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.

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。

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.

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.

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 .

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·

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.

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。

基于过程神经元网络的汉字笔段提取算法研究

提出一种利用过程神经元网络,对脱机手写体汉字二维图像的笔段提取方法。定义了脱机手写体汉字笔段的提取方法,给出了用于脱机手写体汉字笔段提取的过程神经网络的模型和学习算法,并对算法进行了仿真实验。该方法与其他汉字笔段提取方法相比,具有速度快、可学习、鲁棒性好的特点。经实验证明,该方法是行之有效的。

一种概率过程神经元网络模型及分类算法

针对动态信号分类及与先验类别知识融合问题,提出了一种概率过程神经元网络模型.模型将贝叶斯概率分类机制与过程神经元网络动态信号处理方法相结合,通过在前馈过程神经元网络中增加一个模式单元层,以及采用归一化指数类型激励函数,实现基于贝叶斯规则的动态信号分类.分析了概率过程神经元网络分类机制与贝叶斯分类规则的等价性,给出了具体的学习算法,实验结果验证了模型和算法的有效性.

一种时变输入输出过程神经元网络及学习算法研究

针对输入/输出均为时变函数的非线性系统建模问题,提出一种时变输入输出过程神经元网络模型,并给出了具体的学习算法.过程神经元网络的输入、输出均可为时变函数,其空间、时间聚合算子分别取为空间加权求和及含时间变参积分,聚合运算和激励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.仿真实验结果验证了所提出模型和算法的有效性.

基于多种正交基函数的模块化过程神经元网络

提出一类基于多种正交基函数的模块化过程神经元网络模型,它融入了多时变输入的空间聚合和作用域限制的时间累积,并采用多种正交基函数在较小网络规模的条件下保证系统各种输入输出的精度,应用混合隐含层综合考虑了系统多类型输入对系统的作用,并应用模块化级联的方式在一定程度上减小了网络的总体容量,从而提高了整个网络的学习速度。应用实例的训练及仿真结果证明了该模型的可行性和有效性。

一种基于过程神经元网络辨识的PID控制模型及方法

针对非线性动态系统PID过程控制问题,提出了一种基于过程神经元网络辨识的PID参数自适应整定的控制模型和方法。利用过程神经元网络对于动态系统时变输入/输出信号的学习机制,在某种最优控制律下通过对被控对象进行辨识来追踪被控对象的输出对控制输入变化的灵敏度信息,实现参数自适应匹配的PID控制。给出了基于过程神经元网络辨识的PID控制系统结构以及相应的实现机制,实验结果验证了模型和算法的有效性。

基于小波包分析和过程神经元网络的水淹层识别方法

针对复杂时变信号模式识别,提出一种采用小波包变换和过程神经元网络进行水淹层识别的方法.该方法利用小波包分析具有的多分辨率特性,能有效滤掉噪声信号,从而保证有用信号时-频特征完整提取.根据过程神经元网络具有的时空二维信息处理及非线性映射能力,以其作为模式分类器,将滤波后的时变信号输入分类器中,可直接对时变信号进行模式分类.将该方法应用于油田开发测井曲线油层水淹状况识别,并给出具体的算法步骤.应用结果表明,该方法的识别效果较好.

基于混合量子遗传算法的过程神经元网络训练

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训练结果表明,此算法具有较好的稳定性和有效性。

基于过程神经元网络的中国油气资源可持续发展能力评价

近年来,随着国内油气需求的迅速增长,随着石油对外依存度的逐年扩大和石油价格的持续高走,国内关于油气资源可持续发展的研究日益受到政府和专家学者的高度重视。油气资源可持续发展能力不仅关系我国能源的可持续发展,也直接关系到国家经济、社会的可持续发展。在构建油气资源可持续发展能力评价指标体系的基础上,首次将过程神经元网络与遗传算法相结合,建立了油气资源可持续发展能力评价模型,并对中国2001—2005年油气资源的持续发展现状进行了评价,最后提出了实现中国油气资源可持续发展的政策建议。