基于神经网络的格子玻尔兹曼算法

在科学研究和工业应用的复杂流域、多相流以及多物理流动问题的处理中,相较于传统计算流体力学方法(Computational Fluid Dynamics,CFD),格子玻尔兹曼算法(Lattice Boltzmann Method,LBM)具有程序结构简单、对复杂边界和非线性问题适应性强以及便于并行计算等诸多优点。然而,其作为一种显式算法,在计算过程中的迭代次数较多,进而消耗大量计算资源。利用神经网络在预测与回归方面的强大能力,基于LBM设计了一个具备单隐藏层的浅层人工神经网络预测模型并将其命名为ML-LBM(Machine Learning LBM)模型。该模型通过动态调整碰撞算子中不同驰豫时间,以粗化网格来重现精细分辨的参考模拟。对于顶盖驱动流问题,模型完成训练后,对测试集均方误差在6×10-5以下,精度得到了保障。相较于经典LBGK模型,ML-LBM模型的计算效率提升约9倍。

人工神经网络BP算法的改进和结构的自调整

本文解决了ＢＰ神经网络结构参数和学习速率的选取问题，并对传统的ＢＰ算法进行了改进，提出了ＢＰ神经网络动态全参数自调整学习算法，又将其编制成计算机程序，使得隐层节点和学习速率的选取全部动态实现，减少了人为因素的干预，改善了学习速率和网络的适应能力．计算结果表明：ＢＰ神经网络动态全参数自调整算法较传统的方法优越．训练后的神经网络模型不仅能准确地拟合训练值，而且能较精确地预测未来趋势．

一种小波神经网络结构及其学习算法研究

基于仿射小波神经网络的逼近原理和结构设计问题 ,本文提出了一种新型小波神经网络结构 ,研究了其结构化设计方法和相应的学习算法 ,优化组合小波基元激励函数 ,实现了小波神经网络权系数的二次学习 ,避免了“维数灾”问题 ,改善了网络学习特性。计算机仿真结果表明 ,研究的小波神经网络结构及其学习算法简单有效 。

一种新的神经网络结构及其学习算法

提出了一个基于模糊集理论的新的神经网络结构及其学习算法。这种神经网络是对标准的BP网络修改后构成的（记作FIBP）。并通过几个实例仿真验证其有效性。实验结果表明，当用FIBP网络解决动态的、高度非线性的函数逼近时，其学习速度比BP网络快，精度高而且泛化能力高。

基于动态网络结构优化的神经网络的自学习稳定性控制算法

为了解决稳定性控制算法的PID控制参数的自适应调整问题,并针对控制算法大多无自学习功能的现状,提出了SORBF(Self-Organizing Redial Basis Function)算法自适应优化PID控制参数,同时通过增长型算法和修剪型算法自适应优化神经网络结构,解决了初始设定的网络结构参数需要丰富的经验和大量的标定工作,并且网络结构无法自适应调整而导致网络泛化能力下降,冗余的神经元占用计算资源的问题。验证结果表明其具有很强的自学习功能,大量减少了标定时间,并控制横摆角速度实际值在参考值附近,更好地体现了驾驶员意图,在极限工况下控制误差减小,并更容易通过试验规范路径。

利用遗传算法简化神经网络结构

讨论了如何采用遗传算法从例子中建立精简的分段线性型神经网络结构。所建立的网络结构中将只出现两类结点（神经元）：一类结点是求和结点，该结点上的作用函数是线性的；另一类结点是选择结点，该结点上的作用函数是诸如ＭＡＸ，ＭＩＮ等形式的选择函数、对于求和结点，使用遗传算法过程来获得其输入权重、输出偏正值等，从而得到该结点的输入－输出关系结构；对于选择结点，其上的作用函数是选择函数，但该选择函数的确定仍旧是较困难的，本文试图通过先建立起精简的神经网络结构模型，再在此模型上经过样本例子的学习来求得每个选择择点上的选作函数。一般地，在使用遗传算法时，应定义一个匹配函数，以便衡量染色体的“好”的程度，同时，为了加快遗传算法过程的速度，采用了一种传统的算法──单纯形法最优算法来减小搜索空间。最。后，以上海宝山钢铁总厂高炉炼铁过程中的滑料情况为实例说明了此方法的有效性．

