|
|||||
|
|
| 一种抑制残差污染的补偿型自联想神经网络 | |
| 摘 要： | 针对常规自联想神经网络容易陷入残差污染而难以准确重构的问题,提出了一种新的补偿型自联想神经网络算法.该算法通过在常规自联想神经网络的测试过程中引入网络补偿层,建立了网络输入层与残差空间之间的调整机制,并采用梯度下降法快速获取目标变量的残差补偿幅值.给出了单变量和多变量残差补偿量计算流程,通过比较补偿后平方预测误差(SPE)统计量的大小来确定最佳补偿方向和补偿幅值,从而定位到异常点位置,并计算出模型重构值.通过仿真算例和工程算例验证了所提算法的有效性,算例结果表明,该算法能够在未知异常点位置的情况下,有效克服大幅度异常和多点并行异常造成的残差污染影响,其诊断和重构性能明显优于常规自联想神经网络和主成分分析算法. |
| 本文献已被 CNKI 等数据库收录！ | |