隐马尔可夫模型的一种有区分力的反向传播训练方法

研究隐马尔可夫模型 (HMM)的一种有区分力的训练方法 .在多层前向神经网络的框架中实现了 HMM的前向概率计算 .基于这一框架 ,利用偏导数的反向传播计算方法 ,通过梯度上升的优化过程来实现互信息的最大化 ,从而对 HMM进行有区分力的训练 .这一训练方法被称之为 HMM的反向传播训练方法 .此外 ,还设计了一个用以实现这一训练方法的在数值计算上具有强鲁棒性的算法 .语音识别的实验结果证实了这一训练方法的优越性 .

基于深度信念网络的供电可靠率预测模型

供电可靠率是供电服务水平的重要指标之一。提出了基于相关性分析和深度信念网络的供电可靠率预测模型。首先利用Pearson系数选取停电次数、最大负荷和用户电费均价系数作为输入特征集。然后将特征集输入到所建立的深度信念网络中,采用逐层无监督训练方法和反向传播训练方法对模型进行参数优化,通过该模型进行供电可靠率预测。最后将所提出的模型与传统人工神经网络、支持向量回归和差分整合移动平均自回归进行比较,结果验证了文章提出的供电可靠率预测模型的有效性。

气体火焰燃烧状态在线识别和预测

建立了一套可以识别和预测不同燃烧状态的实验系统。该系统维持空气流量稳定,通过调节液化石油气流量,得到稳定燃烧、脱火和扩散燃烧等典型的燃烧状态。利用视频采集卡在线采集火焰图像,图像识别程序分析出火焰的位置形状以及强度等特征信息,然后采用附加动量项与可变学习率的误差反向传播训练算法(BP)网络根据这些特征信息进行燃烧状态识别,最后预测程序根据识别结果对下一时刻的燃烧状态进行预测。实验结果表明:该系统可以准确地在线识别火焰燃烧状态,并能预测随后的火焰燃烧状态。

一种改进的BP算法

传统的BP算法收敛速度慢,利用附加动量因子和自适应学习速率改进了传统的BP算法,它对于BP网络结构优化,提高收敛速度有明显效果.

一种基于改进型递归神经网络的数据校核方法

对于无法得到数学模型的过程 ,我们提出了基于改进型自递归神经网络的动态过程数据校核方法 ,并基于递归网络结构推导出一种BP(BackPropagation—反向传播 )训练方法 .由此方法而得到的数据校验结果更准确无误 .

长江口河水氯离子浓度指标值的建模与预报

长江口宽度大叉道多,影响潮流运动的因素错综复杂,且各种变化量的实测资料有限,面对如此一个复杂的非线性随时间变化且实测资料有限的系统,利用传统的方法分析研究系统的建模、预报有一定的强求和困难。作者尝试利用在八十年代后期得到飞速发展的人工神经网络现代技术分析研究长江口河水氯离子浓度指标值的动态变化规律。所采用的模型集是多层映射的BP神经网络,利用长江口水文观察站的水文观察资料,采用误差反向传播学习方法来调整BP网络参数连接权值和节点阀值。经过训练学习后的BP神经网络输出与量测输出是非常接近的。并考虑三峡水库建成后有不同的调水方案,用得到的BP神经网络模型分别来预报长江口河水日平均氯离子浓度值的变化情况,所得结果供上海有关部门及自来水公司作决策参考。

基于随机聚焦搜索算法的冲压成形工艺优化

针对板料冲压成形工艺优化问题,研究了一种群集智能算法。该方法通过正交实验与数字化仿真技术相结合获取神经网络的学习样本,利用反向传播神经网络构建随机聚焦搜索算法的目标函数模型。在此模型基础上,应用随机聚焦搜索算法对板料冲压成形的工艺参数进行优化。以深盒形件为例,将优化后的工艺参数输入eta/DYNAFORM仿真模型进行验证,结果表明该算法可获得较好的成形质量。为了进一步验证随机聚焦搜索算法在执行效率及寻优的全局搜索方面的优越性,与遗传算法的优化结果进行对比分析,说明随机聚焦搜索在板料冲压成形工艺参数优化方面是一种较好的优化算法。