发酵过程混合神经网络模型及其仿真

提出了一种新型的发酵过程混合神经网络模型，该模型由非线性神经网络和线性神经网络两部分组成，由于非线性神经网络采用结构具有线形式的Flat网络，两个网络能够合并为同一表达式，并具有线性形式，可采用线性最小二乘法求解网络权值，与串联结构及串并联结构混合神经网络模型相比，该模型训练方式简单，并可方便地使用在线辨识算法。     

基于PSO算法与AHP最小二乘模型对多属性决策问题权重求解

针对AHP分析法的一致性检验的不确定性,建立了最小二乘拟合的非线性优化模型,并结合使用PSO智能优化算法求解这一非线性优化问题,使求得的结果更加合理,得到的权重指标更加具有参考价值。在算法实例中运用上述模型对应急预案指标体系进行权重求解,结果证明该模型简明有效,PSO算法能够很好地求解这一问题。     

多目标合作博弈最小二乘预核仁与核仁解

在实际生活中,常常存在许多带有不对等的联盟和不止一个关联或无关目标的复杂博弈情景.对此,本文首先构建了带有与联盟、目标相关的综合权重的多目标合作博弈,并在此基础上提出含有关联目标与无关目标的混合多目标合作博弈最小二乘预核仁与核仁解求解模型.其次,我们将经典的合作博弈最小二乘预核仁求解方法与核仁解算法推广到多目标合作博弈中,利用拉格朗日乘子法与伪逆理论得到了多目标合作博弈的最小二乘预核仁的显性表达式与最小二乘核仁解算法,并通过凸函数的性质,重新证明了该算法的有效性.最后,利用水资源的数值算例,说明并验证了文中构建的模型的正确性与有效性,并通过对比可知所构建模型的优越性.     

模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机.传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能.同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题.利用 sinc 函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究.仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点.     

最小二乘支持向量机的预优共轭梯度法

针对Suyken等人提出的最小二乘支持向量机的共轭梯度法在输入样本的个数较大时,需要求解高阶线性方程组这一缺陷,提出了一种新算法。该算法利用分块矩阵的思想将该高阶线性方程组系数矩阵降阶,为了提高收敛速度,克服数值的不稳定性,采用条件预优共轭梯度法求解低阶的线性方程组。通过仿真试验证明用本文方法训练最小二乘支持向量机比共轭梯度法的训练速度提高了将近一倍。     

空间望远镜主镜面形静态控制方法

空间望远镜分块式主镜的面形由其背后布置的若干致动器进行高精度控制.为了提高面形控制精度,设计了基于主镜面形非线性模型的模型预测修正法和非线性最小二乘法.并应用BP神经网络建立了主镜面形和致动器作用力之间的逆模型,提出了神经网络非线性逆控制法.仿真结果表明应用这三种方法对空间望远镜进行在线控制,控制精度均优于线性最小二乘控制法.     

基于PLS方法和Kriging模型的多目标有效全局优化方法及应用

针对实际工程中参数过多导致的建模效率低、多目标相互冲突带来的求解困难及成本昂贵的仿真优化问题,提出了一种基于偏最小二乘法和Kriging模型的多目标有效全局优化方法.该方法首先通过偏最小二乘法进行降维,确定主成分;其次,利用偏最小二乘加权系数矩阵,获得自适应偏最小二乘高斯核函数,建立初始Kriging代理模型;然后,通过三种矩阵填充准则对多目标问题进行全局优化;最后,根据终止准则输出最优Pareto近似解集.数值算例结果表明,该算法建模效率提升的同时目标函数值收敛速度更快,在收敛精度及稳定性方面均具有优势.工程实例表明偏最小二乘变换后Kriging模型预测性能优于常规Kriging模型.     

一种新的小波网络快速学习混合策略

针对传统的小波网络梯度学习算法易于陷入局部极值、收敛速度慢且对初始参数很敏感的缺点,将全局性能优越的差异进化(DE)算法和最小二乘算法(LS)有机的结合起来,提出了一种新的快速学习混合策略。该混合学习算法思想是将待训练参数分为非线性和线性两类,利用差异进化算法对小波网络非参数进行全局优化训练,而最小二乘法用于快速训练网络连接权值。非线性函数逼近实验表明,小波网络逼近性能要远优于传统的BP神经网络,相对于使用随机梯度学习算法的小波网络,提出的混合学习算法收敛速度更快,且具有更小的均方差。     

