多聚合过程神经元网络及其学习算法研究

针对系统输入为多元过程函数以及多维过程信号的信息处理问题,提出了多聚合过程神经元和多聚合过程神经元网络模型.多聚合过程神经元的输入和连接权均可以是多元过程函数,其聚合运算包括对多个输入函数的空间加权聚集和对多维过程效应的累积,可同时反映多个多元过程输入信号在多维空间上的共同作用影响以及过程效应的累积结果.多聚合过程神经元网络是由多聚合过程神经元和其它类型的神经元按照一定的结构关系组成的网络模型,按照输出是否为多元过程函数建立了前馈多聚合过程神经元网络的一般模型和输入输出均为过程函数的多聚合过程神经元网络模型,具有对多元过程信号输入输出关系的直接映射和建模能力.文中给出了一种基于多元函数基展开的梯度下降与数值计算相结合的学习算法,仿真实验结果表明了模型和算法对多元过程信号分类和多维动态过程模拟问题的适应性.

关于连续过程神经元网络的一些理论问题

针对输入/输出均为连续时间函数的非线性系统信号处理和建模问题,提出了一种连续过程神经元和过程神经元网络模型.连续过程神经元的输入/输出均为连续时间函数,其时空聚合运算能同时反映连续时变输入信号的空间聚合作用和输入过程中的时间累积效应,可实现输入/输出之间非线性实时或若干时间单元延迟的映射关系.文中给出了一种输入输出均为连续时间函数的前馈过程神经元网络模型,并证明了相应的连续性,函数逼近能力和计算能力等性质定理.

基于傅立叶函数基变换的过程神经元网络学习算法

针对过程神经元网络训练涉及的时域聚合运算问题,提出了一种基于傅立叶正交函数基展开的过程神经元网络学习算法。在网络输入函数空间中引入傅立叶正交函数基,将输入函数和网络连接权函数表示为该组正交基的有限项展开形式,利用函数基的正交性,可简化过程神经元在时间聚合运算中的复杂性,提高网络学习效率。给出了具体的实现算法,仿真实验结果证明了算法的有效性。

一类反馈过程神经元网络模型及其学习算法

提出了一种基于权函数基展开的反馈过程神经元网络模型．该模型为三层结构，由输入层、过程神经元隐层和过程神经元输出层组成．输入层完成系统时变过程信号的输入及隐层过程神经元输出信号向系统的反馈；过程神经元隐层用于完成输入信号的空间加权聚合和激励运算，同时将输出信号传输到输出层并加权反馈到输入层；输出层完成隐层输出信号的空间加权聚集和对时间的聚合运算以及系统输出．文中给出了学习算法，并以旋转机械故障自动诊断问题为例验证了模型和算法的有效性．

基于离散Walsh变换的过程神经元网络学习算法

针对过程神经元网络的训练问题,提出了一种基于离散Walsh变换的学习算法。对网络过程式输入及时变权向量,实施离散Walsh变换,用变换后的数据训练网络。在该算法下,可简化过程神经元的聚合运算,避免复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练,即将泛函数逼近问题转化为函数优化计算问题。仿真实验证明了该算法的有效性。

一种水下机器人运动的过程神经元控制

过程神经网络是传统神经网络的拓展,增加了一个对于时间的聚合算子,从而更好地模拟了生物神经元的信息处理机制.这是由于水下机器人运动控制系统的输入、输出均是随时间连续变化的过程量.结合S函数和预先规划思想,建立水下机器人过程神经元的运动控制模型.仿真试验证明,该新型控制模型,对于水下机器人的运动非线性控制器具有设计简单、响应速度快、超调小、鲁棒性好等优点。

一种基于数值积分的过程神经元网络训练算法

针对过程神经元网络的训练问题,提出了一种基于数值积分的学习算法。直接采用数值积分进行网络中动态样本与连接权函数的时域加权聚合运算,采用梯度下降法实现连接权函数特征参数及网络性质参数的调整。设计了基于梯形积分、辛普森积分、柯特斯积分等3种过程神经元网络数值积分训练方法,以太阳黑子数据预测为例进行仿真实验,结果表明,基于数值积分的过程神经元网络训练算法是有效的,其中辛普森积分算法的性能最优。

过程神经元网络的若干理论问题

文章提出一种过程神经元模型 ,其输入为与时间有关的函数或过程 ,它是传统人工神经元模型在时间域上的扩展。基于这种过程神经元模型 ,给出了一种仅含一个隐层的前馈型过程神经网络模型 ,即基展开过程神经元网络模型。证明了相应的连续性定理 ,逼近定理 ,计算能力定理等。

基于基函数展开的双隐层过程神经元网络及其应用

提出一类基于基函数展开的双隐层过程神经元网络模型.过程神经元隐层完成对输入信息过程模式特征的提取和对时间的聚合运算,非时变一般神经元隐层用于提高网络对系统输入输出之间复杂关系的映射能力.在输入空间中引入一组函数正交基,将输入函数和网络权函数表示为该组正交基的展开形式,利用基函数的正交性简化过程神经元聚合运算.以旋转机械故障诊断和油藏开发过程采收率的模拟为例,验证了模型和算法的有效性.

