连续小波神经网络优化结构研究

通过仿真实验发现凭经验选取小波神经网络隐层小波基,所得结构并不最优.为此,本文将遗传算法与小波神经网络结合起来进行研究.利用遗传算法来优化小波神经网络的结构,确定小波基的个数,采用BP算法来训练小波神经网络中的伸缩因子、平移因子和连接权值.仿真结果表明,该方法能准确搜索到最优结构,是切实可行的.     

提高BP网络学习速度的自适应算法

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文首先对前人所做的改善BP网络学习速度的方法进行了探讨,其次分析了学习率对BP网络学习速度的影响,最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和动量因子.计算结果表明,该方法大大地提高了收敛速度,而且算法简单、易行.     

基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长，Levenberg-Marquardt优化方法对基本的BP神经网络进行改进，以提高学习速度，改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联，能够自适应地调整阈值，即根据训练数据调整关联的门限值，与确定门限的属性关联算法相比，有着很高的关联正确率。     

带一类自适应非线性特性的变步长BP学习算法

针对前馈神经网络的反向传播(BP)学习算法收敛速度慢、易陷入局部最小等缺点,本文提出了在BP搜索进入误差代价函数曲率较小、收敛速度较慢处时,在变步长BP学习算法的基础上,引入一个非线性特性项,并将该特性项的强度系数构造为具有升温、降温策略控制的自适应非线性函数.仿真结果表明,该算法的收敛稳定、快速,具有较好的效果.     

基于小波神经网络的惯导初始对准系统

论述了小波分析和神经网络在惯性导航系统初始对准中的重要作用,给出了惯导系统初始对准的线性和非线性模型.基于小波变换,运用小波神经网络对目前该问题进行了仿真研究.仿真结果表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,近似精度高,而且网络规模比BP、RBF等神经网络规模要小,计算量少,收敛速度快.     

多分辨正交多小波网络的结构与算法研究

小波网络是函数逼近的有力工具。利用多小波函数和多尺度函数的互补性,构造了一种具有分层、多分辨和局部学习特点的正交多小波神经网络。分析了该网络用于函数逼近时的性质,讨论了其结构并在此基础上给出了调整网络权系数的算法。理论分析和GHM多小波网络及db2单小波网络对几种非线性函数的仿真结果都表明,当函数具有一定的光滑性时,正交多小波神经网络的逼近性能优于正交单小波神经网络。     

一种基于自适应小波网络的非线性控制设计

针对含有未建模动态的非线性系统,结合非线性动态逆和小波网络提出了一种新的非线性控制方法。根据小波网络的逼近特性,利用具有在线学习能力的单隐层小波网络来补偿动态逆的误差,建立了基于自适应小波网络的控制结构,用李雅普洛夫函数导出了小波网络权值的自适应调整規则。通过自适应调节,使控制系统能对受控对象及时地作出反应。最后分析了小波网络的结构和输入。     

递归神经网络学习速率研究

针对典型的对角递归神经网络,推导出递归神经网络稳定条件下网络输出层、隐含层及关联层学习速率的具体取值范围。提出设计者可通过从具体系统中获得的数据确定网络各层学习速率的上、下界数值,确定自适应学习速率的初值与调节方法,并可选取最优学习速率。因而该法具有很强的可操作性和实用性。还给出一个具体数值实例,说明自适应学习速率与最佳学习速率的调整过程。     

基于曲率信息的改进BP算法及其在FNN中的应用

针对步长选取影响误差反向传播(BP,Back Propagation)算法优化效率问题,提出一种基于曲率信息的步长优化BP算法,并将其应用到了模糊神经网络(FNN)的训练过程中。参考牛顿法的思想,根据代价函数的梯度及梯度方向上的曲率信息来确定模型参数调整的方向和幅度。仅需考虑梯度方向上的二阶信息,因此不需要存储和处理Hessian矩阵。通过一个数值仿真和高炉炼铁过程数据建模实验,验证了方法的有效性及训练效率。     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

基于MAPSO算法的小波神经网络训练方法研究

为提高小波神经网络(Wavelet Neural Network,WNN)的建模质量,针对标准粒子群(Particle Swarm Optimization,PSO)算法优化WNN存在的早熟和局部收敛问题,提出一种基于多粒子信息共享(Multi-particle information share)和自适应惯性权重(Adaptive inertia weight)策略的PSO方法(MAPSO)用于WNN训练。多粒子信息共享采用多粒子信息来修正各粒子下一次的行动策略,以降低粒子陷入局部最优的可能性;惯性权重自适应调整根据群体早熟收敛程度,按个体适应度自适应调整惯性权重,以使陷入局部最优粒子跳出。同时,给出了算法实现的基本流程。仿真结果表明MAPSO算法既具有PSO算法的简捷性,又能够提高WNN学习速度和精度及全局搜索能力,是小波网络的有效训练方法。     