基于神经网络的模糊综合评价方法

运用神经网络确定模糊综合评价中的权重值,使权重值更符合实际情况。采用改进的反向传播算法训练网络,逐步修正网络的连接权值,使模糊综合评价指标的权重值逐渐接近实际情况,得到较好的训练效率和效果。最后利用该方法对液压凿岩机进行性能评价,验证了该方法的正确性。     

水声信道多径时延估计的高分辨方法研究

为了解决传统的匹配滤波器方法估计实测信道时分辨率不足的困难，研究了高分辨多径时延估计方法。应用MODE算法求得多径时延估计的初值，再通过带惩罚函数的最小二乘法迭代求解时延和幅度估计的准确值。仿真表明，该方法的时延分辨率在20dB信噪比下达到了传统的匹配滤波器方法的4倍，实现了多径时延的高精度估计，解决了实测线性调频信号的信道估计问题。     

基于Davidon算法的神经元自适应控制器

通常的神经网络逆元自适应控制器存在两个缺陷 ,一是训练算法收敛过慢 ;二是无法控制非最小相位系统 ,因而限制了其使用范围。利用Davidon最小二乘法训练多层前馈网络 ,用于逼近被控对象的逆模型 ,并利用构造伪系统的方法 ,构成一种对非最小相位系统仍然有效的神经网络逆元自适应控制器。仿真结果表明了该方法的有效性     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

Super-resolution image reconstruction based on three-step-training neural networks

A new method of super-resolution image reconstruction is proposed, which uses a three-step-training error backpropagation neural network (BPNN) to realize the super-resolution reconstruction (SRR) of satellite image. The method is based on BPNN. First, three groups learning samples with different resolutions are obtained according to image observation model, and then vector mappings are respectively used to those three group learning samples to speed up the convergence of BPNN, at last, three times consecutive training are carried on the BPNN. Training samples used in each step are of higher resolution than those used in the previous steps, so the increasing weights store a great amount of information for SRR, and network performance and generalization ability are improved greatly. Simulation and generalization tests are carried on the well-trained three-step-training NN respectively, and the reconstruction results with higher resolution images verify the effectiveness and validity of this method.     

Neural Network inverse Adaptive Controller Based on Davidon Least Square

1.IWTaoDUCTIONInrecedeyears,therisingofneuralnetworkcolltrolsuppliesanovelandeffectivemeansforthecontrollingoftheplatwhichhasstrongnonlinearproperty.Thereillto,theneuralnetworkinversecoDtrollersucceededincolltrollingofrobotisasakindofAnportatcolltrolstructure.Battheinversecolltrolschemecannotbeusedincolltrollingofnon-~mumphasesystemduetothenon-stabilityofinversemodelofit.Inaddition,attheaspectofneuralnetworktrainalgorithm,thetraditionalbed-propagationalgoritlunconvergesveryslow.Thesefacto…     

基于变神经网络的非线性最小方差预测控制器

提出基于变神经网络学习动态系统参数的最小方差预测控制器。其目的是通过在线学习 ,使控制器(MVPC)能适应被控对象参数变化和非确定性。提出的变神经网络由两部分组成 ,一部分是线性神经网络 (LNN) ,作为被控对象局部线性动态模型 ,另一部分是多层交叉回归神经网络 (DRNN) ,它近似为非线性动态模型。由于引进递推最小方差算法 ,本控制器运算速度相当快。仿真结果表明所提方法对非线性系统自适应控制是有效的     

样条权函数神经网络的一种新型算法

针对前馈神经网络在数值插值领域的应用场合,提出了一种新型结构的神经网络及其训练算法。网络拓扑结构简单,网络训练所需的神经元个数与样本个数无关,可以简单地表示成输入、输出样本向量维数之积。算法只需训练1层权函数。训练后的权函数由三次样条函数构成,而不是传统方法(反向误差传播算法“BP”或径向基函数算法“RBF”)的常数。通过求解两组线性方程组,就可以确定具体三次样条权函数形式。不存在传统梯度下降类算法的局部极小、收敛速度慢、初值敏感性等问题。仿真实验说明此算法比传统算法(如BP、RBF)精度高、速度快。     

基于LS-SVM的机器人逆运动学建模

提出了基于最小二乘支持向量机的机器人逆运动学建模方法，阐述了基本设计思想和具体算法过程，与RBF神经网络相比，最小二乘向量机的优点在于其训练过程遵循结构风险最小化原则，不易发生过学习现象。它通过解一组线性方程组得到全局唯一最优解。其拓扑结构在训练结束时自动获得而不需要预先确定，通过对二自由度刚性机器人的仿真，结果验证了该方法的有效性和可行性。