基于单隐层神经网络的空天飞行器鲁棒自适应轨迹线性化控制

研究了一种新的空天飞行器鲁棒自适应轨迹线性化飞行控制系统设计方案。利用单隐层神经网络的逼近能力在线估计系统中存在的不确定性,神经网络输出用以抵消不确定性对轨迹线性化方法控制性能的影响。鲁棒自适应控制器用以克服逼近误差,并使闭环系统具有更好的性能。严格的理论证明表明,给定的自适应调节律能够保证闭环系统跟踪误差最终收敛至任意小紧集。空天飞行器高超声速飞行条件下的仿真结果表明,即使在很恶劣的条件下,新方法仍然表现出很好的响应性能。

Orlicz空间中的单隐层神经网络逼近

本文研究了Orlicz空间中的单隐层神经网络逼近问题,以单隐层神经网络为工具,借助最佳多项式逼近,以构造性的方法研究了单隐层神经网络对Orlicz空间内函数的逼近问题以及稠密性问题.

单隐层感知机神经网络对权扰动的敏感性计算

为使MLP神经网络对权扰动的敏感性计算算法更符合实际需求,提出一个不依赖隐层向量相互独立假设的敏感性计算算法。该算法通过自底向上依次计算单个神经元和单个层的敏感性来获得整个网络的敏感性,并采用数值计算方法给出敏感性的数学表达式。以UCI数据集为基础,验证该算法的计算精度,结果表明该算法得到的敏感性理论值能较好地逼近敏感性的模拟值。

单隐层神经网络输入权值的新算法

针对传统极端学习机输入权值与隐层阈值随机设定的问题,提出了输出值反向分配算法,其在传统极端学习机的基础上,通过优化方法得到最优输出值分配系数,并利用最小二乘法确定网络输入参数。将该算法应用到常用数据集进行实验,并与其他极端学习机改进算法进行比较,显示其具有良好的学习以及泛化能力,能够得到简单的网络结构,证明了算法的有效性。

基于单隐层前馈神经网络的合金裂纹诊断技术

给出一种基于单隐层前馈神经网络的合金裂纹诊断技术。首先,建立一个具有单隐层结构的输入输出模型来表示合金裂纹增长过程。然后,利用超限学习机对网络进行训练,即在合适的范围内随机给定网络的内权,对外权则通过最小二乘法来进行全局优化,从而实现对合金裂纹增长的诊断和预测。

单隐层神经网络与最佳多项式逼近

研究单隐层神经网络逼近问题．以最佳多项式逼近为度量,用构造性方法估计单隐层神经网络逼近连续函数的速度．所获结果表明:对定义在紧集上的任何连续函数,均可以构造一个单隐层神经网络逼近该函数,并且其逼近速度不超过该函数的最佳多项式逼近的二倍．

针对小样本数据集的鲁棒单隐层前馈网络建模方法

单隐层前馈神经网络是应用最广泛的智能建模模型之一,但该模型面对小样本集时传统的学习算法易陷入过拟合,尤其当数据集包含较大噪音时学习模型鲁棒性较差,对噪音很敏感,针对此不足,提出一种针对小样本数据集的鲁棒单隐层前馈神经网络学习算法,所提出的算法由于引入了ε-不敏感学习度量和结构风险项,能有效克服传统学习算法存在的缺陷,显示出较好的鲁棒性,在模拟和真实数据集上的实验亦证实了上述优点。

一种新颖的径向基函数(RBF)网络学习算法

以提高RBF网络泛化能力为着眼点 ,提出了一种新型的网络结构自适应学习算法 .该算法采用衰减聚类半径的聚类算法来确定初始的隐层结构 ,然后通过调整包含样本类别信息的扩展聚类不纯度来修正隐层结构 ,直至满足所有扩展聚类不纯度均小于等于不纯度均值以及所有扩展聚类方差均不超过方差均值这两个条件 .这样就确定了隐层的最终结构 .在确定隐层结构之后 ,采用反向传播算法来训练隐层与输出层之间的连接权重 .经双螺旋线问题仿真试验验证 ,该算法确实具有较强的泛化能力 .

高超音速飞机鲁棒自适应控制的研究

由于高超音速飞机自身特有的结构以及飞行时所处的复杂条件,其高度非线性的数学模型往往很难获知,即便是建立的某种数学模型也是极为不准确的,因此许多传统的控制方法已经不再适用。所提出来的高超音速飞机鲁棒自适应控制,依靠在线调参的单隐层神经元来逼近其不确定的数学模型,使得整个控制过程对模型的依赖程度大大降低,除此之外,该控制方法还具有非线性解耦的能力,最后通过对某种高超音速飞机的仿真分析,验证了该方法的控制效用及强鲁棒性能。

基函数网络逼近:进展与展望

从神经网络、统计估计、逼近论、调和分析等角度研究了多变量目标函数的逼近问题 ,评述了这些工具的逼近效率和能力 ,同时研究和评述了脊波 (Ridgelet)的发展现状及应用前景 。

变结构神经网络

针对神经网络结构、性能不佳的普通状况 ,本文提出变结构的神经网络 .先后研究了神经网络单隐层和多隐层的变化情况 .