遗传算法优化前向神经网络结构和权重矢量研究

新兴科技的支持下,复杂研究可以通过优化研究方法进行模拟和拓展。探究人类神经网络结构的过程中,存在诸多困难,新兴模拟算法和仿真计算,让科学家通过人工模拟神经网络系统中的互连神经元了解复杂的神经网络架构。基于此,分析了优化的遗传算法在前向神经网络结构研究中的应用,探究了如何优化权重设计达到最佳研究效果。

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络(BPNN)的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测(SQP-ACO-BPNN)方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化(ACO)算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。

神经网络的两种结构优化算法研究

提出了一种基于权值拟熵的“剪枝算法”与权值敏感度相结合的新方法,在“剪枝算法”中将权值拟熵作为惩罚项加入目标函数中,使多层前向神经网络在学习过程中自动约束权值分布,并以权值敏感度作为简化标准,避免了单纯依赖权值大小剪枝的随机性.同时,又针对剪枝算法在优化多输入多输出网络过程中计算量大、效率不高的问题,提出了一种在级联—相关(cascade-correlation,CC)算法的基础上从适当的网络结构开始对网络进行构建的快速“构造算法”.仿真结果表明这种快速构造算法在收敛速度、运行效率乃至泛化性能上都更胜一筹.*

基于PIO-RBF神经网络斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大,但其设定值精度不高的问题,提出了基于鸽群算法改进RBF神经网络斜轧穿孔机调整参数预测模型。首先,综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数,其次,建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的RBF神经网络预测模型,并提出鸽群算法优化RBF神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的304L管的生产数据,对提出的预测模型进行了训练和验证。通过与基于聚类分析的RBF神经网络模型对比,将经PIO-RBF神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较,其相对误差均可控制在9%以内。结果表明,由PIO-RBF神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。

任务自适应神经网络结构研究

在基于任务自适应的统一框架下讨论了神经网络的生成方案，重点研究了两类典型而适用的神经网络构筑算法，即基于隐节点自适应增长的神经网络结构算法和基于子网自适应增长的神经网络结构算法。还结合所提出的层次式多网络模型，对基于任务的神经网络的自适应结构方案、发展前景与存在的问题作了详细的比较研究。

能实现精确映射的前馈神经网络快速算法与结构设计

一、引言人们常用BP算法训练多层感知机,但BP算法的缺点使它在工程应用上受到了限制。尽管从理论上人们证明了对BP算法而言,如果不限制神经元的个数,则三层前馈神经网络可以以任意精度实现给定样本的映射,但对于给定的实际问题,BP算法并没有具体给出确定神经元个数的计算方法,使得应用时须凭经验选择。本文正是针对BP算法的这一缺点,提出了一种基于Moore-Penrose广义逆的代数方法。该方法给出了在实现精确映射要求下,确定神经元个数的两种充分条件,并给出了具体的计算公式。这对于那些要求高精度逼近的场合无疑具有指导意义。

模糊神经网络的局部调整快速学习算法

神经网络的学习速度是影响其在实时控制中应用的重要原因之一，在文中提出了一种基于局部调整方法的模糊神经网络快速学习算法．该算法通过采用对输入数据进行判别的方法来选择每次学习时所需调整的有效规则，大大减少了学习中调整的规则数，从而加快了模糊神经网络的学习速度．同时，通过这一判别还可进一步确定是否需增加新规则以及增加的规则数，因此该算法不仅能够进行模糊神经网络的参数调整，还能实现神经网络的结构自适应调整功能．随着神经网络的输入维数以及初始规则数目的增加，算法的上述优点更加明显．最后采用快速算法与普通算法分别对单输入及多输入系统进行了辨识，仿真结果证明了上述结论：在初始规则数较少，普通算法无法收敛时，应用快速算法则可以收敛；随着规则数目与输入维数的增加。

