基于ESN神经网络的光通信网络安全态势辨识研究

光通信网络在传输信息时,很容易被非法攻击,发生信息窃取、篡改和删除等泄露行为。针对上述问题,为保证光通信网络安全,提出一种基于ESN神经网络的光通信网络安全态势辨识方法。该方法采用NetFlow技术设计采集器,采集NetFlow流量数据,并实施离散化处理。将NetFlow流量数据转换为流量灰度图像,并借助灰度共生矩阵提取图像特征,包括像素灰度分布的均匀程度、图像包含的信息量、图像的视觉清晰度、灰度共生矩阵元素排列的相似程度、图像局部灰度均匀性,作为NetFlow流量数据的特征。以5项特征为输入,利用ESN神经网络构建辨识模型,得出光通信网络安全态势类型。结果表明:与基于卷积神经网络的识别方法、基于贝叶斯的识别方法以及基于随机配置网络的识别方法相比,所研究方法应用下的杰卡德系数更高,说明该方法辨识准确性更高。

基于改进乌鸦算法和ESN神经网络的短期风电功率预测

精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。为了克服传统的神经网络在参数选取中容易受主观因素影响和陷入局部最优的不足,提出一种基于改进乌鸦算法(ICSA)优化回声状态神经网络(ESN)参数的短期风电功率组合预测方法。在算法寻优初期引入Lévy飞行机制增强搜索效率,而在迭代后期加入高斯函数,对进化后的全部轨迹进行相应的调整,保证算法的全局寻优和逐次逼近能力;通过改进的CSA算法对ESN神经网络输出层连接权值矩阵进行优化以提高网络的训练效率。最后利用两组实验数据对预测模型进行了有效性验证,结果表明,所提算法能有效应对风电功率时序的随机性和不确定性特征,具有更高的建模精度和更快的收敛速度。

基于主元分析的转炉终点ESN静态预测模型

以主元分析方法和新型ESN(回声状态网络)算法为核心,研究了转炉终点静态预测模型。通过对某钢厂转炉生产数据的主元分析,建立了ESN模型,同时将ESN模型与传统的BP和RBF神经网络模型进行了对比研究。结果表明,使用ESN建立的模型比传统的BP网络模型和RBF网络模型,在钢水温度预测方面精度分别提高了0.85%和0.45%,在钢水碳质量分数预测方面精度分别提高了0.45%和0.19%,能够有效的对转炉终点碳含量和温度进行预测,从而为转炉炼钢过程提供更准确的操作指导。

基于ESN和改进RBFNN的城市燃气负荷预测

城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容.针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文提出一种ESN和改进RBF神经网络的组合预测模型.首先用核Fisher线性判别对原始数据进行降维,其次用ESN模型进行初步预测,然后将ESN的预测结果作为RBF神经网络的输入来构建组合模型,并将差分进化算法和梯度下降算法结合,对RBF神经网络的结构和参数同时进行训练和优化,以增强算法的局部搜索能力,加快收敛速度.实验结果表明,本文模型比原组合模型的预测精度更高.

ESN网络在机器人轨迹跟踪控制中的应用

为了研究具有模型不确定性的机器人操作手的轨迹跟踪控制,采用一种新的递归神经网络——回声状态网络(ESN)设计了动态控制器。采用PID控制器补偿ESN网络的逆建模误差,并在网络训练过程中加入白噪声项,以保证动态系统的稳定性。最后针对两关节机械手的轨迹跟踪控制问题进行了数值仿真,仿真结果表明了该方法的有效性。

一种有效的储备池在线稀疏学习算法

为克服传统储备池方法缺乏良好在线学习算法的问题,同时考虑到储备池本身存在的不适定问题,本文提出一种储备池在线稀疏学习算法,对储备池目标函数施加L1正则化约束,并采用截断梯度算法在线近似求解.所提算法在对储备池输出权值进行在线调整的同时,可对储备池输出权值的稀疏性进行有效控制,有效保证了网络的泛化性能.理论分析和仿真实例证明所提算法的有效性.

