层次广义同余神经网络结构及运算特性分析

提出一种层次广义同余神经网络 ( HGCNN ) ,以有限环上层次整数余神经网络HGCNN为例 ,分析了该网络的运算特性。这种运算保持了神经网络的高度并行结构 ,能够实时完成有限环上的同余运算。给出

广义同余神经网络及BP神经网络的比较研究

从神经网络的结构、激励函数、权值调整算法等方面对三种广义同余神经网络(generalized congruenceneural network,GCNN)及传统BP神经网络(back propagation neural network,BPNN)的异同点进行了比较和研究。通过对正弦函数的逼近性能比较,表明最新改进的第三种GCNN既继承了前两种GCNN收敛速度快的优点,又具有传统BPNN稳定性好的优点;既克服了前两种GCNN不稳定性的缺点,又克服了传统BPNN收敛速度慢的缺点。采用分段线性激励函数有利于GCNN的推广应用。

广义同余神经网络的算法改进与性能分析

对广义同余神经网络 (GCNN)的性能进行了深入的分析研究 ,提出了一种改进的广义同余学习算法 ,并将该算法与当前广泛使用的标准BP网络算法进行了比较。计算机数字实例模拟表明 ,该算法具有学习速度快、拟合效果好等特点。

广义同余神经网络在旋转机械常见故障诊断中的应用

通过利用广义同余函数代替传统神经网络的激励函数,提出一种改进的广义同余神经网络的模型及算法。分析了广义同余神经网络的结构、激励函数、权值调整算法等方面并与传统BP神经网络的异同点进行了比较和研究。通过广义同余神经网络和传统BP神经网络对正弦函数的逼近性能比较,表明最新改进的广义同余神经网络收敛速度快,又具有传统BP神经网络稳定性好的优点。该模型和算法在旋转机械常见故障诊断中提高了收敛速度和诊断精度。

基于广义同余神经网络的非线性系统辨识仿真

(本文把分段广义求导误差反传调整权值的原理引入广义同余神经网络,对广义同余神经网络进行改进,提出了一类新的广义同余神经网络--BPGCNN(Error Back Propagation for Generalized Congruence Neural Networks),并用于非线性动力学系统的辨识仿真.仿真结果表明,该神经网络克服了原有广义同余神经网络的不稳定性,其稳定性能可与传统BP神经网络(Back Propagation Neural Networks,BPNN)媲美,并且其辨识效果、收敛速度和泛化性能都优于传统的BPNN.

关于广义同余神经网络结构与算法的研究

讨论了一种新的神经网络———广义同余神经网络（ＧＣＮＮ），网络中的所有神经细胞以同余的形式被激活，并阐述了它的结构、学习规则的一种算法。模拟结果表明，这种网络在取样点上具有满意的通用特性。由于该神经网络易于操作和实行，有必要就相关理论及其应用作进一步的研究。

一种基于广义回归神经网络的城市入室盗窃串并案分析方法

随着城市的发展,城市人口的越来越多元化,这给城市治安带来了新的挑战,入室盗窃就是这个过程中不可调和的矛盾。我们以近几年城市室盗窃案件的案情文本数据为基础,提取入室盗窃案件的文本向量特征,基于广义回归神经网络模型,采用凝聚层次聚类算法作为回归方法,基于这一理论研究入室盗窃案件的串并方法,通过给办案民警提供入室盗窃案件的串并依据,从而提高案件的侦破率,减少群众的财产损失。

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.

一种大规模分布式计算负载均衡策略

大规模和超大规模计算系统中的通讯延迟成为影响负载均衡性能的一个重要因素,且延迟具有时变性,而传统的负载均衡策略通常假设通讯固定不变或不考虑通讯延迟开销.本文考虑了系统的通讯延迟开销和延迟时变性特征,给出一种基于广义神经网络(GNN)的层次结构负载均衡策略.该策略具有三个特点:(1)通讯优化的层次结构能够降低大规模计算系统的负载均衡开销;(2)考虑了节点计算速率及通讯延迟时变特性;(3)通过延迟预测可优化任务的通讯延迟和迁移延迟开销.仿真实验验证了该策略在通讯和负载均衡开销方面的性能.

室内装饰设计界面材料生态学属性GA-GRNN评价模型对比研究

为解决传统评价室内装饰设计界面材料生态学属性的方法受评价人员主观感受影响较大、耗时较长的问题,探索室内装饰设计界面材料生态学属性评价的便捷、快速、客观且低成本方法。首先,采用问卷调查的方式获取材料在视觉、触觉和声学方面的评价结果,使用分位数转换算法消除人为主观因素影响,并结合层次评价法对复合塑料板材、实木板材、金属板材、玻璃板材、花岗岩板材和石膏板材进行客观生态学属性评价。分别使用支持向量回归(SVR)、广义回归神经网络(GRNN)和神经网络算法(BP),以材料的光泽度、光反射率、隔声和吸声这4个特性作为输入量,建立室内装饰界面材料生态学属性评价模型。运用均方误差(MSE)、相关系数、绝对误差和相对误差等评价指标评估不同模型的优劣程度。结果表明,3种模型均能够较好地给出评价,GRNN模型的效果最佳。使用基于GRNN模型的评价方法,仅需要测量材料的特性就可以得到客观的评价结果,极大地减少了评价过程的工作量,具有现实意义。

基于GRNN模型的区域水资源可持续利用评价——以云南文山州为例

利用层次分析法构建了符合丰水地区水资源可持续利用指标体系和评价标准,从水资源条件、水资源开发利用效率、生态环境状况、水资源合理配置和水资源管理能力5个方面提出50个评价指标,并运用GRNN神经网络水资源可持续利用评价模型,对文山州不同规划水平年水资源可持续利用进行了综合评价。结果表明:①不同规划水平年各评价区域水资源可持续利用评价为2～3级,反映出文山州现状及中、长期水资源处于可持续与基本可持续之间的状况,亦表明所建立的GRNN评价模型和评价方法是合理可行的;②GRNN网络评价模型具有收敛速度快、预测精度高、参数调整少、不易陷入局部极小值等优点,可以更快地预测评价网络,能够满足客观评价区域水资源可持续利用状况的要求。