基于连续沃尔什变换的过程神经元网络训练

为解决过程神经元网络训练涉及的时域聚合运算问题,提出了过程神经元网络的一种学习算法。对网络的过程式输入函数及时变的权函数,实施连续沃尔什变换,用变换后的数据训练网络。经过这种变换,能使网络输入的时域聚合运算大为简化,有效地避免了复杂的积分过程,使过程神经元网络的训练等同于普通网络的训练。

基于过程神经元网络的时间序列预测方法

传统人工神经网络时间序列预测方法难以表达时间序列中的时间累积效应。为此,提出一种基于过程神经元网络的时间序列预测方法。采用双链结构的量子粒子群对过程神经元网络进行训练,以Mackey-Glass混沌时间序列预测为例进行实验。仿真结果表明,该方法的均方误差比普通神经网络低一个数量级。

一种分式过程神经元网络及其应用研究

针对带有奇异值复杂时变信号的模式分类和系统建模问题,提出了一种分式过程神经元网络·该模型是基于有理式函数具有的对复杂过程信号的逼近性质和过程神经元网络对时变信息的非线性变换机制构建的,其基本信息处理单元由两个过程神经元成对偶组成,逻辑上构成一个分式过程神经元,是人工神经网络在结构和信息处理机制上的一种扩展·分析了分式过程神经元网络的连续性和泛函数逼近能力,给出了基于函数正交基展开的学习算法·实验结果表明,分式过程神经元网络对于带有奇异值时变函数样本的学习性质和泛化性质要优于BP网络和一般过程神经元网络,网络隐层数和节点数可较大减少,且算法的学习性质与传统BP算法相同·

过程神经元网络及其在时变信息处理中的应用

针对时变信息处理和动态系统建模等类问题,建立了输入输出均为时变函数的过程神经元网络和有理式过程神经元网络2种网络模型.在输入输出为时变函数的过程神经元网络中,过程神经元的时间累积算子取为对时间的积分或其他代数运算,它的时空聚合机制和激励能同时反映外部时变输入信号对输出结果的空间聚合作用和时间累积效应,可实现非线性系统输入、输出之间的复杂映射关系.在有理式过程神经元网络中,其基本信息处理单元为由2个成对偶出现的过程神经元组成,逻辑上分为分子和分母2部分,通过有理式整合后输出,可有效提高过程神经元网络对带有奇异值过程函数的柔韧逼近性和在奇异值点附近反应的灵敏性.分析了2种过程神经元网络模型的性质,给出了具体学习算法,并以油田开发过程模拟和旋转机械故障诊断问题为例,验证了这2种网络模型在时变信息处理中的有效性.

一种过程神经元网络模型及其在动态预测中的应用

针对非线性动态系统过程预测问题,提出一种满足时变信号预测机制的过程神经元网络模型.该网络模型的输入/输出以及连接权均可以是时变函数,其空间、时间聚合运算能同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应.通过对训练函数样本集的学习,网络可自动辨识动态系统的信息变换特性和输入输出关系,在机制上对时变信号预测问题具有良好的适应性.给出基于函数基展开结合LMS的学习算法,仿真实验结果验证了模型和算法的有效性.

基于过程神经元网络的动态预测模型及其应用

针对动态系统过程预测预报问题,提出了一种基于过程神经元网络的动态预测方法.过程神经元网络的输入/输出均可以是时变函数,其时空聚合运算和激励可同时反映时变输入信号的空间聚合作用和输入过程中的阶段时间累积效应.基于过程神经元网络的动态预测模型能同时满足对系统的非线性辨识和过程预测,在机制上对动态预测预报问题有较好的适应性.文中给出了基于函数基展开和梯度下降法的学习算法,以电力负荷预报为例验证了模型和算法的有效性.

基于三次样条函数拟合的过程神经元网络训练

过程神经元网络的提出为大样本识别问题开辟了新途径,但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数,然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分,并将此积分值提交给网络的过程隐层神经元,输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点,有效地简化了网络的时空聚合运算。实验表明该方法是可行的。

分式过程神经元网络在网络流量预测中的应用

为更好解决网络流量预测问题,依据函数逼近论中分式的函数逼近性质和拟合能力要远远大于线性函数的性质,以及过程神经元网络对时变函数的非线性变换能力,提出一种分式过程神经元网络模型及其学习算法。实验结果证明,该网络模型对具有奇异值过程函数的柔韧逼近性质和在奇异值点附近区域反应的灵敏性优于一般过程神经元网络,以网络实测数据对模型进行训练和流量预测,取得了较好的应用效果。

一类用于连续过程逼近的过程神经元网络及其应用

针对实际系统的输入输出是与时间有关的连续过程 ,提出了一类用于连续过程逼近的过程神经元网络模型 .模型利用神经网络所具有的非线性映射能力 ,实现系统输入输出之间的连续映射关系 .考虑过程神经网络计算的复杂性 ,在输入空间中选择一组函数正交基 ,将输入函数和网络权函数表示为该组正交基的展开形式 ,利用基函数的正交性 ,简化过程神经元计算 .文中给出了学习算法 ,并以油藏开发三次采油过程模拟为例验证了模型和算法的有效性 .

一种前馈过程神经元网络初始化方法及改进学习算法

分析了前馈过程神经元网络初始化对其训练速度的影响。提出了一种前馈过程神经元网络初始化方法,该方法将阈值初始化为时间积分运算的均值,可消除网络初始化不当的影响。提出了改进的网络学习算法,采用与初始化相似的方法修正阈值,可加快前馈过程神经元网络的训练速度。以时变信号分类为例,仿真验证了初始化方法及改进学习算法的正确性和有效性。

一类反馈过程神经元网络模型及学习算法研究

提出了一种带有反馈输入的过程式神经元网络模型,模型为三层结构,其隐层和输出层均为过程神经元。输入层完成连续信号的输入,隐层完成输入信号的空间聚合和向输出层逐点映射,并将输出信号逐点反馈到输入层;输出层完成隐层输出信号的时、空聚合运算和系统输出。在对权函数实施正交基展开的基础上给出了该模型的学习算法。仿真实验证明了该模型的有效性和可行性。