基于样本曲率的模糊神经网络结构学习算法

提出了一种根据输入与输出样本间映射关系的复杂度确定模糊神经网络的输入隶属函数个数与参数的学 习方法．采用输入输出样本关系曲率来表示函数的复杂度,根据曲率的大小确定隶属函数的中心点与宽度,使隶属 函数的分布符合映射的变化,从而在提高逼近精度的同时减少隶属函数个数的增加．通过仿真将这一方法与均匀 划分方法及自组织聚类方法比较．结果表明,该方法在学习的快速性与精度方面均具有较优的性能．     

模糊神经网络结构动态学习算法

提出了一种模糊神经网络（ＦＮＮ）结构学习算法,根据输入样本动态构建ＦＮＮ的输入节点及其对应的输入隶属函数,从而实现动态确定ＦＮＮ的结构,大大减少了对初始学习本本数目的要求,提出了ＦＮＮ学习算法在实时控制中的适应能力,仿真结果表明,这一算法很好地实现了对超出初始学习样本范围的其他样本的学习。     

基于过程神经网络和量子遗传算法的油藏采收率参量逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,提出了一种基于过程神经网络和量子遗传算法相结合的方法,并给出了具体的实现方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络;然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用量子遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.油藏采收率参量的逆向求解结果证明了该方法的有效性.     

基于过程神经网络和量子遗传算法的油藏采收率参量逆向求解

对于多输入多输出系统，针对如何根据系统模型和期望输出反求系统输入的问题，提出了一种基于过程神经网络和量子遗传算法相结合的方法，并给出了具体的实现方法。首先根据实际系统的领域知识和学习样本集，建立满足系统实际输入输出映射关系的正向过程神经网络；然后按照系统在过程区间的某一期望输出，用过程神经网络的输出误差构造适应度函数，用量子遗传算法逆向确定系统的过程输入信号，使该输入信号满足已建立的正向过程映射关系，从而完成系统的逆向过程控制。油藏采收率参量的逆向求解结果证明了该方法的有效性。     

具有动态级联结构的在线Boosting算法

针对在线Boosting由于提前设定弱分类器个数导致分类器的分类复杂度受到限制的缺陷,提出了一种新的具有动态级联结构的在线Boosting算法.该算法不但具有一般级联结构的特点,而且能根据输入样本分类的难度来实时地调整级联结构的层数,从而使得目标检测器在检测速度和检测精度方面达到很好的平衡.与一般的方法不同,该算法并没有记录一段短暂的历史样本片段来确定弱分类器的阈值,而是把每一个弱分类器的输出值视为一个随机变量,从而进一步估计它的密度函数.然后以迭代的方式估计出整个强分类器的密度函数,进而构建出在线Boosting的动态级联结构.实验结果表明:与原始的在线Boosting算法相比,该算法大大提高了目标检测的速度和精度.     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

基于自组织特征映射神经网络的数字模式识别

在分析自组织特征映射(SOFM)神经网络基本学习算法的基础上．从提高算法收敛速度和性能出发．提出了一种改进算法：随机选择样本输入次序；根据实际应用并结合专家经验确定初始连接权值；采用高斯函数作为拓扑邻域函数；将算法分成排序和收敛两个阶段。并分别采用不同的学习率和邻域函数．采用改进后的SOFM算法对输入样本进行自组织聚类，再利用学习矢量量化(LVQ)算法解决样本分类中的交迭问题。提高了分类精度．仿真实验结果表明．该网络能够识别常用的数字(0～9)和英字母．特别是在有噪声污染的情况下．可以获得较好的效果。     

模糊支持向量机中隶属度确定的新方法

针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,提出一种改进的隶属度确定方法.该方法不仅考虑样本与类中心之间的关系,还考虑样本之间的关系根据样本的类中心与传统支持向量机构造的分类面构建2个超球,由样本点与超球的位置关系计算其隶属度,能够有效地区分样本点、噪音点以及孤立点.通过文本分类实验表明,与其他两种隶属度函数方法相比,基于双超球的模糊支持向量机方法可以更有效地将文本训练集中的噪音剔除,具有较好的分类性能.     

基于粗糙集-神经网络故障诊断技术的研究

提出了一种基于粗糙集-神经网络故障诊断新方法,该方法利用粗糙集理论对数据样本进行数据浓缩,提取初步的映射规则.该规则通过神经网络进行粗映射,利用神经网络的分类逼近能力,建立输入状态空间到输出空间的精确映射,大大提高了神经网络的收敛速度和逼近精度.通过对一个电力电子电路进行实验,实验结果表明,该方法可以有效地减少输入层神经元个数,提高神经网络模型的学习效率和诊断的准确性,在故障诊断中有良好的应用前景.     

