基于神经网络的模型验证方法

通过对传统模型验证方法在应用中所存在问题的详细分析,提出一种基于神经网络的模型验证方法.该方法利用神经网络强大的非线性映射能力,通过对各种模型关键行为特性的学习,将实际系统行为归类为其中的一种模型,从而对模型的可信性做出评估.首先利用仿真模型的输入输出作为训练集充分训练神经网络,再使用实际系统参数作用于训练好的神经网络,通过神经网络的输出值(概率向量)确定模型与实际系统的匹配程度.最后的图像目标识别模型验证数值仿真实例,说明了该方法的可行性和有效性.基于神经网络的模型验证方法能够很好地验证模型对复杂不确定系统的建模准确程度.     

基于模糊神经网络的MEMS陀螺温度漂移建模

微机电系统(MEMS)陀螺的温度漂移呈现复杂的非线性特性,常规的方法无法对其建模.本文提出了一种基于模糊神经网络(ANFIS)的陀螺温度漂移建模的方法,ANFIS具有良好的逼近非线性函数的能力,适合于非线性系统的建模.通过ANFIS对MEMS陀螺的温度漂移进行建模,经实测数据验证,该方法具有较好的效果.通过该模型的温度补偿算法,使MEMS陀螺的定位精度提高了20倍.     

GM-LSSVM模型在建筑能耗预测中的应用

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(GM-LSSVM)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.     

基于RS的GMDH神经网络在空袭目标识别中的应用

针对目标属性识别的特点,建立了基于粗糙集(Rough Sets, RS)的数据分组处理(Group Method of Data Handling, GMDH)神经网络分类模型.该模型较好地解决了采用高维数据集训练神经网络效率低,神经网络结构规模较大的问题.同时为了提高高维数据集合的属性约简效率,改进了集合近似质量属性约简算法.最后,通过与BP(Back-Propagation, BP)神经网络分类能力的仿真对比,结果表明,基于粗糙集的数据分组处理神经网络分类模型分类能力优于BP神经网络模型,满足现代防空作战对目标属性识别的需求,基于快速求核和集合近似质量的属性约简算法快速有效.     

数控机床热误差的最优线性组合建模

提出数控机床热误差的最优线性组合建模方法及其相关算法.该方法通过线性和的方式对基于不同数学理论所建立的热误差模型进行综合,并以不同拓扑结构及训练算法的反向传播神经网络为例,建立了最优线性组合神经网络.通过对一台CNC机床的实际加工数据进行分析,对该建模方法进行验证,并探讨了该方法的最佳使用条件及其原因.建模结果表明,所提出的方法能够在节省建模时间的同时大幅提高所建立模型的预测精度,是一种高性价比的建模方法.     

混合动力耦合系统神经网络油耗模型构建

为了基于燃油经济性快速对混合动力耦合系统(EVT,electric variable transmission)构型进行筛选,在混合动力EVT构型图论分层图画模型的基础上提出混合动力EVT图论构型矩阵,并对混合动力EVT系统构型进行动力学建模;结合GRNN神经网络算法与动态规划算法,建立混合动力EVT系统神经网络油耗模型;通过对比测试构型的神经网络油耗模型计算结果和DP仿真结果,验证了该油耗模型的有效性。     

基于克隆优化的船舶号灯神经网络识别模型

针对复杂光环境下船舶号灯识别模型的高维、强非线性及影响因素复杂等特性,提出一种基于克隆选择优化算法的BP神经网络识别模型.通过对影响因素的筛选确定BP神经网络的输入,将号灯识别码作为网络的输出确定BP神经网络模型.采用免疫克隆选择优化算法,确定网络层数和各层节点数目,结合灵敏度分析法选择非线性寻优的方向和尺度,以减少BP神经网络的迭代次数,提高搜索效率.通过对海上夜航时拍摄的一些实景照片进行学习和识别的仿真,验证了所建立的船舶号灯识别模型的有效性.     

热轧机有限元与神经网络集成建模

以某钢厂1580热连轧生产数据为基础,提出一种有限元与神经网络集成建模的方法.该方法首先对轧制过程的塑性变形进行有限元建模,然后结合有限元数值分析方法和智能技术的优点,实现有限元和神经网络的集成建模.集成模型中的神经网络模型为有限元模型提供参数调整的依据,并且在神经网络训练过程中使用改进的混沌粒子群优化算法对神经网络进行优化.通过与现场实际生产数据进行比较,验证了该模型的有效性.     