基于概率回声状态网络的混合路面识别方法

针对混合路面识别问题,提出一种基于概率回声状态网络(PESN)的辨识方法。首先将M分类问题分解成M(M-1)/2个二分类问题,利用Sigmoid函数将回声状态网络(ESN)的数值输出映射为概率输出,然后采用成对耦合法融合ESN的二分类概率,最终提取待识别路面功率谱特征,求解其分属于不同等级路面的概率。试验结果表明,PESN能够有效地识别出混合路面成分及相应比重,从而证明了PESN在混合路面识别中的有效性。

基于Kalman滤波的储备池多元时间序列在线预报器

针对多元非线性时间序列,结合回声状态网络和Kalman滤波提出一种新的在线自适应预报方法.该方法将Kalman滤波应用于回声状态网络储备池高维状态空间中,直接对网络的输出权值进行在线更新,省去了传统递归网络扩展Kalman滤波中Jacobian矩阵的计算,在提高预测精度的同时令算法的适用范围得到扩展.在回声状态网络稳定时给出所提算法的收敛性证明.仿真实例验证了所提方法的有效性.

基于回声状态网络的开关磁阻电动机转子位置估计

针对传统神经网络用于开关磁阻电动机转子位置间接检测时存在网络结构确定困难和训练过程过于复杂的问题,将利用回声状态网络来实现转子位置检测。这种新型的网络利用储备池和线性回归算法简化了网络设计和训练过程,使得模型具有良好的收敛速度和实用性。利用离线获取的磁特性数据建立的转子位置预测模型,与基于BP和RBF神经网络的预测模型相比,在保证良好预测精度的前提下,具有计算简单,收敛速度快等优势。实验结果表明该模型可以快速准确地实现转子位置检测,为开关磁阻电动机的转子位置检测提供了一种新方法。

基于回声状态网络的PM_(2.5)预测研究

设计了基于ESN(Echo State Network,ESN)神经网络的PM2.5时均值预测方法,并讨论了基于偏最小二乘回归的数据选择方式。在仿真实验中,通过与径向基函数(Radial Basis Function,RBF)神经网络和反向传播(Back Propagation,BP)神经网络方法比较,验证了基于ESN神经网络模型预测的可行性。实验结果表明,与径向基神经网络和反向传播神经网络方法比较,基于ESN神经网络预测模型能较好预测PM2.5时均值变化趋势,且得到较好的预测结果。

面向匹配决策问题的漏整合神经元稀疏ESN网络

为了对匹配决策问题进行建模与预测,提出了一种具有更多神经生理学特征的稀疏回声状态网络(ESN),并基于在线监督学习方法对网络进行训练.为了评估网络的匹配决策性能,设计了三组测试数据集对网络性能进行测试,并提出了一种基于网络期望输出与实际输出序列最大相关系数的评价方法.仿真结果表明,新模型只需要较少的训练时间即可获得较好的决策性能,且对发放时间间隔、平移和网络噪声具有较好的鲁棒性.

基于遗传算法LS-SVM直接逆模型的闭环脑机接口单关节控制

脑机接口系统通过大脑—计算机接口技术和控制理论的组合来弥补由于肌体的受损部分而造成的信息缺失.本研究基于心理生理皮质神经元放电率电路模型,在脑机接口控制理论分析的基础上进行自发单关节运动任务,采用自适应ESN(echo state network)设计非线性解码器,并引入FORCE(First Order Reduced and Contrdled Error learning)算法更新网络输出权值,通过仿真有无自然本体反馈信息情况下的解码器的性能来验证所设计的解码器的有效性.最后,通过基于遗传算法LS-SVM(least squares support vector machine)的直接逆模型框架,设计近似大脑皮层感觉区神经元放电率的最佳人工本体反馈去刺激大脑皮层感觉区神经元.仿真结果发现,所设计的闭环脑机接口(BMI)系统框架能够很好地恢复在线自发单关节自然运动任务性能,这也为当系统模型未知时,根据对象的输入输出数据恢复闭环系统的性能提供了新的研究思路.