特征扩展的随机向量函数链神经网络

基于宽度学习的动态模糊推理系统(broad-learning-based dynamic fuzzy inference system,BL-DFIS)能自动构建出精简的模糊规则并获得良好的分类性能.然而,当遇到大型复杂的数据集时,BL-DFIS因会使用较多模糊规则来试图达到令人满意的识别精度,从而对其可解释性造成了不利影响.对此,提出一种兼顾分类性能和可解释性的模糊神经网络,将其称为特征扩展的随机向量函数链神经网络(FA-RVFLNN).在该网络中,一个以原始数据为输入的RVFLNN被作为主体结构,BL-DFIS则用作性能补充,这意味着FA-RVFLNN包含具有性能增强作用的直接链接.由于主体结构的增强节点使用Sigmoid激活函数,因此,其推理过程可借助一种模糊逻辑算子(I-OR)来解释.而且,具有明确含义的原始输入数据也有助于解释主体结构的推理规则.在直接链接的支撑下,FA-RVFLNN可利用增强节点、特征节点和模糊节点学到更丰富的有用信息.实验表明:FA-RVFLNN既减缓了主体结构RVFLNN中过多增强节点带来的“规则爆炸”问题,也提高了性能补充结构BL-DFIS的可解释性(平均模糊规则数降低了50%左右),在泛化性能和网络规模上仍具有竞争力.

基于卷积神经网络的肌电信号人体运动模式识别技术

随着外骨骼机器人等肌电控制设备的快速发展,表面肌电信号此类非平稳、非周期信号在高性能运动识别系统中的应用已成为相关研究领域的重点。为实现肌电信号跨域特征融合,提出一种基于肌电信号的双卷积链神经网络模型,采集7块关键肌肉的原始肌电信号,经特征提取,转化为能量核相图和离散小波变换系数特征图,分别输入双卷积链神经网络的卷积神经网络分支和MobileNetV2分支,利用融合模块提取高层隐藏特征并进行充分交互。制备包括以上两种特征图像和传统肌电信号图谱在内的3种数据集。3组交叉实验结果表明:所提方法对6种自测下肢运动的平均识别准确率达94.19%,显著优于其他特征组合与网络架构;在ENABL3S开源数据集识别7种下肢运动中取得98.32%的稳态识别准确率,进一步验证了所提方法优良的肌电特征捕捉能力和模式识别准确性。

基于函数链神经网络的管道煤气流量计量系统

在管道煤气计量系统测量中引入管道煤气相对湿度修正,并采用湿度传感器转换相对湿度信号,利用函数链神经网络对管道煤气工况温度下所对应的水蒸汽饱和压力进行拟合,得到基于函数链神经网络的管道煤气流量计量模型和在线计量系统,从而大大简化管道煤气流量计量软件,在流量计设计范围内实现管道煤气流量实时在线计量。实际应用结果表明,该计量系统测量管道煤气流量误差小于0.7%。

基于模糊自适应变权重算法的函数链神经网络预测方法

为提高复杂工业系统非线性时间序列预测精度,将工业系统非线性时间序列不同的单个预测模型预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,建立基于模糊自适应变权重算法的函数链神经网络预测模型。研究结果表明:基于模糊自适应变权重算法的函数链神经网络预测方法的预测精度较高,并且平均误差和预测平方根误差均较小,具有较强的泛化能力;该模糊自适应变权重函数链神经网络预测模型可用于复杂非线性工业系统决策。

基于模糊自适应变权重算法的采场冒顶函数链神经网络预报

为提高采场声发射事件率预报精度,将采场声发射事件率不同的单个预测模型的预测值作为函数链神经网络的原始输入值,并将原始输入值按正交的三角函数扩展得到的数值作为函数链神经网络扩展输入值,在分析函数链神经网络拟合充要条件的基础上,结合模糊自适应变权重算法计算函数链神经网络权重,对采场声发射事件率进行基于模糊自适应变权重算法的函数链神经网络预测,对其预测结果再进行函数链神经网络算法拟合,然后结合采场冒顶尖点突变模型的判别式对采场冒顶进行预报。某铅锌矿采场冒顶预报结果表明,基于模糊自适应变权重算法的函数链神经网络预测方法的预测误差小于0.3%,可实现采场冒顶精确预报。

