特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。

基于模糊自适应变权重算法的采场冒顶函数链神经网络预报

为提高采场声发射事件率预报精度,将采场声发射事件率不同的单个预测模型的预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,对采场声发射事件率进行基于模糊自适应变权重算法的函数链神经网络预测,对其预测结果再进行函数链神经网络算法拟合,然后结合采场冒顶尖点突变模型的判别式对采场冒顶进行预报。某铅锌矿采场冒顶预报结果表明,基于模糊自适应变权重算法的函数链神经网络预测方法的预测误差小于0.3%,可实现采场冒顶精确预报。

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入管道煤气相对湿度修正,并采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行拟合,得到基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而大大简化管道煤气流量计量软件,在流量计设计范围内实现管道煤气流量实时在线计量。实际应用结果表明,该计量系统测量管道煤气流量误差小于0.7%。

基于函数链神经网络的模型构造及控制

通过对热驱动部件的理论分析,确定参数待定的热驱动部件数学模型。针对现有数学模型中多阶指数函数拟合算法的复杂性,提出一种基于函数链神经网络(FLANN)的多阶指数函数逐级递推式拟合算法。根据不同时间常数的指数函数具有不同平衡时间的特点,采用基于FLANN一阶指数函数拟合算法,逐步确定多阶指数函数对应项的待定参数,建立热驱动部件的数学模型。应用多模控制和模糊切换策略,对具有大进给力的纳米级驱动部件进行控制,试验表明系统具有快速响应和高精度,并实现了平稳过渡,证明了基于FLANN的算法构建的控制模型具有精度高、收敛性好以及简单实用等优点。

直接驱动机器人的函数链神经网络-PD复合控制

为了实现直接驱动机器人精密控制,研究了直接驱动机器人的函数链神经网络-PD(FLNN-PD)控制问题。首先,对机器人动力学模型及FLNN的函数逼近特性进行分析;然后为机器人构建双闭环控制系统,推导出系统的误差动力学方程及不确定性动力学函数;引入FLNN逼近不确定性函数并为系统规划出FLNN-PD控制律;最后进行了仿真控制实验。结果显示,该控制器可使系统转角误差和角速度误差控制在±0.002rad和±0.1rad/s之内,且其对系统的参数变化及外部扰动具有较强的自适应性和鲁棒性。

基于函数链神经网络的车用发动机气缸压力数据采集系统

为了提高车用发动机运行过程经济性,利用函数链神经网络对曲轴转角值所对应的气缸压力数据进行了拟合,得到了基于函数链神经网络的车用发动机气缸压力数据采集系统.应用结果表明,该气缸压力数据采集系统能有效地消除采集数据时各种干扰的存在,使得采集到的数据偏离其真实数值的程度较小.这对于改善车用发动机的燃烧状况,提高经济性能具有重要的意义.

一种利用函数链神经网络的传感器建模新方法

讨论基于函数链神经网络 (FLNN)的传感器建模新方法 ,其结构简单、使用灵活、建模容易 ,易于实时硬件实现。两个算例说明网络的训练和非线性逼近方法 ,显示出网络的自适应能力、学习能力 ,基于FLNN的传感器模型可同时实现温度补偿和非线性校正。实际上 ,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化 ,在测控系统中具有良好的应用前景。

函数链神经网络在打印机非线性校正中的应用

为了实现激光打印机非线性的自动校正,使用函数链神经网络对其非线性进行估计。研究了函数链神经网络的阶数和学习因子对其收敛性的影响。由于激光打印机的非线性非常严重,采用分段处理法,并根据收敛情况自动调整学习因子的大小。通过对比多组实验结果可知,函数链神经网络的收敛精度和速度都得到了显著提高。应用到激光打印机的非线性校正中,取得了很好的效果。

基于函数链神经网络的传感器建模

现代测控系统对传感器的精度和工作条件提出了很高的要求.为此,人们不得不采取一些中间补偿和修正措施,实现抗干扰、线性化,以提高传感器和系统的性能.讨论基于函数链神经网络(FLNN)的传感器建模新方法,其精度提高,结构简单、使用灵活、建模容易,易于实时硬件实现.两个算例说明网络的训练和非线性逼近方法,显示出网络的自适应能力、学习能力,基于FLNN的传感器模型可同时实现温度补偿和非线性校正.实际上,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化,在测控系统中具有良好的应用前景.

