新型“成长”函数型连接网络预报模型及应用

对于具有生物“成长”历程的系统 ,提出一类新的“成长”函数型连接神经网络预报模型和递推Gauss-Newton学习算法。这种新型网络和学习算法 ,具有学习训练速度较快 ,预报精度高的特点 ,在油田产量预报问题中得到成功的应用。这表明本文方法的有效性。

函数连接型网络应用于维生素B族四组分同时测定

报道了函数连接型网络（ＦＬＮ）用于维生素Ｂ族四组分同时测定。采用相关系数和标准偏差从原始紫外光谱数据中挑选１１ 个波长点供网络处理。在函数连接型网络中，非线性输入模式得到了增强， 并使用了推广的δ学习规则。预测结果极好， 其相关系数和标准偏差分别为０．９９９０４ 和０．２６８８５。

基于函数型连接神经网络的发输电系统可靠性评估研究

发输电系统可靠性评估的枚举法需要大量的计算时间。为减少可靠性评估的计算量,特提出一种用于识别偶发事件的函数型连接神经刚络(FLNN)分类模型。根据潮流计算特点,构造了一种能够计及有功且能够计及电压和无 功影响的简化潮流模型来快速计算行为指标(PI),形成FLNN分类器输入模式集。将FLNN分类模型和简化潮流模型相结合,提出了一种基于偶发事件筛选的函数型连接神经例络(FLNN)可靠性评估方法。用该方法对IEEE-RTS79测试系统进行计算,结果验证了该方法的正确性和有效性,同时表明了该方法在保证精度的前提下减少了计算时间,在目前情况下改进计算方法来提高计算精度比计及高阶事件的影响来提高计算精度更为有效。

切比雪夫函数型连接神经网络在信道均衡中的应用

本文提出一种基于切比雪夫函数型连接神经网络(CFLNN)的信道均衡方法。传统的前馈神经网络虽然能有效地解决信道均衡的问题,但具有计算复杂度过高,收敛速度慢等缺点。函数型连接神经网络通过对输入模式进行非线性扩展,可以不必使用隐层而不降低整体性能,从而极大简化了网络结构。同时,神经网络的学习方法得以简化,提高了收敛速度。本文采用可变尺度共扼梯度下降法(SCG)对该函数型连接网络进行训练。仿真结果表明了用切比雪夫函数型连接神经网络解决信道均衡问题的有效性。

基于函数型连接神经网络的瓦斯传感器非线性校正

通过对载体催化瓦斯传感器检测原理的分析,指出瓦斯体积分数与瓦斯传感器输出电压之间呈非线性关系,提出了应用函数型连接神经网络的强非线性逼近能力,且不依赖确定的数学模型的优点,建立非线性校正模型,消除瓦斯检测中的非线性误差。网络仿真结果与分段线性拟合曲线的比较表明:这种非线性校正模型结构简单、收敛速度快、逼近精度高。

一种复值函数型连接神经网络

本文提出了一种复值函数型连接神经网络(CFLNN)结构,可以对复数域信号进行快速处理。函数型连接神经网络通过对输入模式预先进行非线性扩展,增强了输入信号的模式表达,从而可以大为简化网络结构,降低计算复杂度。本文将函数型连接神经网络推广到了复值情况并给出了基于梯度下降的学习方法。计算复杂度分析显示本方法具有结构简单,计算量低的优点。最后,将本方法运用到对复值非线性系统的辩识问题中,仿真实验表明本CFLNN性能与传统复值前馈神经网络相近或更优。

函数型连接神经网络偶发事件分类器设计

偶发事件分析是电力系统安全分析和可靠性计算中的关键问题,需要大量的计算时间。为了有效地减少大电力系统开断模拟的计算工作量,提出一种用于识别偶发事件的函数型连接神经网络(FLNN)分类模型和算法。为获取事故后的系统状态信息,用相对于故障前系统状态的变化量反映事件的行为特征,设计了一组行为指标(PI),构造出神经网络分类器。讨论了各种行为指标及其组合对分类器的不同影响,指出支路功率行为指标是较好的行为指标。通过对IEEE-RTS24试验系统进行的分类计算表明,该分类器不仅网络结构和学习算法简单,而且提高了计算速度和精度。

