敏感型人工神经网络及其在水文预报中的应用

为充分挖掘资料信息、加快收敛速度,采用一种具有敏感功能的神经网络预报模型。该模型在构造时序样本时引入遗忘因子和期望因子,以体现对前期资料的遗忘和近期预测的期望。在权值调整过程中采用指数型能量函数,以加快网络的学习收敛速度。应用实例证明:该方法可以提高当前的预测精度,并避免网络学习过程中的振荡现象。

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。

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。

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。

函数连接型神经网络在老年痴呆症诊断中的应用

函数连接型神经网络是一种新型的单层网络。应用函数连接型网络成功地实现了根据人体头发中微量元素的含量对老年痴呆症的诊断，表明该种网格性能良好，预测精度高。它为疾病的诊断提供了一种新的途径。

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。

基于函数连接型神经网络的热电偶非线性校正

针对目前常用的查表和最小二乘等传统非线性校正方法的不足,提出了解决热电偶非线性校正问题的函数连接型神经网络算法。利用传感器的原始数据,得到输入、输出样本对,训练神经网络得到动态修正模型。实际结果表明:这种智能测温方法比传统的测温方法在系统测量速度和精度方面均有很大提高。该方法可应用于很多系统的非线性校正。

基于函数连接型神经网络的非线性滤波

提出了一种基于函数连接型神经网络(FLNN)的非线性滤波解决方案,比较了线性滤波器和FLNN神经网络在非线性滤波中的性能差异。应用MATLAB针对伴有随机噪声的信号进行了仿真滤波试验,证明了该理论的可行性。

双层BP人工神经网络连接权值的性质

从理论上分析和探讨具有Ｓ型连结函数的双层ＢＰ网络连接权值和阈值的性质，并进行实例验证，本文有助于神经网络内部行为的研究。

人工神经网络用于锕系离子An^(3+)水解常数pK_1预测研究

A set of parameters such as ionic radi i,electronegativity,base state L v alues,and periodic factors,defined in this work,were used to nonlinearly c orrelate hydrolysis constants p K1of the lanthanide and actinide metal ions(Ln3?and An 3?￡(c)with the functional￡-link net￡¨FLN￡(c)￡(r)Training the functional￡-link net￡¨FLN￡(c)with a group mix stylebooks make up of 13Ln3? and 4An3?,10An 3?p K 1 were predicted by FLN￡(r)

人工神经网络用于Ln^(3+)的萃合及协萃体系稳定常数的关联和预测

研究了影响 Ln3+离子的萃合及协萃合物稳定性的有关因素。以 L n3+离子的半径、电负性、4f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+的 HTTA萃合物 ,HTTA- P35 0协萃合物及HTTA- TPB协萃合物的稳定常数分别进行非线性关联和预测 。

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。

改进人工神经网络方法在天然气产量预测中的应用

将改进的人工神经网络方法应用到油气田产量预测中,并与传统预测方法进行比较,结果表明该方法的精度和可靠性较高,为油气田开发方案的合理编制提供了科学依据。

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.

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.

用函数型神经网络计算配网的线损

提出了用函数型连接的神经网络计算配网线损的实用方法，将配电线路的特征参数映射到维数更高的空间，只用单层神经网络就可以拟合线损与特征参数之间的关系，算例表明，该算法远优于回归分析线损算法，也比用Ｂｐ神经网络算法简单准确，有利于实际应用。

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。