一种改进的增量型随机权神经网络及应用

增量型随机权神经网络(I-RVFL)具有良好的泛化性能,在一定程度上避免了过拟合问题,但是,I-RVFL网络的输入权值和隐藏层偏差是从固定范围内随机生成的,可能会导致模型不稳定。针对上述问题,论文提出一种改进的I-RVFL网络。首先,利用指数加权平均对历史数据依赖随时间指数衰减且能平滑数据中异常值的特点,优化随机分配的输入权值与偏差。然后,将凸函数的下降梯度比应用到模型误差序列中,建立神经网络权值配置的约束条件。在UCI数据集上的仿真结果表明,改进的I-RVFL网络在分类精度以及稳定性上有显著提高。将论文方法应用于红外火焰识别,检测准确率达到98%,验证了该网络的有效性和实用性。

一种基于随机权神经网络的类增量学习与记忆融合方法

连续学习(Continual learning,CL)多个任务的能力对于通用人工智能的发展至关重要.现有人工神经网络(Artificial neural networks,ANNs)在单一任务上具有出色表现,但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象,即联结主义模型在学习新任务时会迅速地忘记旧任务.为了解决这个问题,将随机权神经网络(Random weight neural networks,RWNNs)与生物大脑的相关工作机制联系起来,提出一种新的再可塑性启发的随机化网络(Metaplasticity-inspired randomized network,MRNet)用于类增量学习(Class incremental learning,Class-IL)场景,使得单一模型在不访问旧任务数据的情况下能够从未知的任务序列中学习与记忆融合.首先,以前馈方式构造具有解析解的通用连续学习框架,用于有效兼容新任务中出现的新类别;然后,基于突触可塑性设计具备记忆功能的权值重要性矩阵,自适应地调整网络参数以避免发生遗忘;最后,所提方法的有效性和高效性通过5个评价指标、5个基准任务序列和10个比较方法在类增量学习场景中得到验证.

针对大规模数据的随机权值前馈神经网络模型优化

具有随机权值的前馈神经网络(FNNRWs)因其在大规模数据集处理中的潜能而受到广泛的关注。在具有随机权值的前馈神经网络的基础之上,将大规模数据分为大小相同的子集,每个子集派生出相应的子模型。根据激活函数计算出输入权值和偏置的最优取值范围,输入权值和偏置在该范围中随机产生,采用迭代的方式来评估输出权值。在UCI标准数据集上的实验结果表明,该算法对处理大规模数据集具有很好的应用效果。

基于随机权重的粒子群算法的串补配置优化

输电线路中配置串补可以提高输电系统的输电容量,但如何配置合适的串补使得效果最佳是一项亟待解决的难题。本文提出一种基于随机权重的粒子群算法优化电力系统网络串补配置,首先研究电力系统中加入串补后的潮流计算,其次建立系统配置串补后的多目标潮流优化模型,最后利用随机权重的粒子群算法进行求解。在IEEE30节点输电系统仿真验证,通过配置合理的串补容量及选址后,系统电压质量和网损最优。本文有效解决了串补配置的定容选址问题,对今后的工作研究有一定参考价值。

逆序随机权重平均最优位置的量子粒子群算法

为了进一步提高量子粒子群算法的精度,从描述粒子状态波函数的δ势阱特征长度L(t)出发,本文重新修改了评价方式.通过为群体中的每个粒子引入随机权重,采用与粒子最优位置适应度逆序的结合方式,生成逆序随机权重平均最优位置来重新评价L(t).该方法降低了粒子陷入局部极值点的可能性,增强算法的随机性,帮助算法逃离局部极小值点的束缚,使算法尽快找到全局极值点.通过几个典型函数测试表明,改进算法的收敛精度优于QPSO算法,并能有效的避免粒子群陷入问题的局部极值点.

基于随机权重粒子群和K-均值聚类的图像分割

K-均值聚类具有简单、快速的特点,因此被广泛应用于图像分割领域。但K-均值聚类容易陷入局部最优,影响图像分割效果。针对K-均值的缺点,提出一种基于随机权重粒子群优化(RWPSO)和K-均值聚类的图像分割算法RWPSOK。在算法运行初期,利用随机权重粒子群优化的全局搜索能力,避免算法陷入局部最优;在算法运行后期,利用K-均值聚类的局部搜索能力,实现算法快速收敛。实验表明:RWPSOK算法能有效地克服K-均值聚类易陷入局部最优的缺点,图像分割效果得到了明显改善;与传统粒子群与K-均值聚类混合算法(PSOK)相比,RWPSOK算法具有更好的分割效果和更高的分割效率。

