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。     

基于虚拟温度法的间歇过程换热器网络综合

提出了基于时间段模型(TSM)综合间歇过程换热器网络的方法,用虚拟温度法代替传统的单一最小传热温差,将各流股的温差贡献值作为决策变量,年度总费用最小作为目标函数建立数学模型.应用遗传膜拟退火算法对上述数学模型进行求解,分别获得每个时间间隔内的子换热器网络结构,并进一步对总换热器网络做结构优化,使其既满足流股的换热要求,又满足年费用最小.方法应用于实例计算,结果比基于最小传热温差获得的换热器网络年度总费用节省6.0%,换热器减少5台,说明这种方法既节省费用,又简化了网络结构.     

粗糙集意义下的一种RBF神经网络设计方法

提出一种集成粗糙集理论的RBF网络设计方法.由布尔逻辑推理方法进行属性离散化,得到初始决策模式集,通过差异度对初始决策模式的相似度进行衡量并实现聚类,以聚类决策模式构造RBF网络.为加快训练速度,分别对隐层参数和输出权值采用BP算法和线性最小二乘滤波法进行训练.实验结果表明,该方法设计的RBF网络结构简洁,泛化性能良好,混合学习算法的收敛速度优于单纯的BP算法.     

浅析网络性能评估中BP算法的应用

本文针对网络性能评估,以网络性能指标作为输入数据,网络性能作为输出参数,采用BP算法对网络性能指标进行分析,经过测试结果表明,BP网络训练输出能够很好的逼近实际数据,因此,BP网络算法具有很好的识别精度。     

基于小波神经网络的抄纸过程建模仿真研究

抄纸过程中水分定量控制是一种复杂的多变量耦合过程.它具有大滞后、非线性、时变、不确定等特性,因此一般采用常规方法很难准确建立其数学模型.神经网络是一种很好的非线性数学模型,运用多输入多输出的小波神经网络对抄纸过程中水分定量控制进行数学建模,并在小波神经的嘲络训练过程中采用了两种训练方法,加快了训练速度.结果表明,小波神经网络输出值与实际模型输出值的误差在允许范围内,可以很好的逼近抄纸过程的数学模型.     

基于光功率值监测的光纤故障诊断方法

针对传统光纤故障诊断技术模型复杂,故障数据采集方法繁琐,模糊规则难以确定等问题,提出了基于光功率值监测的光纤故障诊断方法,首先针对光纤故障的特点,利用光功率的变化值描述光纤中不确定性故障信息,运用光功率的异常特征相关系数对故障的可能性进行规约;最后把规约后优化数据输入到BP故障识别网络中,采用最小二乘法与梯度搜索方法使网络的实际故障输出值与期望的输出值的误差均方值最小,完成对光纤不同故障状态的识别和诊断,实现远程数据采集与故障诊断.分析表明,改进方法能够实现光纤不同故障的诊断,有效地提高了光纤故障模式的识别能力.     

粗糙RBF神经网络集成的模式识别方法

提出一种定义属性重要度的方法,并根据属性的重要度测量元素之间的距离,以确定训练集的聚类情况.由于聚类的不确定性,提出利用粗糙集方法确定精确的下、上近似集合,用其聚类中心作为RBF神经网络的径向基中心,设计两个基函数中心不同的RBF神经网络.最后在经验风险最小化原则下,确定两个网络的每个输出值的置信度,得到神经网络集成的最终输出.网络的训练采用递推最小二乘方法,通过两个模式识别仿真实例验证该方法的有效性和正确性.     

目标多种多值属性的端端快速识别网络

为提高图像目标多种多值属性的识别速度,提出一种端到端的识别算法。采用修正的YoloV3网络作为主网络,确定目标的boundingbox;依据属性独立特性构造子网络,多个子网络共享由boundingbox确定的主网络深层次特征,进行推断,并采用多值输出满足多值属性的识别。在训练过程中,采用了三阶段分目标训练。实验结果验证了该算法在识别准确度和时间效率上的优良性能。     

蔗糖结晶中的BP网络的算法选择及改进

推导了隐层节点和输出节点的学习及修正公式,选择了初始权值、学习速率和期望误差等相关学习参数,结合结晶工段实际进行了网络训练.为加快网络的收敛,在保证系统稳定的基础上,提出了S函数输出限幅和变步长法两种改进方案.采用改进的BP算法对此BP网络进行了训练,得到的ANN网络训练输出值与实际输出值非常逼近.     

基于RBF神经网络混合遗传算法的多用户检测

提出了一种混合递阶遗传算法来同时训练RBF神经网络的结构和参数,引入了改进的染色体编码方案,用基于奇异值分解的最小二乘法计算网络输出层权值,提高了遗传搜索的效率,精简了网络结构.并用变学习速率梯度下降法优化遗传训练出的最优网络,应用到多用户检测中.仿真结果表明,新混合学习算法训练出的网络结构优于其它算法训练的网络结构,并且性能良好.     