基于多值编码的混合遗传算法的小波神经网络优化

采用多值编码方式构造染色体结构，对小波神经网络的结构和参数进行编码，可以同时确定小波神经网络结构和优化网络参数，简化了问题的求解过程。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。仿真表明，利用该算法训练小波神经网络，能使网络具有简单的结构形式，较快的收敛速度，较高的逼近精度和较强的泛化能力。     

基于小波神经网络的自适应逆控制及其应用

神经网络控制特别适用于具有非线性和不确定性因素的系统。采用小波神经网络(WNN)对飞行仿真转台的直流伺服系统进行实时辨识,得到其逆模型。然后将这一训练后的网络作为前馈控制器与常规反馈控制器结合构成并行自适应逆控制器,控制转台跟踪指定的速度和位置轨线。仿真结果表明该方法的有效性。     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

气动人工肌肉的模糊小波神经网络控制

针对一种应用于医疗机器人领域的三自由度人工肌肉的非线性特性，结合模糊理论与小波神经网络，提出一种模糊小波神经网络控制器对人工肌肉驱动器进行控制。利用模糊小波神经网络的学习能力，采用梯度法搜寻控制器的最优参数。将采用模糊小波神经网络控制器与采用小波神经网络控制器及模糊神经网络控制器的控制系统仿真结果进行比较。仿真结果说明模糊小波神经网络控制器有效地改善了驱动器的静动态特性，具有更快的训练速度和更好的控制效果，是一种理想的气动人工肌肉控制方法。     

IaaS模式“云训练”资源预测调度方法

基础设施即服务(infrastructure as a service, IaaS)模式“云训练”是基于IaaS云计算提出的武器装备系统模拟训练的模式,根据用户需求对训练资源进行预测调度是提高训练效果的重要保证。分析了“云训练”中用户任务、资源需求特点,采用阈值法进行预处理,通过动态权值系综模型得到预处理结果。在此基础上,提出基于减法模糊聚类的模糊神经网络的资源需求预测方法(subtractive fuzzy clustering based fuzzy neural network, SFCFNN), 并引入自适应学习率和动量项以提升收敛速度和稳定性。调度器根据预测结果实现用户需求与资源之间的动态匹配。实验表明该方法可精确预测用户资源需求,实现资源动态调度,有效提高资源利用率与训练效果。     

基于小波神经网络的胎号识别算法研究

针对人工神经网络的特点,对传统BP算法进行了改进。采用小波神经网络方法,有效克服了传统BP算法在实际应用中学习收敛速度慢和容易出现局部极小点的缺点。以轮胎胎号字符识别为例,分别用投影法和Hu不变距方法进行特征提取,并将所提取的特征用作神经网络输入层的神经元。将所设计的小波神经网络经训练后用于胎号的识别。仿真结果表明,小波神经网络在字符识别方面是一个十分有效的方法。     

多模型自适应控制算法的性能分析

多模型自适应控制利用多个元素模型覆盖被控对象的不确定性,并针对这多个元素模型建立多个稳定的控制器。每一个采样时刻,基于一个以模型输出误差为变量的具有积分特点的指标切换函数,选择描述被控对象最优的元素模型,并将基于此模型的控制器切换为当前被控对象的控制器。研究如何调整多模型自适应控制器的结构和参数,提高控制品质,为多模型自适应控制器的应用和进一步研究提供理论基础。     

大数据中面向乱序数据的改进型BP算法

针对大数据中的乱序数据缺少关联规则的问题，提出了一种动态调整的改进型BP 算法，运用了动态自适应结构调整机制，根据环境要求自适应调整网络训练结构，自动删除无效训练神经元，优化迭代训练过程；并在网络学习过程中动态调整网络参数中的三因子，即动量因子、权学习指数、阈学习指数，来达到加快学习响应速度、增强网络稳定性的目的. 仿真结果表明，通过动态自适应调整结构、动态调整三因子的改进型算法，能够获得更多的收敛次数，并能有效地提高收敛率，进而提高整体网络性能.