基于BP神经网络的刀片切割竹枝性能研究

为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系。试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善。同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势。在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测。在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值。

前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

神经网络在电力负荷预测中的应用

在短期负荷预测过程中,引起负荷变动的因素与负荷之间的非线性映射关系是造成预测结果与实际结果之间存在偏差的原因之一。神经网络具有很强的非线性映射能力和自学习能力。为提高短期负荷预测的精度,基于神经网络的研究方法,设计了预测网络。该网络以洋山深水港东港路10 kV开关站中沈家湾的日负荷数据为样本,对采集电量进行了预处理;然后对其隐层个数及节点个数进行了分析设计;最后对短期日负荷进行预测。对比结果表明,预测值与实际值吻合较好。

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.

BP神经网络隐含层节点数确定方法研究

在BP神经网络的众多参数中,隐含层节点数是其中一个非常重要的参数,它的设置对BP神经网络的性能影响很大,而且是导致"过拟合"现象的直接原因。目前理论上还不存在一种科学普遍的用于确定隐含层节点数的方法,应用时只是凭借设计者以往的经验以及借助多次实验进行确定,因此无法高效地获得隐含层节点数。针对BP神经网络隐含层节点数的确定问题,提出一种"三分法"算法,用于快速确定BP神经网络的隐含层节点数的最优解。在Wine-data数据集上,通过Matlab仿真实验验证了"三分法"算法比传统方法获取隐含层节点数的效率提高了1.8倍,是一种行之有效的方法。

ELM算法中随机映射作用的实验研究

通过实验研究ELM算法中随机映射的作用及神经网络中隐含层结点个数对网络泛化能力的影响。在35个数据集上进行实验,针对不同的数据集,找到网络的最优精度所对应的隐含层结点个数。实验结果表明,当随机映射使数据升维到一定维数时,网络性能得到提高。

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

基于和声搜索算法的极限学习机网络优化

极限学习机(ELM)因其运算速度快、误差小等优点而得到广泛的应用,但由于随机给定输入权值和阈值可能导致隐含层节点无效,因此,ELM通常需要增加隐含层节点数来提高预测精度,从而导致网络泛化能力不佳。为了解决上述问题,提出一种和声搜索算法的极限学习机网络(HS-ELM),采用和声搜索算法不断调整ELM输入权值和隐含层阈值矩阵选取最优以达到优化网络的目的。最后通过两种复杂度不同的非线性函数拟合加以验证。结果表明,传统ELM网络平均预测误差为0.31×10-3%和1.6%,HS-ELM的平均预测误差为0.01×10-3%和0.4%。证明和声搜索算法优化后的ELM网络在同等情况下所需的隐含层节点数和预测精度均优于传统ELM网络的。

一种Fibonacci优化理论的改进ELM分类方法

作为一种单隐层前馈神经网络,极限学习机(Extreme Learning Machine:ELM)相比传统神经网络算法具有模型简单、泛化能力好、学习速度快等优点,在大规模基因芯片技术的应用中为基因表达数据的肿瘤诊断提供了新的途径,是交叉科学领域新的突破.针对极限学习机随机确定权值,以及其算法存在大量隐层的神经元个数导致算法性能不稳定、分类精度不理想等问题,采用基于优化理论中的Fibonacci序列对ELM隐层节点与偏置进行改进,提出了一种基于Fibonacci优化理论的ELM分类方法(F-ELM).将改进分类方法应用到Hepatitis和Bridges数据集上,实验结果表明,基于Fibonacci优化理论的ELM分类方法性能得到提升,并相对传统的SVM算法、BP和Bayes算法的分类精度较高.

隐层节点数经验公式在水库调度规则提取中的应用效果评价

隐层节点数是确定人工神经网络模型结构的重要参数,但目前尚无通用的确定方法。以水库中长期优化调度规则提取为例,选择了四种典型的隐层节点数经验确定公式,将合格率、确定性系数、平均绝对误差、指标综合占优数等作为评价指标,以全年、汛期、非汛期为统计时段,评价了各经验公式对四项评价指标的拟合和检验效果,并进行了摄动分析。结果表明,Lippmann R P公式应用效果、适应性及稳定性均较好,更适合建立水库优化调度规则提取模型。

权值可直接算出的Legendre神经网络之隐节点数自动确定

隐神经元数目的确定在神经网络学习过程中有着重要的意义.然而,目前,还没有相应的确定性理论指导隐神经元数的设计.针对Legendre前向神经网络,在基于伪逆的权值直接确定法的基础上构造出一种神经网络隐节点数自动确定的算法.仿真结果显示该隐节点数自动确定算法能较快地找到最简化结构Legendre前向神经网络的隐节点数.