一种基于神经网络基函数的新型遗传算法

该文提出了一种新型的遗传优化方法。由参数模型描述的神经元基函数作为遗传基因,利用每个神经元输出序列与网络训练目标以及神经元输出序列之间的相关性得到网络遗传优化方法的选择算子,根据不同参数的特点得到相应的交叉和变异算子,建立基函数的参数化模型,得到遗传算法的初始基因组;并根据初始基因组建立各参数基因组,通过合适的交叉变异算子对个各参数基因组进行交叉变异操作。这样得到的算法使输出误差分布较为均匀,能够大大提高网络的输出精度,简化网络的结构,信号跟踪与非线性系统逼近中得到很好的效果,提高了网络的适时学习能力。     

Application of error minimized extreme learning machine for simultaneous learning of a function and its derivatives

In this paper a new learning algorithm is proposed for the problem of simultaneous learning of a function and its derivatives as an extension of the study of error minimized extreme learning machine for single hidden layer feedforward neural networks. Our formulation leads to solving a system of linear equations and its solution is obtained by Moore-Penrose generalized pseudo-inverse. In this approach the number of hidden nodes is automatically determined by repeatedly adding new hidden nodes to the network either one by one or group by group and updating the output weights incrementally in an efficient manner until the network output error is less than the given expected learning accuracy. For the verification of the efficiency of the proposed method a number of interesting examples are considered and the results obtained with the proposed method are compared with that of other two popular methods. It is observed that the proposed method is fast and produces similar or better generalization performance on the test data.     

基于RBF神经网络的火灾探测器模型研究

针对目前火灾探测技术难以满足实际需要的问题,在分析RBF网络结构特点及最近邻聚类学习算法的基础上,提出用RBF神经网络建立火灾探测器模型,以火灾初期实验得到的环境温度、烟雾浓度、CO含量为输入,以明火概率、阴燃火概率、无火概率为输出对RBF网络进行训练,并进行仿真试验,结果表明,实际输出与期望输出的相差较小。     

Global and local modelling in RBF networks

Radial basis function networks are traditionally known as local approximation networks as they are composed by a number of elements which, individually, mainly take care of the approximation about a specific area of the input space. Then, the joint global output of the network is obtained as a linear combination of the individual elements' output. However, in the network optimization, the performance of the global model is normally the only objective to optimize. This might cause a deficient local modelling of the input space, thus partially losing the local character of this type of models. This work presents a modified radial basis function network that maintains the approximation capabilities of the local sub-models whereas the model is globally optimized. This property is obtained thanks to a special partitioning of the input space, that leads to a direct global-local optimization. A learning methodology adapted to the proposed model is used in the simulations, consisting of a clustering algorithm for the initialization of the centers and a local search technique. In the experiments, the proposed model shows satisfactory local and global modelling capabilities both in artificial and real applications.     

基于改进角分类神经网络的冷水机组故障诊断

针对冷水机组的故障诊断问题及其特点,提出了一种基于改进角分类神经网络故障诊断模型FDCC(Fault Diagnosis Corner Classification)。该模型克服了角分类神经网络(CC4)输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断并输出结果向量,其各分量为各故障原因可能出现的概率。     

基于改进角分类神经网络的冷水机组故障诊断

针对冷水机组的故障诊断问题及其特点,提出了一种基于改进角分类神经网络故障诊断模型FDCC（Fault Diagnosis Comer Classification）。该模型克服了角分类神经网络（CC4）输出结果为二进制的局限,根据故障模式所落入的k最近邻的样本泛化空间来进行故障诊断并输出结果向量,其各分量为各故障原因可能出现的概率。     

磁浮列车悬浮系统的神经网络建模研究

磁浮列车的悬浮系统是一个典型的非线性系统,其精确数学模型的建立非常困难。目前使用的系统模型大多是经过简化的近似线性化动力学模型,这样的模型在悬浮系统的研究中只起到方向上的指导作用,在工程实践中获取控制对象的精确模型具有重要的意义。神经网络不仅能够逼近复杂的非线性静态映射关系,同时也可以用于动态系统的特性学习,这里采用神经网络来建立悬浮系统的精确模型。文中简述了磁浮列车悬浮系统的基本结构和原理。讨论了非线性动态系统神经网络建模的一般方法。采用了输出反馈型的多层前向神经网络对悬浮系统进行了建模。并使用悬浮系统的输入输出数据对神经网络模型进行了训练和仿真,验证了该建模方法的可行性。     

一种结构自适应的径向基函数神经网络

提出了一种新的结构自适应的径向基函数(RBF)神经网络模型。在该模型中,自组织映射(SOM)神经网络作为聚类网络,采用无监督学习算法对输入样本进行自组织分类,并将分类中心及其对应的权值向量传递给RBF神经网络,分别作为径向基函数的中心和相应的权值向量;RBF神经网络作为基础网络,采用高斯函数实现输入层到隐层的非线性映射,输出层则采用有监督学习算法训练网络的权值,从而实现输入层到输出层的非线性映射。通过对字母数据集进行仿真,表明该网络具有较好的性能。     

基于模型参考的异构多智能体平均一致性

针对参数未知的异构线性多智能体系统，在无向或平衡有向网络下提出一种固定输出平均一致性协议，使得每个智能体的输出达到它们初始输出的平均值。首先，网络中每个智能体都被建模成阶数不同且相关度为1或2的未知线性系统，并根据自身及其邻居节点的输出更新其状态；其次，基于模型参考控制方法，对不同相关度的智能体定义相对应的模型；最后，提出一致性协议使每个智能体的输出收敛至其参考模型的输出，即达到固定输出平均一致。仿真实验利用了一个说明性的例子验证了所提协议的有效性和收敛性。     

基于模糊自组织映射神经网络的故障诊断方法

在研究Kohonen自组织映射网络理论的基础上运用模糊理论方法建立了刹车系统模糊故障诊断模型。该模型只需选择足够的具有代表性的故障样本训练神经网络，将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强、速度快，因此很符合复杂系统的故障诊断。