大规模前馈神经网络的一种有效学习算法及其应用

前馈神经网络在复杂系统建模中局限于小型或中等规模的系统，主要原因是：对于大规模问题，现有的神经网络学习算法或者收敛太慢，或者难以收敛．针对这一问题，本文提出一种基于改进的拟牛顿方法的神经网络学习算法该算法内存需要量小，收敛速度快，适合高维神经网络的训练．本文利用该算法训练神经网络建立32输入工业产品质量模型，结果表明了该算法的有效性．     

滞后工业过程稳态优化进程中的局部对称双积分型迭代学习控制

对具有滞后工业过程稳态优化进程提出加权超前局部对称双积分型迭代学习控制算 法.基于理想轨线与控制系统的实际输出动态信息,提出基本的迭代学习控制算法并分析和论证 算法的收敛性,给出局部对称积分区间参数的确定策略.数字仿真表明,加权超前局部对称双积 分型迭代学习控制算法能有效消除噪声对系统输出信号的影响并能改善滞后工业过程稳态优化 进程中控制系统的动态品质,如减少超调,缩短过渡时间,加快响应速度等.     

模块小波神经网络在工业产品质量控制中的应用

针对输入空间包含多种类型的数据时，以单一的神经网络为模型，其收敛很困难的问题，提出一种基于模块小波神经网络的建模方法。利用分而治之思想，模块神经网络通过一个门控网络进行分类和协调，可以将一个复杂任务分解成几个简单的子任务，每个子任务由一个局部专家网络学习，与传统的模块网络不同，这里的专家网络是小波网络而不是BP网络，将所提出的网络模型用于热连轧产品质量建模，并与单一的神经网络建模结果进行比较，建模结果表明，模块小波神经网络模型优于单一神经网络模型。     

基于高维输入小波神经网络的热连轧机产品质量模型

小波神经网络是一种以小波函数为激励函数的神经网络。现有的小波神经网络局限于低维,本文提出一种适合高维输入的小波神经网络建模方法,对几种小波函数与学习算法进行了比较实验,成功地解决了32维输入的大型多辊热连轧机钢板材质量建模问题。     

基于关键输入和多输入层高维小波网络

提出一种基于关键输入和加工工序的多输入层高维小波神经网络结构,该网络结构 是在传统前馈神经网络的基础上,将一部分输入节点根据实际情况移到神经网络的相关隐 层,关键输入节点不仅与随后一层隐节点相连,而且与输出节点相连,更真实地反映了大工 业生产过程中变量之间复杂的函数关系.将该种小波网络模型应用于连铸连轧生产线产品质 量建模,其效果较其他4种神经网络为优越.     

一种改进的前馈神经网络结构及其在复杂系统建模中的应用

针对包含多道加工工序、输入变量很多的复杂工业系统建模精度难以提高的问题,提出一种改进的前馈神经网络结构,输入变量不是由同一层输入,而是根据变量起作用的前后次序分别在网络的不同层输入,真实反映了大工业过程的各生产工序中的参数发生作用的时间顺序。同时由于输入变量在适当的时候输入网络,从而使网络的规模减小。该神经网络是处理高维问题,尤其是建立包含多道加工工序的大工业过程模型问题的强有力工具。将该神经网络用于热连轧产品质量建模,经过实测数据拟合与检验,仿真结果表明:提出的小波神经网络结构是可行的而且有很好的应用前景。     

基于填充函数算法的工业产品小波网络质量模型

为避免反传学习(BP)算法易于落入局部极小点,该文提出一种基于新填充函数的小 波神经网络全局优化学习算法,用来解决连铸连轧过程的产品质量建模问题.该过程很复杂,影 响其产品性能的因素很多,物理模型难以建立.该文以小波神经网络为模型,建立连铸连轧产品 质量与其化学成分和轧制参数之间的复杂非线性模型.该模型用来对板材产品的断裂延伸率、 屈服强度等质量性能指标进行预测.数值实验表明:所建立的模型拟合与校验命中率较高,能够 较好地预测产品的物理性能.     

改进的对称秩1修正产生的拟牛顿矩阵的收敛性

无约束最优化问题的拟牛顿算法产生了一系列的对目标函数二阶导数的近似矩阵 Ｂｋ，在一定条件下证明了满足新拟牛顿方程的拟牛顿法，由改进的 Ｓ Ｒ１ 修正公式产生的变尺度矩阵序列｛ Ｂｋ｝，在迭代点列｛ｘｋ｝ 收敛于目标函数的最优点ｘ 时也收敛于目标函数的海色阵 ２ｆ（ｘ），并给出了其收敛速度与迭代点列的收敛速度之间的关系