一种新的过程神经网络训练算法及其应用(英文)

着重研究了基于离散数据的过程神经网络建模问题。考虑到来自现场的过程变量数据基本都是离散的采样数据,故先对离散采样数据进行预处理,然后采用离散Walsh变换法对数据进行转换,即将网络输入函数和权函数在Walsh基下映射为一组新的时变向量,将积分聚合运算简化为向量内积运算,实现离散采样数据对连续网络的直接输入。应用所建立的过程神经网络模型对发酵过程菌体浓度进行了预测,取得了较好的效果。     

一类特殊的离散Walsh-Haar变换的快速算法

利用Walsh-Haar矩阵HKRm＋1，的递归性以及Walsh序的离散Walsh变换的快速算法，提出了一类特殊的Walsh序的离散Walsh-Haar变换的快速算法．该变换的特殊性在于Walsh-Haar函数系与Haar函数系一样，其演化生成时的伸缩比均为R=2．采用对输入数据奇偶二分及对变换结果数据对半二分，如此对一个KR^m＋1点的数据经过m＋1步加上logK步二分以及若干次调序后，便得到变换结果．本设计方法可用于研究其他序的伸缩比为2的离散Walsh-Haar变换的快速算法．     

基于KPCA联合并联抑制神经网络变换的红外目标识别算法

为了提高红外目标的识别性能,提出了一种KPCA联合并联抑制神经网络变换.该联合神经网络变换集成了KPCA的 KHA学习机制与神经网络误差反传机制,使得KPCA与GSN分类器有机地结合起来,通过监督学习的方式引入类别信息,能够在实现数据有效降维的同时,优化主元特征的提取,从而提高算法的分类识别性能.针对典型红外军用车辆图像,采用联合算法与传统算法分别进行对比实验.实验结果表明,算法在优化特征同时,提高了目标识别性能.     

基于协同神经网络人脸信息联想记忆算法

根据序化动力系统模型(ODSM),通过KPCA分析实现数据降维和增加人脸模式的可分性,给出了一种基于协同神经网络和KPCA的人脸图像视觉信息联想记忆(VIAM)算法。实验结果表明本文给出的方案可以针对输入特征激励完成对输入模式的联想。     

基于RBF神经网络的线性混叠盲分离算法

提出一种RBF神经网络算法应用于线性混叠信号的盲分离。所用的RBF神经网络算法是从输入信号的数据中训练出中心值和宽度值，再训练通过用最大熵值的代价函数推导的权值。所用的代价函数保证了网络的输出尽可能独立，使信号能正确地分离。仿真验证了所用的算法能减少分离时间和提高分离效率。对比ME算法，该算法更好。     

基于离散过程神经网络页岩油气储层有机碳含量预测

受地层岩性变化影响,传统方法进行有机碳含量(TOC)拟合预测精度偏低。为提高TOC拟合精度,减小普通神经网络对连续信号的时间累积误差,提出一种极限学习离散过程神经网络的TOC拟合预测模型。模型用向量模拟过程式输入,内部通过抛物插值的数值积分完成离散样本的时域聚合。通过对离散过程神经元的结构分析,提出极限学习训练算法,在隐层相关参数随机赋值后,通过Moore-Penrose广义逆求解输出权值,模型学习速度快。最后将该方法应用于TOC拟合预测,利用相关性分析,选取对TOC响应最敏感的测井曲线作为模型的特征输入。与传统方法和其他神经网络对比,该方法的拟合精度较高,预测TOC与实测值有更好的相关性。     

基于核主成分分析与改进神经网络的电力负荷中期预测模型

为了提高电力负荷中期预测水平,提出了1种核主成分分析(KPCA)和粒子群优化反向传播神经网络(PSO-BPNN)相结合的电力负荷中期预测模型。引入KPCA对原始输入空间降维重构,将降维后的数据集输入PSO算法优化的BPNN模型中,提出了月平均最大预测负荷修正日预测负荷的方法,输出待预测日的最大预测负荷。采用欧洲智能技术网络提供的负荷数据进行验证,实验结果的平均绝对百分误差为1.39%。     

二维空间的离散W变换

利用一维离散Walsh变换的性质与结果,定义了二维离散Walsh变换及二维Walsh变换的逻辑卷积,证明了二元W系的完整性,给出二维Walsh变换的基本运算性质及二维Walsh变换下1≤p≤2时的Hausdorff-Young不等式。     

基于CNN和NSCT的零水印算法

提出一种基于细胞神经网络(CNN)和非抽样Contourlet变换(NSCT)的零水印算法。首先对原始载体图像进行非抽样Contourlet变换,获得其图像的低频逼近子带;然后对水印信息进行置乱,将其与图像的低频逼近子带一起输入CNN网络,得到注册图像。水印检测时可以利用尺度不变特征变换(SIFT)进行几何校正。实验结果表明,该方法可以获得较好的检测精度;同时对于加噪、滤波、JPEG压缩、剪切攻击也具有很好的鲁棒性。由于细胞神经网络对图像处理的并行性与可由硬件实现的特点,该算法可应用于实时性要求较高的场合。     

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.