一种基于T-S模糊模型的自适应建模方法及其应用

提出了一种改进的基于T-S模糊RBF神经网络模型的辨识算法和自适应方法,采用模糊C均值聚类(FCM)算法划分输入输出数据空间,最后将该算法应用于丙烯腈收率的预报,仿真结果表明了这种基于T-S模糊模型的自适应建模方法的有效性。     

基于粒子群优化的高维小波神经网络及其应用

本文提出一种粒子群优化小波神经网络的新方法.先采用基于梯度下降的误差反传算法调整小波神经网络参数,再使用粒子群算法修正,从而建立了粒子群优化的高维小波神经网络,并将该方法用于构建热连轧产品质量模型.仿真结果表明,此模型提高了预测精度和收敛速度.     

基于小波网络的非线性逼近方法

利用小波空间中函数的多分辨率分解思想,结合神经网络构造了一种多尺度正交小波网络模型,利用最小二乘法对网络参数进行确定,对非线性函数进行了逼近的仿真研究,与前向BP神经网络进行了仿真比较。结果表明,这种新的小波网络具有良好的函数逼近能力,收敛速度快且逼近精度高。     

基于改进差分进化算法的RBF神经网络优化方法

提出了一种新的RBF神经网络训练方法——改进差分进化算法,并用改进差分进化优化的神经网络对非线性系统进行逼近.采用改进差分进化算法对RBF神经网络的中心值、宽度和权值进行了优化.仿真实验结果表明,改进的差分进化算法具有比遗传算法更强的非线性系统逼近能力.     

基于RBF神经网络的复杂系统的建模与优化

针对BP神经网络算法在用于函数逼近时,存在着收敛速度慢、易陷入局部极小的不足,提出基于RBF(径向基函数,Radail Basis Function)神经网络的建模与优化方法,并以典型复杂系统联合制碱工业过程为例,利用神经网络算法的强大学习能力建立RBF神经网络模型,并进行优化研究。以联合制碱工业过程中的煅烧工段为例进行了仿真研究,仿真结果显示RBF神经网络的优越性,效果令人满意。     

一种基于神经网络的内模控制方法及其应用

根据具有非线性、强耦合、不确定性过程的控制需要，提出了一种基于神经网络的内模控制方法，该方法充分利用神经 自学习及非线性逼近能力，建立非线性、强耦合、不确定性过程的动态模型及逆模型，采用这种方法对冷轧过程中带材全局板形进行仿真实验控制，取得了理想的控制效果。     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。     

线性与非线性输出单元相结合的神经网络

从神经网络的连接方式着手，扩展从隐含层到输出层的连接，提出了一种新的神经网络连接结构，在此基础上推导出了相应的学习算法．并通过对奇偶问题、非线性函数逼近问题、模式分类问题等的仿真，验证了所提出方法的有效性．实验结果表明，通过适当地调整线性输出与非线性输出的比例，所提出的算法具有训练速度快和正确识别率高的双重优点．     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐。本文研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中。仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值。     

子波基神经网络及其建模

将神经网络与子波理论结合,构成新型的神经网络结构-子波基神经网络,不同于一般前向神经网络的是该网络的隐层单元的激活函数为不同尺度下的子波函数.该网络具有良好的逼近非线性的能力.本文将其应用于非线性系统建模.     

混沌RBF神经网络在电力负荷预测中的应用

混沌和RBF神经网络相结合的方法,可以充分利用混沌的随机性、初值敏感性等特点,也可以充分利用RBF神经网络的大规模并行处理、自组织自适应性等功能,因此,受到了许多研究者的青睐.研究了混沌RBF神经网络,利用RBF神经网络的学习、逼近能力,结合混沌时间序列的嵌入维数、时延等参数构造了混沌RBF神经网络,分别对典型混沌序列及混沌RBF神经网络的建模预测进行仿真,并将RBF神经网络应用于油田电力负荷预测中.仿真分析和实用结果表明,混沌RBF神经网络具有预测时间短、预测精度高等优点,具有较高的指导意义和应用价值.     

基于小波神经元网络模型的网损预测方法研究

提出了一种电力系统网损预测的新算法-小波神经元网络预测模型,它以非线性小波基为神经元函数,通过优化伸缩因子和平移因子确定对应务神经元的小波基函数,从而合成小波神经元网络,达到全局最优的拟合效果,克服了普通人工神经元网络学习速度慢、难以确定网络结构、存在局部极小点等方面的缺点,仿真结果表明,该方法准确,并可使学习速度大大提高。