基于时—频分析的步态模式自动分类

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时--频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性.     

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数（RBF）网络和前向两层线性基本函数（LBF0网络的发类机理及其结构与初始参数优化确定方法,提出了Guassian核函数的中心和宽度应通过学习自动确定,在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数,并根据新增核函数对测试集的作用自动删除多余核函数的观点,从理论上阐明了采用Sigmoid活化函数的两层LBF网络的分类阈值为0．5,进而提出了由两层RBF网络和两层LBF网络组成的前向RBF神经网络－－IRBF神经网络。     

基于粒子群优化的过程神经网络学习算法

基于粒子群优化为过程神经元网络提出了一种新的学习算法。新算法在对网络输入函数和连接权函数进行正交基函数展开后,将网络中的结构参数和其他参数整合成一个粒子,再用粒子群优化算法进行全局优化。新算法不依赖于函数梯度信息,不需要手动调节网络结构。粒子群优化具有良好的全局优化性能和收敛性能,保证了过程神经元网络的全局学习能力和新学习算法的收敛能力,更好地发挥过程神经网络的逼近性能。两个实际预测问题的实验结果表明,基于粒子群优化的学习算法比现有的基于梯度的基函数展开方法以及误差反传神经网络模型具有更好的预测精度。     

改进的RBF神经网络模式分类方法应用研究

经典的Bayes分类方法一般需要事先对样本的分布特性作出假设,当假设模型与样本实际分布情况不相符时,就难以得到较高的分类精度。当处理同类别多区域样本分布问题,例如变标签问题时,距离判别、Fisher判别、k－近邻分类、分段线性分类等统计分析方法遇到困难。双螺旋问题不仅使统计方法受到挑战,更使人们对一般前向多层神经网络的能力提出疑问。本文提出了改进的RBF神经网络结构、核函数个数、位置与宽度优化算法。该算法的计算复杂性与一般前向三层LBF网络所用的误差反传算大致相同。核函数生成既考虑了训练集样本自身的类别因素,又考虑了错分样本与邻近类别的关系。一个核函数的最终保留与否根据其对提高测试集分类正确率的贡献大小来决定。同时实验验证了两层LBF网络对提高改进的RBF网络分类正确率的极端重要性。大量应用实例表明,与前向三层RBF网络和前向三层LBF网络相比,该IRBF网络具有收敛速度快、分类精度高、易于得到最小结构、在学习过程中不易陷入局部极小点等优点,有利于实现实时分析。     

基于RBF神经网络的Web分类挖掘研究

根据Web文档分类与人工神经网络理论，设计了一个Web分类挖掘系统。针对BP网络分类器的不足，提出了用径向基函数神经网络对Web页面中的文本信息进行分类的方法。实验初步证明，用径向基函数进行分类比BP算法构造的神经网络更具准确性，有效地提高了分类的正确率。     

基于改进粒子群算法的过程神经网络训练

针对过程神经元网络由于模型参数较多,正交基展开后的BP算法不易收敛的问题,结合量子理论,提出一种改进的粒子群算法,并用于过程神经元网络的训练。算法中粒子采用双链结构,用量子位的概率幅对粒子位置编码,通过量子旋转门和量子非门完成粒子的更新与变异,可发挥量子粒子群的群体搜索能力和全局收敛性,有效克服BP算法计算复杂、容易陷入局部最小值等缺陷。以两组二维三角函数的模式分类问题为例,验证算法有效性。结果表明该方法不仅收敛速度快,而且寻优能力强。     

基于过程神经网络的短期负荷预测

针对目前常用方法在解决负荷预测问题时,结果往往难以达到工程要求精度的现状,利用过程神经网络输入为时间函数以及预测精度高的特点,建立了基于过程神经网络的电力系统短期负荷预测模型;给出了模型的结构,基于函数正交基展开的离散数据拟合方法以及模型的学习算法.针对东北某地区电网的日负荷数据,进行了模型训练和负荷预测正确性的研究.结果表明,所建立的预测模型对负荷的预测准确率高,优于BP神经网络负荷预测模型的预测结果.     