前馈过程神经网络的网络结构与泛化能力

基于提高过程神经网络泛化能力的角度,对前馈过程神经网络网络结构对泛化能力的影响进行研究,得出以下结论:其过程神经元隐层(时变隐层)起主要作用,一般神经元隐层(非时变隐层)并非是必须的,对于相同特征的样本,过程神经元对样本特征的抽取能力远远高于传统神经元。给出了一个基于提高泛化能力的前馈过程神经网络网络结构构造算法,并应用一个实例验证了其有效性。

基于递归神经网络结构的非平稳信号自适应盲分离

基于递归网络分离结构并利用时间相关的评价函数,针对二输入二输出盲信号分离问题,提出了一种非平稳信号的自适应盲分离算法。该算法计算量小,可根据输出信号能量大小有选择地更新分离系数,并可扩展到多输入多输出盲分离问题。仿真验证对声音等非平稳信号具有良好的分离效果。

基于卷积神经网络的滚动轴承故障诊断研究综述

随着机器学习技术的兴起,深度学习被用于故障诊断领域并得到迅速发展,其中,卷积神经网络是具有出色特征提取能力的深度学习模型,因其适用于处理图像数据和高维数据而成为故障诊断研究的热点。针对传统故障诊断方法难以解决轴承振动信号存在的特征提取困难和信号噪声污染的问题,为高效、准确地完成滚动轴承故障诊断工作,首先,对卷积神经网络的结构进行了简单介绍,并研究了近年来经典卷积神经网络模型用于滚动轴承故障诊断的重要进展;然后,从深度特征提取、超参数调整和网络结构优化等角度,对各种优化卷积神经网络的方法原理进行了简单介绍,详细探讨了将卷积神经网络应用于滚动轴承故障诊断的优化途径和已经取得的研究进展;最后,对几种典型优化方法的优势与不足进行了比较,并对不同角度优化卷积神经网络的途径进行了总结。研究结果表明:基于卷积神经网络的滚动轴承故障诊断方法还需要解决数据不平衡、模型特征提取能力不足和泛化性不强的问题,后续研究工作应聚焦于多源数据融合、模型性能优化以及多方技术结合等方向。

基于神经网络模型的人工湿地水质预测模型

水质预测是水质保护的基本内容,也是解决水资源危机的重要依据。在水污染防治中,水质的准确表达能够反映水体的污染状况和未来趋势,为特定区域的水资源保护提供科学依据。在当前信息技术迅速发展的背景下,智能算法在构建水质预测模型方面的应用日益广泛,这对水资源的污染控制与预防具有重要意义。首先,应用Z-score方法和局部线性趋势判断法识别并校正数据中的异常值;其次,采用SG滤波法对水质数据进行平滑和降噪处理;进一步地,引入优化后的循环神经网络(RNN)模型,并使用LSTM-GRU结构(一种改良的长短期记忆网络结构)替换标准的隐藏层单元。LSTMGRU模型能够有效区分重要与非重要的信息,实现选择性记忆,从而提高对历史水质参数的学习效率并显著提升预测结果的准确性。通过仿真分析,与传统的水质参数预测模型相比,LSTM-GRU模型的泛化能力更强,预测精度更高,具有更高的有效性和实用性。

自组织模糊神经网络的结构辨识算法

针对自组织模糊神经网络,提出了一种新的结构辨识算法.通过建立输入和输出相似性准则,提出一个用于提取模糊规则的新型聚类算法.所提方法的显著优点是克服了传统神经网络的维度灾难问题.

多层前向神经网络结构的研究进展

本文综述了近年来多层前向神经网络结构的研究进展，总结了多层前向网络结构调整的各种方法，并对各种方法进行了比较分析，最后提出了若干待研究的问题．

化工过程深度神经网络软测量的结构与参数自动调整方法

深度学习在流程工业的软测量领域已经得到了应用。然而,深度神经网络(DNN)的结构和参数需要人工调整,这需要扎实的机器学习知识基础和丰富的参数调整经验,烦琐的调整过程限制了深度学习在化工领域的推广应用。在大量实验的基础上,对DNN的每个关键参数的选取过程进行了系统化的分析,提出了几乎无须人工干预的基于DNN软测量的结构和参数自动调整方法,极大地简化了参数调整过程,能够给工程技术人员学习及应用深度学习提供参考。对原油蒸馏装置及煤气化装置的案例分析验证了所提出方法的有效性和通用性。