PPLS与稀疏鉴别流形正则化的双模型协同宽度神经网络

宽度神经网络(broad neural networks,BNN)被认为是继深度神经网络之后的一种主流机器学习算法,然而BNN没有考虑数据不确定性及局部几何结构信息。为此,提出概率偏最小二乘(probabilistic partial least square,PPLS)与稀疏鉴别流形正则化的双模型协同宽度神经网络建模方法。该方法首先使用PPLS对BNN输入特征以及增强特征构成的高维数据提取低维隐藏变量,消除数据不确定信息以及冗余特征;基于稀疏表示方法自适应构建样本局部与非局部近邻矩阵,并结合PPLS模型投影矩阵,提出一种新颖的融合模型信息迁移、鉴别流形正则化以及l_(2,p)-范数约束的BNN建模方法,有效增强BNN模型的鲁棒性、建模精度,同时消除数据的随机不确定性;最后给出迭代优化求解方法获取模型最优参数。在不同规模数据集、不同光照和角度图像数据集对所提算法进行仿真验证,结果表明该算法对不同规模数据集均能取得满意的效果;对图像数据集仿真结果表明其具有很强的鲁棒性和泛化性能。

基于宽度-深度神经网络的风电功率预测方法

风电功率预测对于维护风电场中电网的安全性与稳定性具有重要的意义。本文提出一种基于宽度-深度神经网络的风电功率预测方法,该方法从数据出发,综合利用了影响风电功率预测的不同因素来进行风电功率预测。该方法同时结合了宽度神经网络和深度神经网络的优势,将人为选择的特征以及机器深度学习到的特征结合起来用于网络预测。本文利用爱尔兰某风电场的实测数据进行了算法验证实验,实验结果表明,本文算法的风电功率预测精度优于传统的基于浅层神经网络的风电功率预测方法。

基于宽度卷积神经网络的异常农情数据检测方法

【目的】为准确有效地检测农业物联网的感知数据异常,提出了基于宽度卷积神经网络的异常农情数据检测方法,为实现农业物联网数据高质量感知提供参考。【方法】首先将标准化后的农情数据编码为极坐标表示,通过滑动窗口机制划分子集,接着将每个子集数据重构为矩阵,最后设计并训练宽度卷积神经网络模型用于异常检测,采用养殖场环境监测数据进行试验。【结果】构建的滑动窗口机制可提升异常数据检测能力,缩短检测时间。所设计的宽度卷积神经网络对空气温湿度、土壤温湿度等数据中所存在的异常检测准确率均超过97.5%,优于SVM、RF和CNN模型1.69%、2.76%和3.05%;F1值均在0.985以上,优于SVM、RF和CNN模型0.0093、0.0149和0.0163;且在处理波动性较大的空气、土壤温湿度数据时性能优势更为明显,准确率和F1值分别提高了3.61%~5.98%和0.0188~0.0310。此外,该方法模型检测耗时较短,仅为传统CNN模型的1/6~1/7,并且比SVM和RF模型使用更少的超参数。【结论】所建立的数据编码、子集划分和重构方法与宽度卷积神经网络模型对异常农情数据有较好的检测效果。

神经网络宽度对燃烧室排放预测的影响

为研究神经网络宽度对航空发动机燃烧室排放预测的影响,基于录取的全环燃烧室排放试验数据,构建了以燃烧室进口空气温度、进口空气压力、供油流量和油气比为输入,CO和NOx排放指数为输出的神经网络预测模型,确定了最优网络宽度。结果表明,存在一个最优的网络宽度值,使得神经网络预测模型的拟合优度和预测精度达到最佳,本文最优的网络宽度为24。通过拟合优度、误差分析和敏感性分析验证了构建的神经网络模型的准确性和泛化性。基于最优网络宽度的神经网络预测模型能够很好地挖掘输入参数与排放指数之间的映射关系,可作为给定工况参数下燃烧室排放预测工具。最后,基于敏感性分析,结合燃烧物理机理和试验现象对构建的神经网络可解释性进行了探讨。

基于主成分分析网络的改进图像分类算法

针对深层卷积神经网络模型的训练复杂、调参技巧和经验要求高、理论分析难等问题,提出一种训练效率高、可解释性强以及理论分析简单的图像分类算法。基于主成分分析网络(Principal Component Analysis Network,PCANet)进行特征提取,并采用宽度神经网络(Flat Neural Network,FNN)分类图像,最后通过直接计算得到模型参数。根据训练数据集自适应决定宽度神经网络节点数目,增加节点时不需要重新训练,只需要调整局部参数。实验表明,该模型能够快速训练,较其他非监督分类算法以及传统深层神经网络,该模型在识别准确率方面具有较强的竞争力。