基于Chebyshev神经网络的衍生算法

根据辨识对象,神经网络的输入层和输出层神经元的个数易于确定,而隐层数和隐层神经元个数难以确定.借助于生物的生长发育知识,在正交基函数神经网络的基础上提出衍生算法,该算法的基本思想是先选取较少个数的隐层神经元作为初始发育细胞,训练K次后,如果目标函数J不再变化且大于给定的ε,则网络自动衍生,以上过程反复进行,直至J小于等于ε,则停止衍生和训练.仿真实验表明,该算法在训练过程中改善了收敛速度,并自动调整网络的拓扑结构,解决了隐含神经元个数难以确定的问题且具有优良的逼进任意非线性特性的能力.图2,表2,参7.     

ELM-RBF神经网络的智能优化策略

提出了ELM-RBF(extreme learning machine-radial basis function)神经网络的智能优化方法,采用差分进化算法和粒子群优化算法来确定ELM-RBF神经网络中隐层神经元的中心和宽度。仿真结果表明,在具有相同的网络结构前提下,基于智能优化策略的ELM-RBF神经网络学习算法具有更好的泛化能力和较好的鲁棒性。     

基于PCA的概率神经网络模式分类方法

研究了概率神经网络隐单元主要分量的选取方法。这些方法的概率神经网络比原来的网络大大降低了隐单元数，并且带来分类测试时间减少的增益。最后，就模拟和实测两组数据进行了计算机仿真，实验结果证实了这种方法的可行性。     

过程神经元网络的理论研究与仿真

过程神经元网络是一种适合于处理过程式信号输入的网络,其基本单元是过程神经元——一种新的神经元模型.过程神经元和传统神经元既存在本质区别,又有着紧密的联系,前者可用后者以任意精度无限逼近.文中首先介绍了过程神经元及其网络模型;然后,给出了过程神经元的两个逼近定理及其证明——时域特征扩展模型和正交分解特征扩展模型.基于第二个定理,给出了数值输出型过程神经网络的相关推论.针对模拟信号的仿真实验表明,过程神经网络对白噪声具有很好的抑制作用.最后,针对过程神经网络面临的主要问题进行讨论,指出了一些具有前景的研究方向.     

基于MPSO-RBF神经网络的切向刚度研究

为了能更快速、准确地计算在多影响因素下的机械结合面切向刚度,采用改进的粒子群算法优化径向基神经网络参数,实现了两个算法的有机结合。考虑结合面的材质、表面加工方法、表面粗糙度、结合面面压、介质等影响结合面切向刚度的因素,以实验参数作为样本,利用建立的模型进行了结合面切向刚度仿真,并对仿真结果与实验结果进行了对比分析。分析结果表明,模型预测精度可达92%以上。     

基于过程神经网络与气动热力参数的航空发动机状态监视

采用前馈过程神经网络方法预测发动机排气温度，讨论了网络输入输出参数的选择问题，基于正交基函数简化了前馈过程神经网络的聚合运算，提出了从前馈过程神经网络向传统前馈神经网络网络模型的转化方法，基于传统前馈神经网络先验知识给出了学习算法，进行了网络训练及仿真，取得了满意的结果。     

基于神经网络的复杂过程系统模型辨识

针对复杂生产过程中的一阶和二阶液位系统,利用MATLAB软件的神经网络工具箱,分别应用BP和径向基两种神经网络模型进行系统辨识,得到系统模型．通过结果比较,得出两种神经网络的应用特点：对于一阶非线性液位过程,径向基神经网络创建的数学模型性能较好;对于二阶线性液位过程,BP神经网络的建模效果较好;尽管BP神经网络的模型训练过程有学习收敛慢、局部最小点、层数和单元数不易确定的缺点,但其函数逼近的精确度对二阶线性的辨识具有独特优势．     

基于量子粒子群-径向基神经网络模型的风速预测

风速预测对风电场和电力系统的运行都具有重要意义.为了提高风速预测的精度,提出了一种基于量子粒子群-径向基神经网络模型,在确定网络隐含层节点数后,将RBF网络的参数编码成优化算法中的粒子个体进行优化,在全局空间搜索最优适应值的参数.用优化后的神经网络进行风速预测,实例结果表明该算法在预测速度和精度上都得到了提高.