基于随机权重多目标遗传算法的多目标动态单元构建方法

考虑多变的市场需求环境下单元生产系统在多个计划期具有多个目标的动态构建决策问题。通过对单元生产构建过程中的总费用、设备负载与能力之间最大偏差以及零部件跨单元移动的总次数3个目标进行权衡,建立了非线性多目标动态单元构建的数学模型。采用自适应小生境技术、惩罚技术、双轮盘赌法和精华选择策略,提出了基于精华保留策略的随机权重多目标遗传算法求解该组合优化问题。结合实例对模型和算法进行了仿真分析,结果显示了算法对解决多目标动态单元构建问题的有效性。

基于自组织随机权神经网络的BOD软测量

针对污水处理复杂系统中关键水质参数生化需氧量(biochemical oxygen demand,BOD)难以准确实时预测的问题,在分析污水处理过程相关影响因素的基础上,提出一种基于敏感度分析法的自组织随机权神经网络(selforganizing neural network with random weights,SONNRW)软测量方法.该方法首先通过机理分析选取原始辅助变量,经过数据预处理,之后采用主元分析法对辅助变量进行精选,作为SONNRW的输入变量进行污水处理关键水质参数BOD的预测.SONNRW算法利用隐含层节点输出及其权值向量计算该隐含层节点对于残差的敏感度,根据敏感度大小对网络隐含层节点进行排序,删除敏感度较低的隐含层节点即冗余点.仿真结果表明:该软测量方法对水质参数BOD的预测精度高、实时性好、模型结构稳定,能够用于污水水质的在线预测.

随机权神经网络研究现状与展望

神经网络随机学习克服了传统梯度类算法所固有的收敛速度慢及局部极小问题,最近已成为神经网络领域的研究热点之一。基于随机学习的思想,人们设计了不同结构的随机权神经网络模型。本文旨在回顾总结随机权神经网络的研究现状基础上,给出其发展趋势。首先,提出随机权神经网络简化模型,并基于简化模型给出神经网络随机学习算法;其次,回顾总结随机权神经网络研究现状,基于简化模型分析不同结构随机权神经网络的性能及随机权初始化方法;最后,给出随机权神经网络今后的发展趋势。

随机权分布对极限学习机性能影响的实验研究

极限学习机是一种训练单隐含层前馈神经网络的算法,它随机初始化输入层的权值和隐含层结点的偏置,用分析的方法确定输出层的权值。极限学习机具有学习速度快、泛化能力强的特点。很多研究都用服从[-1,1]区间均匀分布的随机数初始化输入层权值和隐含层结点的偏置,但没有对这种随机初始化合理性的研究。用实验的方法对这一问题进行了研究,分别研究了随机权服从均匀分布、高斯分布和指数分布对极限学习机性能的影响。研究发现随机权的分布对极限学习机的性能的确有影响,对于不同的问题或不同的数据集,服从[-1,1]区间均匀分布的随机权不一定是最优的选择。研究结论对从事极限学习机研究的人员具有一定的借鉴作用。

基于随机权重粒子群算法的SCARA机器人动力学参数辨识

针对SCARA机器人在负载条件下末端动力学参数难以辨识的问题,在分析负载对各关节力矩影响的基础上,对SCARA机器人进行了结构简化,利用Lagrange法建立带负载机器人的动力学数学模型,确定了需要辨识的机器人末端动力学参数。在传统粒子群算法的基础上,提出一种随机权重粒子群算法对机器人动力学参数进行辨识,并编写了相应的程序。仿真辨识结果表明:随机权重粒子群算法的收敛速度与参数粒子搜索范围得到明显提升,辨识出的机器人力矩与实际输出力矩基本吻合,说明该算法对机器人动力学参数的辨识具有较高的精度;与遗传算法、基本粒子群算法相比,随机权重粒子群算法辨识得到的适应度函数最优值最小,不易陷入局部最优,便于全局搜索,参数辨识精确更高。

基于随机权神经网络的地震灾害经济损失评估与预测

地震灾害损失的评估和预测是地震风险管理的重要环节。利用随机权神经网络(NNRW)对我国2008-2014年地震灾害直接经济损失进行了评估和预测,并将其与传统的BP神经网络进行了比较。研究结果表明,在训练时间、训练精度和预测精度上随机权神经网络都优于BP神经网络,并且随机权神经网络不易发生过拟合现象。因此,随机权神经网络为地震灾害直接经济损失的快速而精准评估和预测提供了一种新方法。

