模糊熵判据相结合对图像进行自动分割,并与基于最大香农熵、最小交叉熵及最小模糊熵准则的ULPCNN分割方法作了比较．理论分析和实验结果表明,该方法能自动确定迭代次数和选取最佳阈值,对图像目标划分清晰,细节保持较好,改善了图像的分割性能．     

基于人工神经网络的知识求精方法

将神经网络用于知识求精的主要局限性,是训练时不能改变网络的拓扑结构。本文根据结构学习算法提出了一种基于神经网络的知识求精方法,训练时采用动态增加隐含节点和网络删除改变拓扑结构,然后提取求精后的规则知识。大量实例表明,该方法是有效的。     

BP、模糊、小波网络逼近性比较研究

对神经网络、小波网络和模糊小波网络函数逼近性进行对比,进而对采用正交化选择法和前向选择法净化小波时,小波网络和模糊小波网络对一维非线性函数逼近进行了分析.仿真结果证明模糊小波网络具有高精度的逼近能力和很强的泛化能力,该方法比小波网络和BP网络更优越,并且正交最小二乘法净化小波的性能指标优于前向选择法.     

一种基于CMAC神经网络的板形模式识别新方法

针对传统的板形识别模型在识别板形时,由于板宽的变化需要不同拓扑结构的神经网络才能完成板形模式识别任务,网络学习工作量大,网络存在收敛速度慢,易陷入局部极小等结构性能不佳的问题,建立了一种新的基于CMAC神经网络的板形模式识别模型。该模型利用欧式距离差得到网络的输入神经元,并在权值更新算法中引入了动态学习率。通过仿真实验表明该方法简单、实用,识别精度较高,克服了传统的识别模型的缺点和不足,有效地提高了板形模式识别模型的速度和精度。     

基于模糊神经网络的模式识别方法

讨论了3种模糊神经元和由其构成的模糊神经网络的基本原理及其学习和自适应机制,针对模糊模式识别问题,建立了一种基于BP学习算法的模糊神经网络模式识别系统,该系统兼有模糊逻辑控制和神经网络两种技术的优点,提高了模糊模式识别的准确性。     

Method of Dynamic Knowledge Representation and Learning Based on Fuzzy Petri Nets

A method of knowledge representation and learning based on fuzzy Petri nets was designed. In this way the parameters of weights, threshold value and certainty factor in knowledge model can be adjusted dynamically. The advantages of knowledge representation based on production rules and neural networks were integrated into this method. Just as production knowledge representation, this method has clear structure and specific parameters meaning. In addition, it has learning and parallel reasoning ability as neural networks knowledge representation does. The result of simulation shows that the learning algorithm can converge, and the parameters of weights, threshold value and certainty factor can reach the ideal level after training.     

Method of Dynamic Knowledge Representation and Learning Based on Fuzzy Petri Nets

A method of knowledge representation and learning based on fuzzy Petri nets was designed.In this way the parameters of weights,threshold value and certainty factor in knowledge model can be adjusted dynamically.The advantages of knowledge representation based on production rules and neural networks were integrated into this method.Just as production knowledge representation,this method has clear structure and specific parameters meaning.In addition,it has learning and parallel reasoning ability as neural networks knowledge representation does.The result of simulation shows that the learning algorithm can converge,and the parameters of weights,threshold value and certainty factor can reach the ideal level after training.     

高阶模糊BP神经网络及其在滚动轴承故障诊断中的应用

将模糊逻辑理论与高阶BP神经网络结合起来,讨论了高阶模糊BP神经网络的结构、特点、二阶算法以及隶属函数的确定。并将该神经网络模型用于滚动轴承的故障诊断中,试验表明高阶模糊BP神经网络对轴承故障模式具有稳定、准确的识别能力,是一种行之有效的诊断方法。