一种基于小波型函数链神经网络的竞争学习模型的设计与应用

神经网络模式分类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“赢者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络模式分类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,本文采用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了基于小波型函数链神经网络的竞争学习模型,充分利用小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适用性强等特点。

基于函数链神经网络的磁化曲线拟合方法

为了用简捷的方法实现高精度的磁化曲线拟合,并简化拟合公式以便于在电磁场分析计算的使用,提出了函数链神经网络进行磁化曲线拟合的方法。首先给出了函数链神经网络用于磁化曲线拟合的原理,分析了这种算法的特点;然后给出了一个具体的拟合算法实例,探讨了神经网络参数对于学习过程及拟合结果的影响;最后给出了拟合结果,证明了该算法拟合过程方便,拟合函数明晰,同时拟合精度能够满足工程应用的需要。

函数链神经网络的GA辅助训练方法

本文提出了将遗传算法(GA)和 δ 规则相结合,来调整一种无隐层的前向网络神经网络-函数链神经网络的参数及结构的方法,并将提出的算法用于 2bit 异或和曲面拟和问题,实验结果良好。

应用函数链神经网络测量管道内壁缺陷尺寸

基于图像测量管道内壁缺陷尺寸时,图像上单位像素所代表的实际尺寸与很多因素有关,如摄像机的内部、外部参数以及摄像机到管壁的距离等,是一个复杂的非线性关系。在摄像机参数固定的条件下,采用函数链神经网络来逼近图像上单位像素所代表的实际尺寸与管道内径之间的非线性关系,进而实现了无需标定摄像机参数的管道内壁缺陷尺寸测量。实验结果表明,这种方法具有易于实现、误差小等特点。

基于函数链神经网络的深度分类器

目前的宽度学习系统(Broad learning system,BLS)通过所建立的一系列映射节点和增强节点来形成联合节点。因为联合节点与输出层的线性连接,网络权值可以用求解伪逆的方法快速求得,避免了耗时的训练过程,从而成为快速而高效的学习方法。然而在追求高精度结果的过程中,BLS对于增强节点数量的需求过于巨大,容易造成过拟合问题。为此,本文提出了基于函数链神经网络(Functional⁃link neural network,FLNN)的深度分类器(FLNN based deep classifier,FLNNDC),旨在提供一种更加简单却又不失精度的BLS变体结构。FLNNDC将几个轻量级的BLS子系统堆积成栈式结构,每一个轻量级的BLS子系统随机选择一部分映射节点生成增强节点,而不是全部映射节点。和原宽度结构相比,在几个主流数据集上的实验结果表明本文所提出的FLNNDC分类器具有网络结构更小且学习速度更快的优势。

函数链神经网络在移动人体身高测量中的应用

利用视频测量移动人体的身高时,人体图像上单位像素所代表的实际高度与很多因素有关,如摄像机的内部、外部参数以及人体到摄像机的距离等,是1个非常复杂的非线性关系。为了避免标定摄像机参数,提出利用函数链神经网络来逼近这种关系。让已知身高的人在视场中走过,通过视频图像处理得到1组训练样本。利用训练样本对函数链神经网络进行训练,之后即可用来实时地测量移动人体的身高。实验结果表明,该方法不仅易于实现,而且具有较高的精度。

用于电磁兼容预测的函数链神经网络

为了解决传统BP神经网络的电磁兼容性预测方法存在易于局部收敛的问题,提出了一种基于模糊测度的函数链神经网络。该网络通过函数链将初始权重扩展到更高维度上,在实现传统BP网络多层感知的功能同时,计算过程仅为单层运算,因以收敛速度比多层的BP神经网络更快,解决了网络在解决非线性问题时,收敛于局部最小的问题。实验结果表明,提出的基于模糊测度的函数链神经网络在预测电磁兼容性方面更加精确。

遗传算法和函数链神经网络算法综合解释评价油气层

针对单独应用遗传算法和函数链神经网络算法的局限性,综合2种算法,以达到优势互补、解释评价油气层的目的。借助录井及相关地质资料,通过函数链神经网络的结构优化和遗传算法权值学习相结合求解,并对链上各元素结果综合运算,建立了油气层解释模型,从而改善了函数链神经网络学习,优化了网络结构设计及分析。3种算法的应用结果分析对比表明,综合应用的解释符合率比其他2种单一算法高很多,从而证明该方法的有效性,实现了快速、有效判断油气水层的目的。

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入了管道煤气相对湿度修正,并对采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行了拟合,得到了基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而可以大大简化管道煤气流量计量软件,在流量计设计范围内可以快速准确地实现管道煤气流量实时在线计量。实际应用结果表明:该计量系统测量管道煤气流量误差为±0.7%。

基于函数链神经网络的智能传感器非线性校正方法

针对温度传感元件输出的非线性特性,文章建立了智能传感器数据采集的非线性校正模型,利用函数链神经网络的非线性映射特性快速求取反非线性函数参数,实现了温度校准模型的精确拟合,给出了利用函数链神经网络进行参数计算的方法和步骤,通过气象科学中广泛使用的铂电阻温度元件实验验证了算法的有效性,校正精度达到0.1%。