油藏系统函数型连接神经网络辨识方法

为实现油田生产管理和决策的现代化,使地层参数估值具有全局最优性,在研究油井井底压力分布的描述和有关地层参数辨识问题的基础上,提出了一种由二阶学习算法与GA(Genetic A lgorithm)构成的新型混合遗传算法,并给出一种新型神经网络。该网络把级数中的函数看成非线性神经元,建立油藏系统的函数型连接人工神经网络模型。由系统辨识理论中的F检验法确定网络模型的结构参数n,用二阶学习算法和新型GA交替辨识网络模型的权系数v和地层参数θ。应用表明,采用上述方法建模精度高,模型的平均相对误差在1%以内,并能求出地层参数的全局最优估值。

油藏系统函数型连接神经网络辨识方法研究

一些油藏系统的偏微分方程模型,经过变换能化为非线性函数项级数,级数的每一项均为地层参数θ的复杂非线性函数.地层参数是试井解释的依据,因而要求其估值应具有全局最优性,又因上述函数为多峰函数,在极值点处关于θ的变化很敏感,使问题更为困难,现有迭代法均未奏效.为了解决了这个问题,提出了一种新型混合遗传算法.实际应用表明,用上述方法建模具有很高的精确度,模糊的平均相对误差在1%以内,并且能求出地层参数的全局最优估值.

非线性动态传感器系统的H模型神经网络辨识

针对非线性动态传感器模型辨识问题,提出一种新的Hammerstein模型神经网络结构辨识法。非线性动态传感器系统采用Hammerstein模型描述,将系统分解为非线性静态增益串接线性动态环节。再设计一种网络权系数对应于相应的Hammerstein模型参数的新型神经网络结构,推导了基于反向传播的网络权系数调整方法。通过网络迭代训练同时得到静态与动态两个环节的模型参数。最后通过一个H模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法是有效的。

基于神经网络的加速度传感器动态模型参数辨识

提出了利用函数连接型人工神经网络(FLANN)实现加速度传感器动态模型参数辨识的方法,该方法以加速度传感器动态标定实验数据为基础,通过FLANN训练来确定加速度传感器传递函数参数,文中介绍了辨识原理以及算法,给出了利用FLANN辨识的加速度传感器动态数学模型.结果表明,这种辨识方法具有精度高、鲁棒性好等优点.

单刚矩阵计算用神经网络结构的实验确定

提出将BP网络与函数型网络相结合用于有限元单元刚度矩阵的实时计算 ,给出了网络结构的设计依据 ;对不同阶数输入向量的网络的收敛速度进行了对比分析 。

镧系金属离子Ln^(3+)定量构效关系的神经网络研究

以 Ln3+ 离子的半径、电负性、 4 f电子排布周期因子 q(本文自定义 )以及基态 L值等为参数 ,使用函数连接型神经网络 ( FLN)对 Ln3+离子的 EDTA等络合常数 lg K、水化能 ΔH、水解常数 p K1 及氢氧化物溶解度 p Km 分别进行非线性关联和预测 ,获得了非常好的结果 .与对应的线性模型比较表明 。

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点 ,并对将遗传算法用于函数连接型神经网络 (FLNN)的优点进行了研究 .对遗传算法的编码方法、交换和变异操作做了改进 ,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法 .该方法不依赖于传感器的动态模型 ,可根据传感器的动态响应数据 ,建立补偿模型 ,采用改进遗传神经网络搜索和优化补偿模型参数 ,既保留了遗传算法的全局搜索能力 ,又具有神经网络的鲁棒性和自学习能力 .介绍补偿原理及算法 ,给出动态补偿网络的数学模型 .结果表明 ,该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷 ,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高。