RBF网络隐含层节点的优化

RBF神经网络隐含层节点数的确定一直以来是该网络设计成败的关键所在,文中采用K-means自组织聚类方法为隐含层节点的径向基函数确定合适的数据中心,先给出一个初始值,再慢慢调整,通过实验数据来确定最佳隐含层节点数。结果表明,如果隐含层设计得当,RBF网络可以很好地解决函数接近问题。

基于小波神经网络的穆棱河作物生育期径流预测

为提高研究精度,在基本的小波神经网络基础上改变隐含层节点数选取方法,降低基本方法随机性和盲目性。将改进的小波网络与人工神经网络进行对比分析。结果表明,小波神经网络改进方法更适合穆棱河流域径流预测。

工业软测量模型结构与输入变量选择的研究

针对过程工业中难以直接测量的变量建立其软测量模型,对于实现关键指标的在线监测和实时控制具有十分重要的意义。变量的选择直接关系到神经网络软测量模型的预测性能,针对现有输入变量和网络结构选择方法在工业应用中的不足,提出了一种基于敏感度分析的方法来确定网络输入变量集和前馈神经网络隐含层节点个数,并建立了高密度聚乙烯(HDPE)产品质量指标熔融指数(M I)软测量模型,以实际工业应用验证了该方法的有效性。

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。

基于极限学习机的海洋环境中3C钢腐蚀速度预测

为了准确预测海洋环境下钢材的腐蚀速度,基于极限学习机的思想建立了腐蚀速度预测模型。将极限学习机的思想引入海洋环境3C钢腐蚀速度预测中,基于3C钢在不同海水环境因素下的腐蚀速率试验数据,建立了极限学习机模型并预测了不同海水环境下3C钢的腐蚀速度,分析了隐含层节点数对预测结果的影响,探讨了极限学习机模型与多元线性回归模型预测结果的差异。结果表明:极限学习机的预测结果与试验结果吻合程度较好,平均相对误差可控制在2%以内,其预测精度高于多元线性回归模型;隐含层节点数对预测结果具有较大影响,当隐含层节点数增加时,预测所得的平均相对误差出现了先降低后升高的变化趋势;极限学习机在学习速度和泛化能力方面具有较强的优势,可将其应用于海洋环境下3C钢腐蚀速度的预测中。

神经网络预测改性海绵铁除氧效果的研究

为实现改性海绵铁填充床除氧过程的自动化控制,研究了人工神经网络对改性海绵铁填充床除氧过程模拟仿真的可行性,采用误差反向传播网络(BP网络)建立了进水流量、改性海绵铁填充高度与溶解氧去除率之间关系的动态模型,并对不同的训练样本归一化方法和训练方法进行比较。结果表明,在网络隐含层层数为1、节点数为7时,采用归一化方法 1和有动态修正的训练方法能够较好地预测填充床对溶解氧的去除率,该模型可用于改性海绵铁填充床除氧过程的动态描述。

粒子群算法优化神经网络结构的研究

针对BP神经网络初始权阈值确定的随机性和隐含层节点数的不确定性,通过利用十进制粒子群优化算法(DePSO)和二进制粒子群优化算法(BiPSO),同时优化神经网络的初始权阈值和结构。通过粒子群优化算法首先确定一个较好的搜索空间,然后在这个解空间里利用BP算法对网络进行训练和学习,搜索出最优解。通过函数拟合数值实验对该模型来进行训练和测试,相比其他算法,该模型可以获得较高的预测精度,结果表明该方法是可行的。

一种新的基于Agent的神经网络隐层节点数的优化算法

本文提出了一种新的基于Agent的神经网络隐层结构的优化算法(OHA)。该方法包括两个部分,分别由RLAgent和NNAgent合作完成。RLAgent根据强化学习算法找到一个比当前节点数更优的解,并反馈给NNAgent。NNAgent据此构建相应的网络,并采用分层训练的算法对该网络进行优化,训练结果再发给RLAgent。在多次循环后,OHA算法就可以找到一个训练误差最小的全局最优解(权值及隐层节点数)。本文讨论了有关的算法、测试和结果分析。Iris数据集和危险评估数据集的测试结果表明,算法避免了盲目搜索造成的计算开销,明显改善了优化性能。

基于CS-GRU模型的短期负荷预测方法研究

针对门控循环单元(GRU)神经网络进行电力负荷预测时,其超参数选取困难等问题,提出一种布谷鸟搜索(CS)算法和GRU相结合的预测方法。研究发现,GRU的预测精度与超参数的设定有关,通过CS算法寻优GRU的超参数,包括迭代次数、学习率和隐含层节点数,节省了超参数选取时间,进一步提高了GRU的预测精度。最后,以河南某地区实例数据为例,在Python的TensorFlow框架下验证了预测方法的有效性。