基于自组织特征映射神经网络的短期负荷预测

提出了一种基于自组织特征映射神经网络(Kohmonen网络)的短期负荷预测方法，根据Kohonen网络的聚类特性，样本在输入时就已分好类。输入既有与负荷曲线平滑性有关的数据又有反映负荷周期性变化的数据。在学习训练时，区别于普通的无监督竞争学习采用有监督竞争学习方式，缩短了学习时间，提高了学习精度。实例分析征明了该方法的有效性。     

神经模糊逻辑控制系统隶属函数和推理规则的确定

针对当前开发模糊控制系统的一个难点——发现最优的隶属函数和模糊规则，研究了利用神经元网络的学习能力，从历史数据中发现隶属函数和模糊规则，在一定程度上减轻了系统开发工作量，克服了由于缺乏经验而可能造成的偏差．文中采用了三个学习算法：Ｋｏｈｏ－ｎｅｎ自组织算法、有监督的竞争算法以及ＢＰ算法，设计了一个二输入一输出的程序，并提供了运行结果     

二叉树型分层模糊系统的等效性分析

为进一步研究分析多变量模糊系统以及分层模糊系统的数学机理,解决多变量模糊系统的"维数灾"问题,该文对一类广泛应用的多输入单输出模糊系统(MISO-FS)进行了解析分析,提出了一类二叉树型分层模糊系统(HFS),并推导了其解析表达式。从而证明了HFS和MISO-FS具有等效性。在此基础上分析了HFS的规则数,证明了HFS的规则数随输入变量数线性增长,因此HFS是解决模糊多变量系统"维数灾"问题的一个很好的实用方案。     

输出隶属函数不均匀分布时典型模糊控制器的结构分析

针对两输入 (e,Δe)一输出 (Δu)的典型模糊控制器 ,其输入变量采用三角形、全交迭、均匀分布的隶属函数 ,输出变量采用不均匀分布的单点隶属函数 ,当采用线性控制规则和 Sum- Product推理方法时 ,推导了输出的解析表达式 ,分析了其结构特性和极限特性。进而对最常用的输入变量各取 5个模糊子集的情况进行了详细分析 ,研究了输出隶属函数参数对典型模糊控制器性能的影响 ,并将理论结果应用于倒立摆的模型参考模糊自适应控制     

输入隶属函数不均匀分布时典型模糊控制器的结构分析

针对两输入 (e,Δe)一输出 (u)的典型模糊控制器 ,输入隶属函数为三角形、全交迭、不均匀分布 ,输出隶属函数为单点、均匀分布 ,当采用线性控制规则和 Sum - Product推理方法时 ,证明了输出的解析表达式是一个全局的二维多值继电器与一个局部的线性 PD控制器的和。进而对最常用的输入变量各取 5个模糊集的情况进行了详细分析 ,并将理论结果应用于倒立摆的模型参考模糊自适应控制     

RBF网络在节假日短期负荷预测中的应用

节假日的负荷预测一直是电力系统短期负荷预测中的难点。该文采用了T－S型模糊RBF网络,提出了一种新的推理模型。该网络采用次胜者受罚的竞争学习规则决定模糊隶属函数中心,并采用梯度下降和交叉验证方法对输出权值进行学习。实验应用表明,该方法具有快速、准确性较好的特点。文中还给出了比较结果。     

一种基于进化计算的高斯径向基网络模型构建方法

为了提高高斯径向基神经网络模型的构建精度,将径向基中心、基宽以及连接权构成分区实数编码结构,将训练样本集作为每一个进化个体解码后的网络输入及输出,并将样本的期望输出同网络实际输出的平均误差平方和作为进化个体的适应度函数,将不同隐层节点数构成的进化个体的最优值作为设计问题的高斯径向基网络结构.采用2个Benchmark测试函数验证在不同隐层节点数情况下通过该进化算法构建的径向基模型的精度,从进化时间、进化代、最小适应度值以及均方根误差等方面作对比.结果表明,采用这种分区实数编码能高精度地构建不同设计问题的高斯径向基网络模型.     

基于广义局部曲率模态信息熵和BP神经网络的结构损伤识别方法

针对曲率模态对振型节点较不敏感且无法定量估计损伤的问题,在广义局部信息熵的基础上引入曲率模态,推导出广义局部曲率模态信息熵的公式,并建立相应的损伤指标.利用有限元软件Midas civil建立一简支梁桥损伤模型,提取并处理该简支梁的动力参数,将一阶曲率模态和广义局部曲率模态信息熵分别作为神经网络的输入参数,对损伤进行识...     

Diagnosis of multiple faults using a double parallel two-hidden-layer extreme learning machine

Multiple faults are easily confused with single faults.In order to identify multiple faults more accurately,a highly efficient learning method is proposed based on a double parallel two-hidden-layer extreme learning machine,called DPTELM.The DPT-ELM method is a variant of an extreme learning machine(ELM).There are some issues with ELM.First,achieving a high accuracy requires too many hidden nodes;second,the direct connection between the input layer and the output layer is ignored.Accordingly,to deal with the above-mentioned problems,DPT-ELM extends the single-hidden-layer ELM to a two-hidden-layer ELM,which can achieve a desired performance with fewer hidden nodes.In addition,a direct connection is built between the input layer and the output layer.Since the input layer weights and the thresholds of the two hidden layers are determined randomly,this simplifies the improved model and shortens the calculation time.Additionally,to improve the signal to noise ratio(SNR),an adaptive waveform decomposition(AWD)algorithm is used to denoise the vibration signal.Then,the denoised signal is used to extract the eigenvalues by the time-domain and frequency-domain methods.Finally,the eigenvalues are input to the DPT-ELM classifier.In this paper,two groups of rolling bearing data at different speeds,which were collected from a real experimental platform,are used to test the method.Each set of data includes three single fault states,two complex fault states and a healthy state.The experimental results demonstrate that the DPT-ELM method achieves fast learning speed and a high accuracy.Moreover,based on 10-fold cross-validation,it proves to be an effective method to improve the accuracy with fewer hidden nodes.     

基于特征迁移和深度学习的配电网故障定位

故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析方法(semi supervised migration component analysis,SSTCA),利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入到卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,文中所提的特征迁移方法与其它方法相比,对目标域故障定位精度最高且达到98%以上。