汽轮机性能预测BP神经网络输入层神经元筛选方法

将灰色关联度分析方法应用于汽轮机性能预测BP神经网络输入层神经元的筛选。方法对样本数量、分布规律要求不高、量化结果与定性分析一致,有利于减少对技术人员经验的依赖,为汽轮机性能预测BP神经网络输入层神经元的筛选提供了科学依据。最后通过实例验证了所提出的方法的可行性。

输入层神经元数对自相关过程控制的影响

由于将传统休哈特控制图应用于自动化连续生产过程,经常会引发大量虚发报警,而使用神经网络方法对存在相关性的连续生产过程进行研究时,可取得良好效果。使用时间序列模型模拟自相关过程中的均值变动,在以BP神经网络对自相关过程进行监控的基础之上,通过神经网络识别率的变化趋势分析,对输入层神经元数对于神经网络识别率的影响进行分析研究,以便使BP神经网络的识别率得到优化。

基于混沌-广义回归神经网络的矿井涌水量预测

针对矿井涌水量预测研究中存在的相关影响因素考虑较少、模型预测精度不高和适用性不强的问题,建立了混沌理论与广义回归神经网络耦合的新的预测模型(Chaos-GRNN模型)。从理论上分析了矿井水文系统产生混沌现象的机理;由混沌理论得到涌水量序列相空间重构后的嵌入维数、时间延迟和最大Lyapunov指数,以此确定GRNN的输入层神经元个数、取值和预测时长;采用交叉验证法获得GRNN的光滑因子,建立Chaos-GRNN模型;对平煤十二矿涌水量(2014年1月至2015年12月)进行模型验证。结果表明:矿井水文系统演化过程的循环迭代是产生混沌的根本原因,其表象特征为演化过程的不可逆性、非平稳性和演化结果的多样性;平煤十二矿涌水量时间序列具有混沌特征,其嵌入维数m=7,即涌水量的影响因素为7个,GRNN输入层神经元个数为7;时间延迟τ为13个月,由此确定了GRNN输入层神经元的取值;最大Lyapunov指数为0.0530,确定了GRNN预测时长为19个月;Chaos-GRNN模型预测精度达到了94.98%。该预测模型利用混沌理论量化了广义回归神经网络的输入层和预测时长,充分考虑了矿井涌水量的影响因素,提高了预测精度和适用性。

前馈神经网络结构新型剪枝算法研究

研究神经网络的结构优化,提出采用基于贡献值与输出连接的权重来修剪节点,节点是直接剪枝而不是消除存有内在联系的节点;该方法认为神经元贡献值低于阈值,那么此神经元就是毫无意义的,同时将该算法应用于非线性函数逼近,实验结果表明,在不牺牲网络性能的情况下,采用新型剪枝算法来修剪神经网络节点是非常有意义的,所提出的算法也是非常有效的。