基于函数链神经网络的模型构造及控制

通过对热驱动部件的理论分析,确定参数待定的热驱动部件数学模型。针对现有数学模型中多阶指数函数拟合算法的复杂性,提出一种基于函数链神经网络(FLANN)的多阶指数函数逐级递推式拟合算法。根据不同时间常数的指数函数具有不同平衡时间的特点,采用基于FLANN一阶指数函数拟合算法,逐步确定多阶指数函数对应项的待定参数,建立热驱动部件的数学模型。应用多模控制和模糊切换策略,对具有大进给力的纳米级驱动部件进行控制,试验表明系统具有快速响应和高精度,并实现了平稳过渡,证明了基于FLANN的算法构建的控制模型具有精度高、收敛性好以及简单实用等优点。

最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用

提出一种用最小二乘支持向量机(least squares support vector machine,LS-SVM)构造函数链接型神经网络(functional link artificial neural networks,FLANN)的滚动轴承故障诊断系统。介绍了相关原理和具体算法,并给出了滚动轴承故障诊断系统模型。首先,采用LS-SVM模型核函数代替常规FLANN模型的扩展函数,避免了扩展函数选择的任意性;其次,利用LS-SVM学习模型得到FLANN权重系数,避免了BP方法多次迭代寻优存在的耗时长、局部极小及迭代设置初值依赖经验等不足;最后,构造了多层LS-SVM-FLANN结构,对多类滚动轴承故障进行诊断。具体实验表明,用LS-SVM构造FLANN的滚动轴承故障识别系统精度高、鲁棒性好、实现简单。

基于函数链神经网络的车用发动机气缸压力数据采集系统

为了提高车用发动机运行过程经济性,利用函数链神经网络对曲轴转角值所对应的气缸压力数据进行了拟合,得到了基于函数链神经网络的车用发动机气缸压力数据采集系统.应用结果表明,该气缸压力数据采集系统能有效地消除采集数据时各种干扰的存在,使得采集到的数据偏离其真实数值的程度较小.这对于改善车用发动机的燃烧状况,提高经济性能具有重要的意义.

直接驱动机器人的函数链神经网络-PD复合控制

为了实现直接驱动机器人精密控制,研究了直接驱动机器人的函数链神经网络-PD(FLNN-PD)控制问题。首先,对机器人动力学模型及FLNN的函数逼近特性进行分析;然后为机器人构建双闭环控制系统,推导出系统的误差动力学方程及不确定性动力学函数;引入FLNN逼近不确定性函数并为系统规划出FLNN-PD控制律;最后进行了仿真控制实验。结果显示,该控制器可使系统转角误差和角速度误差控制在±0.002rad和±0.1rad/s之内,且其对系统的参数变化及外部扰动具有较强的自适应性和鲁棒性。

一种利用函数链神经网络的传感器建模新方法

讨论基于函数链神经网络 (FLNN)的传感器建模新方法 ,其结构简单、使用灵活、建模容易 ,易于实时硬件实现。两个算例说明网络的训练和非线性逼近方法 ,显示出网络的自适应能力、学习能力 ,基于FLNN的传感器模型可同时实现温度补偿和非线性校正。实际上 ,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化 ,在测控系统中具有良好的应用前景。

基于函数链神经网络的传感器建模

现代测控系统对传感器的精度和工作条件提出了很高的要求.为此,人们不得不采取一些中间补偿和修正措施,实现抗干扰、线性化,以提高传感器和系统的性能.讨论基于函数链神经网络(FLNN)的传感器建模新方法,其精度提高,结构简单、使用灵活、建模容易,易于实时硬件实现.两个算例说明网络的训练和非线性逼近方法,显示出网络的自适应能力、学习能力,基于FLNN的传感器模型可同时实现温度补偿和非线性校正.实际上,利用这种模型可以跟踪补偿环境改变引起的传感器特性的各种变化,在测控系统中具有良好的应用前景.

基于函数链神经网络的磁化曲线拟合方法

为了用简捷的方法实现高精度的磁化曲线拟合,并简化拟合公式以便于在电磁场分析计算的使用,提出了函数链神经网络进行磁化曲线拟合的方法。首先给出了函数链神经网络用于磁化曲线拟合的原理,分析了这种算法的特点;然后给出了一个具体的拟合算法实例,探讨了神经网络参数对于学习过程及拟合结果的影响;最后给出了拟合结果,证明了该算法拟合过程方便,拟合函数明晰,同时拟合精度能够满足工程应用的需要。

函数链神经网络在打印机非线性校正中的应用

为了实现激光打印机非线性的自动校正,使用函数链神经网络对其非线性进行估计。研究了函数链神经网络的阶数和学习因子对其收敛性的影响。由于激光打印机的非线性非常严重,采用分段处理法,并根据收敛情况自动调整学习因子的大小。通过对比多组实验结果可知,函数链神经网络的收敛精度和速度都得到了显著提高。应用到激光打印机的非线性校正中,取得了很好的效果。