单通道接收机协方差矩阵的随机权恢复方法

随着阵列理论的发展和应用 ,单通道接收机相对于多通道接收机显示出独特的优越性。此中协方差矩阵的恢复成为一个关键问题。本文针对这一问题 ,利用在不相关信号源条件下均匀线阵协方差矩阵具有的 Toeplitz和 Hermite性质 ,在理论上最少条件数的意义下 ,给出了协方差矩阵的随机权恢复方法 ,并进一步将此思想应用于稀布线阵 ,给出了在极限意义下的最少条件数的协方差矩阵恢复方法。仿真实验表明 ,本文所提的最少条件数的随机权方法具有很强的可操作性 ,说明了单通道接收机协方差矩阵的随机权恢复方法相对于现有方法具有所需条件数少和灵活方便的优点。

随机权重粒子群算法优化磁轴承系统

为了提高单自由度主动磁悬浮轴承系统的稳定性,采用随机权重粒子群算法与传统PID控制相结合的方法,将随机权重粒子群算法与线性递减权重粒子群算法进行函数测试对比,结果表明,随机权重粒子群算法能够更快、更准确地找出优化函数的最优值。通过MATLAB/Simulink构建系统模型并进行仿真对比,证明随机权重粒子群算法可以更好地提高系统的稳定性。

基于多目标优化随机权系数加权和的机组负荷分配

火电厂机组负荷优化分配不仅要考虑机组煤耗,还要考虑机组的污染物排放水平。采用随机权系数方法将多目标优化问题转换成单目标问题,基于试验方法确定初始样本集,利用序列二次规划方法获得多目标问题最优解。由于权系数的随机性,多次运行能够得到多目标优化问题的Pareto解和Pareto前沿。与固定权系数相比,这种方法能够找到非凸均衡面上所有的Pareto最优解。由Pareto最优解构成决策矩阵,使用赋权的信息熵方法对最优解的属性进行权值计算,然后用逼近理想解的排序方法进行多属性决策研究,对Pareto最优解排序。讨论了3台机组间负荷分配的多目标优化和决策,算例表明文中提出的联合方法能够迅速搜寻到Pareto解。

一种基于调和随机权网络与曲波变换的图像分类方法

图像分类是图像处理研究中重要且基本的问题之一,而设计有效的特征提取方法和快速高精度的分类器则是图像分类研究的关键.文中以随机权网络算法为基础,结合多项式函数能有效逼近目标函数相对平缓部分的优点,提出调和随机权网络算法,并以此算法作为分类器,结合快速离散曲波变换和局部判别定位法,给出一种图像分类方法.该方法首先利用快速离散曲波变换提取图像特征,然后依据局部判别定位法对所提取的图像特征降维,最后运用所提出的调和随机权网络分类器识别降维的特征,从而有效实现图像分类.实验表明文中方法具有更高的识别率和更快的识别速度.

基于交替方向乘子法的球磨机负荷分布式随机权值神经网络模型

针对传统集中式机器学习处理大规模数据存在通信开销大、算法时间和空间复杂度高等问题,基于交替方向乘子法(ADMM),提出一种球磨机负荷分布式随机权值神经网络建模方法,局部网络节点采用正则化随机权值功能连接RVFL网络,全局球磨机负荷模型参数采用分布式优化学习ADMM方法交替迭代更新求解。实验结果表明,基于ADMM-RVFL的球磨机负荷模型在计算速度和精度方面具有相对优越性。

基于随机权神经网络的地震灾害经济损失评估与预测

随着科学技术发展,国家对于地震灾害的预测和规划应对有了长足的进步,自2008年以来,我国致力对于地震预警的研究,在信息技术智能化发展的前提下,越来越多的技术被应用于相关的评估预测进程当中,文章对基于随机全神经网络的地震灾害经济损失评估预测展开相关的讨论,分析随机权神经网络在地震灾害中发挥的作用。

基于随机权神经网络集成模型的实时遥测数据处理

飞行任务中的遥测数据是快速产生的时间序列数据流,其受测量设备和空间环境等因素影响易产生数据的漂移,由于过程进化属性,其数据分布属性也会发生变化,传统单一数据预测模型无法反应数据自身特征属性的这一变化;因此,提出一种联合具有随机权重的神经网络和装袋算法的集成方法实现对遥测数据的在线回归预测,设计的算法能根据数据特征属性变化而进行自主更新;利用基模型的多样性和低训练复杂度,同时满足数据处理的精度和实时性要求;通过实验仿真,结果表明该方法能明显抑制遥测数据的漂移现象,数据的预测精度提高近10m。

二元上尾独立风险模型中的带有随机权重的随机变量的大偏差

设{Xi,i≥1}是一个二元上尾独立的服从不同分布的随机变量,{θi,i≥1}是一个独立同分布的非退化的随机变量,研究了由{Xi,i≥1}和{θi,i≥1}构成的风险模型中的大偏差,采用类似求带随机权重的相依风险模型中的大偏差的方法,得到了二元上尾独立风险模型中的带有随机权重的随机变量的大偏差的一致渐近公式.