基于BP神经网络的商业银行信用风险识别实证分析

本文采用上市公司未按时偿还贷款的比率(即贷款不良率)作为衡量信用风险高低的标准,结合独立样本t检验和主成份分析法,构造基于BP神经网络技术的商业银行信用风险识别模型。实证分析结果表明,单隐层BP神经网络模型对商业银行信用风险具有很强的识别能力,可以达到记忆能力和泛化能力兼容的最佳水平,但模型预测和推广能力还有待改善,所以在最终判定企业信用风险时必须结合其他定量和定性分析方法。本文研究结论也证明了单隐层模型要比双隐层模型优越,证实了双隐层无助于提高预测准确率的Lippm定理在中国的成立。

前馈网络的一种高精度鲁棒在线贯序学习算法

基于离散傅里叶变换-极限学习机(DFT-ELM)提出了一种新的单隐层前馈神经网络在线贯序学习算法,命名为"在线贯序-离散傅里叶变换-极限学习机"(OS-DFT-ELM).该算法能够逐个或逐段学习数据,随着新数据的逐渐到达,单隐层前馈神经网络的内权矩阵和外权矩阵得到逐步调整.该算法与在线贯序-极限学习机(OS-ELM)相比,具有更高的精度和鲁棒性.同时,通过实验和分析,表明OS-DFT-ELM具有优良性能.

一类折线模糊神经网络的存在性

应用折线模糊值函数的表示定理和Weierstrass第一逼近定理构造了一个三层折线模糊神经网络,并借助折线模糊数的优良性质证明了折线模糊神经网络对连续折线模糊值函数具有泛逼近性.

基于ELM和PCA的汉语数字语音识别研究

针对传统BP网络在语音识别应用中存在训练时间长,容易陷入局部极小值等问题,建立了一种基于ELM的语音识别系统。ELM是一种快速的单隐层前馈神经网络(SLFN)训练算法,将该算法与单隐层BP网络进行实验比较。实验中对提取的特征矩阵采用主成分分析(PCA)算法进行降维,该算法有效地提取了语音信号的主要成分。实验结果表明:在训练时间上,ELM明显优于BP算法;在识别率上,ELM优于BP算法。

基于KELM的连续搅拌反应釜模型辨识

极限学习机(Extreme learning machine,ELM)是一种单隐层前馈神经网络(SLFNs),它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR),提出一种基于核极限学习机(Extreme Learning Machine with Kernels,KELM)的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络(FNN)、GAP-RBF、MGAP-RBF神经网络、回声状态网络(ESN)、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。

类别不平衡的通信基站空调故障诊断

为提高通信基站空调故障诊断的准确率,特别是小类样本故障的识别率,本文针对类别不平衡的数据集提出一种单隐层前馈多标签分类算法SLF-CIB.首先在特征空间的低秩假设上构建单隐层前馈神经网络.其次,在最小化误差损失阶段引入非对称阶式损失函数替代平方误差损失函数,通过截断参数和边界参数动态改善类别不平衡问题.根据SLF-CIB模型在训练过程的每一轮迭代的凸特性,应用交替方向乘子方法进行优化.测试过程中多标签输出层可提供故障源偏序向量为软故障的早期排查提供多维度的参考.在UCI标准数据集和通信基站空调数据集上的实验表明,SLF-CIB算法有效地提高了故障诊断精度特别是少数类的识别率.

一种基于广义逆的机器学习新方法

针对常规的前馈神经网络因采用梯度下降法进行参数学习而容易陷入局部极小值,且由于算法的局限性,其网络的推广性能较差,容易出现过学习现象的问题,提出了一种新的单隐层前馈神经网络(SLFNs)学习算法。该算法对于输入层权值采用随机数生成,对于输出层权值由算法最优生成,因而能从理论上保证网络结构具有最好的推广特性和最小的经验风险。回归估计和分类试验表明了其优越性。

基于ELM的机器人自适应跟踪控制

针对刚性臂机器人系统,提出基于极限学习机(ELM)的两种自适应神经控制算法。极限学习机随机选择单隐层前馈神经网络(SLFNs)的隐层节点及其参数,仅调整其网络的输出权值,以极快的学习速度可获得良好的推广性。在自适应控制算法中,ELM逼近系统的未知非线性函数,附加的鲁棒控制项补偿系统的逼近误差。ELM神经控制器的参数自适应调整律及鲁棒控制项由Lyapunov稳定性理论分析得出,所设计的两种控制算法均不依赖于初始条件的约束且放松对参数有界的要求,同时保证闭环系统跟踪误差满足全局稳定而且渐近收敛于零。将所提出的ELM控制器应用于二连杆刚性臂机器人跟踪控制实例中,并与现有的径向基函数(RBF)神经网络自适应控制算法进行比较,仿真结果表明,在同等条件下,ELM控制器具有良好的跟踪控制性能,显示出其有效性和应用潜力。