足阳明胃经脊髓脑干神经网络研究(二)──CB-HRP逆行跨神经节追踪观察

应用CB－HRP逆行跨神经节追踪法观察家兔胃经解溪、足三里、伏兔、水道、承满、乳根、屋翳、颊车和膀胱经合阳、风门、天柱等穴区传入神经在脊髓胶状质等部位和低位脑干的分布节段和区域定位。结果表明，脊髓脑干胶状质内可能存在一条与体表胃经相对应的贯穿脊髓全长直达三叉神经脊束核等的神经网络链。胃经与膀胱经的穴区传入神经在脊髓胶状质可能形成既有不同占位区，又有部分重叠的相对特异的分布。

基于Hermite多项式函数链模糊神经网络的PMLSM分数阶反推控制

针对永磁直线同步电动机(PMLSM)伺服系统中存在的参数变化、负载扰动和摩擦力等不确定性因素,采用了函数链模糊神经网络(FLFNN)和分数阶反推控制(FOBC)相结合的控制方案来提高系统的控制性能。首先,采用FOBC实现系统的全局调节和位置跟踪,提高系统的收敛速度和控制精度;然后,采用Hermite多项式函数链模糊神经网络(HFLFNN)直接估计系统中存在的不确定性,同时利用指数补偿器对估计误差进行补偿,进一步提高系统的鲁棒性;最后,利用Lyapunov函数推导出系统中控制参数的在线调整估计律。实验结果表明所提出的控制方法切实可行,能够有效地抑制不确定性对系统的影响。与FOBC相比,具有更好的跟踪性能和鲁棒性能。

基于卷积神经网络的乳腺癌病理图像分类

乳腺癌已经超过肺癌,成为世界第一大癌症。因此,乳腺癌的诊断就显得十分重要。为了提高对乳腺癌病理图像分类的准确率,提出了一种基于卷积神经网络的诊断方法。这种方法的出现,能做到快速对乳腺癌病理图像进行良恶性分类。一般来说,乳腺癌的病理图像结构十分复杂,为了增强网络的特征提取的能力,在卷积神经网络的基础上引进随机函数链神经网络和CA注意力机制。因为乳腺癌数据集太少,使用数据增强去扩充数据集。分别进行横向实验与消融实验,实验结果表明,优化后的卷积神经网络能有效提高分类的准确率。

基于自适应混合结构的快速收敛函数链接人工神经网络算法研究

在非线性主动噪声控制方法中,函数链接人工神经网络(FLANN)算法是最常用的算法之一。FLANN降噪量大,但是其收敛速度较慢。为解决该问题,通过一个自适应混合参数对BFXLMS算法和FLANN算法进行有效结合,提出了CBFLANN算法。在不降低FLANN降噪量的情况下,提高了其收敛速度,解决了FLANN算法无法同时实现快速收敛和低稳态误差的问题。多个仿真实验对提出的CBFLANN算法的降噪性能进行了验证,结果表明,CBFLANN同时拥有BFXLMS的收敛速度和FLANN的降噪量。该算法的提出可以为传统主动噪声控制算法难以同时兼顾收敛速度与稳态误差的问题提供解决方案,具有很强的实际应用价值。

函数链神经网络的GA辅助训练方法

本文提出了将遗传算法(GA)和 δ 规则相结合,来调整一种无隐层的前向网络神经网络-函数链神经网络的参数及结构的方法,并将提出的算法用于 2bit 异或和曲面拟和问题,实验结果良好。

电容压力传感器的函数链接型神经网络建模方法

旨在开发一种计算简单的电容压力传感器的模型 ,以便经济、可靠地应用。分析表明 ,采用新型函数链接型神经网络建立的电容压力传感器模型 ,能够精确读出应用压力。它是一种能实现输入到输出的高度非线性映射并且运算高效的非线性网络 。

一种基于小波型函数链神经网络的竞争学习模型的设计与应用

神经网络模式分类方法中,比较著名的方法之一就是“竞争学习”。竞争学习采用若干单元的层次结构,以一种“赢者全取”的方式对系统当前处理的对象进行竞争。通常的神经网络模式分类方法,由于其较长的处理时间和数据的复杂性,很难适用于大型数据库。为此,本文采用调制的小波基对输入模式预处理,在函数链神经网络的基础上设计了基于小波型函数链神经网络的竞争学习模型,充分利用小波变换和函数链神经网络的优势,这样设计的系统有惊人的学习速度、体系结构的通用性好、适用性强等特点。