非线性动态传感器系统Hammerstein神经网络补偿法

针对传感器动态特性中存在非线性的问题,提出一种基于Hammerstein传感器模型的非线性动态神经网络补偿法。先将补偿模型分解为与Hammerstein模型对应的线性动态与非线性静态2个环节;再设计一种新型的神经网络结构,使网络权系数对应于相应的Hammerstein补偿模型参数,并推导反向传播的网络权系数调整方法;最后通过网络迭代训练,求得补偿模型的线性动态与非线性静态两个环节。仿真与实际实验结果均表明该传感器非线性动态补偿方法使传感器具有理想的输入输出特性。

基于遗传神经网络的机器人腕力传感器动态建模与补偿方法

介绍用于MotomamV3X机器人上的新型多维腕力传感器,比较遗传算法与人工神经网络的特点,将遗传算法的交叉和变异操作进行改进,提出一种融合改进遗传算法(Genetic algorithm,GA)的函数连接型人工神经网络(Functional link artificial neural network FLANN),并将其用于所介绍的新型机器人腕力传感器动态建模与动态性能补偿中。介绍动态建模与动态补偿原理及改进遗传神经网络算法,给出该传感器的动态模型和动态补偿模型。该方法利用腕力传感器的动态标定数据,采用改进遗传神经网络搜索和优化模型参数,保留了遗传算法的全局搜索能力和FLANN结构简单,鲁棒性好,且具备自学习能力的特点,克服了FLANN容易陷入局部极小的缺陷,具有快的网络训练速度及高的动态建模精度。理论分析和试验结果都证实了所提出的动态建模与动态补偿方法的有效性。

基于神经网络的速度传感器幅频特性改进

为了降低磁电式振动速度传感器的下限测量频率,以实现超低频振动速度测量,提出改进其幅频特性的函数连接型人工神经网络(FLANN)方法。该方法以磁电式振动速度传感器动态试验数据为基础,通过FLANN训练来确定传感器动态补偿网络,以改善它的幅频特性。介绍了原理和FLANN权值调整的算法,给出用FLANN建立的磁电式振动速度传感器动态补偿网络的数学模型。结果表明:这种幅频特性的改进方法具有精度高、鲁棒性好,并能在线修正等优点,在工程测试领域有重要的实用价值。

基于人工神经网络的数字式涡流传感器建模方法

为了解决数字式涡流传感器的非线性问题,介绍了利用函数连接型神经网络进行建模的原理以及神经网络权值调整的算法。从实测数据出发,建立了数字式涡流传感器的数学模型。结果表明,这种模型误差小、精度高、有良好的鲁棒性以及可在线标定等优点,比最小二乘法更具有实际意义,在测控系统中有广泛的应用前景。

神经网络方法用于镧系离子结构/氟化物、氢氧化物溶度积关联研究

用函数连接型神经网络（FLN）方法，以Ln3＋离子的半径、电负性、4f电子数及周期因子q（本文自定义）为参数，对调系氟化物LnF3和氢氧化物Ln（OH）3的溶度积进行非线性建模，取得了满意的结果．同时给出了两个系列目前尚缺的值，

基于一种NW-FLNN神经网络的短期电价预测

针对传统神经网络收敛速度慢、容易陷入局部极值的问题,文中提出一种改进型小波神经网络以实现网络全局最优化。首先,将小波神经网络与随机矢量函数连接型网络相融合构建一种新型小波链神经网络( NW-FLNN);其次,以小波基函数作为NW-FLNN的隐含层的传递函数,并利用梯度修正法训练该模型各参数;最后,选用澳大利亚新南威尔士州电价数据作为实验数据集,分别对 NW-FLNN神经网络、逆传播 B P神经网络与小波神经网络进行预测性能比较。实验结果表明:该新型网络预测模型较B P神经网络与小波神经网络性能更优,可明显减少网络迭代次数与隐层神经元数目,且平均百分比误差最大降低至0. 0317,满足实时性要求。