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LMI方法的多时滞随机神经网络的指数稳定性

研究了一类具有多个时滞的随机神经网络的均方指数稳定性问题,应用Lyapunov-Krasovskii泛函稳定理论和线性矩阵不等式(LMI)方法,建立了该系统解的指数稳定判别准则,最后通过数值举例阐述了结果的有效性.

随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性

旨在研究随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。当θ∈[0,1/2)时,在步长受限的条件下,随机时滞Hopfield神经网络分步θ方法是一般衰减率稳定的。对于θ∈[1/2,1],不需要额外的步长要求,即可保证随机时滞Hopfield神经网络分步θ方法的一般衰减率稳定性。最后,通过一个数值例子验证所得结果的有效性。

基于随机卷积核神经网络数据增强的软测量

精对苯二甲酸(PTA)生产过程中PX氧化反应的副产品4-CBA难以在线测量,只能通过离线分析获得少量样本。针对该问题,提出一种基于随机卷积核神经网络数据增强的动态软测量模型RCKN-XGBoost。该模型首先采用随机卷积核神经网络(RCKN)进行数据增强,扩充样本数量并改善其多样性;然后将原始样本与扩充后的样本线性组合,构成新的数据集;最后采用XGBoost对网络进行训练与预测。在某化工厂PX氧化过程4-CBA含量数据集上对RCKN-XGBoost模型与XGBoost、CNN、CNN-XGBoost、Laplace-XGBoost模型进行比较,发现RCKN-XGBoost模型的MRE指标分别降低了1.07%、0.92%、0.80%和0.65%,RMSE分别降低了27.9、18.62、12.58和8.05,证明了该模型的有效性。

基于随机模糊神经网络的刀具磨损量软测量技术

刀具磨损检测对于提高加工过程的自动化、高精度化、智能化具有重要意义 .本文通过检测电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型 .该模型的创新之处在于利用切削参数实时地调整网络的部分参数 ,从而可以减小切削参数与电流信号之间关系对于刀具磨损估计的影响并且使得模型具有动态性、实时性 .实验验证表明该方法是正确而有效的 .

随机Hopfield时滞神经网络均方指数稳定性:LMI方法

该文通过系统变换技巧,构造出新型的Lyapunov泛函．利用此Lyapunov泛函,基于线性矩阵不等式,得到了随机Hopfield时滞神经网络与时滞相关及与时滞无关均方指数稳定性新的充分条件．数值例子表明,与已有结果相比,该文的结果具有较少的保守性．

随机细胞神经网络的指数稳定性

本文研究了随机时滞细胞神经网络的指数稳定性 ,建立了这种细胞神经网络均方指数稳定与几乎必然指数稳定的充分条件 。

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。

具有可变时滞的Hopfield型随机神经网络的指数稳定性

研究了具有可变时滞的Ｈｏｐｆｉｅｌｄ型随机种经网络的指数稳定性，应用Ｒａｚｕｍｉｋｈｉｎ定理与 Ｌｙａｐｕｎｏｖ函数，建立了这种神经网络的均方指数稳定与几乎必然指数稳定的两类判据，一类是时 滞相关而另一类是时滞无关．

随机神经网络发展现状综述

随机神经网络 (RNN)在人工神经网络中是一类比较独特、出现较晚的神经网络 ,它的网络结构、学习算法、状态更新规则以及应用等方面都因此具有自身的特点 .作为仿生神经元数学模型 ,随机神经网络在联想记忆、图像处理、组合优化问题上都显示出较强的优势 .在阐述随机神经网络发展现状、网络特性以及广泛应用的同时 ,专门将RNN分别与Hopfield网络、模拟退火算法和Boltzmann机在组合优化问题上的应用进行了分析对比 ,指出RNN是解决旅行商 (TSP)

含反应扩散项和混合时滞的随机Hopfield神经网络的时滞相关全局指数稳定性分析

研究一类含反应扩散项和混合时滞的随机Hopfield神经网络的稳定性,通过构造恰当的Lya-punov泛函和运用不等式分析,得到了该网络平凡解时滞相关的全局均方指数稳定性条件,推广了已有的结果.利用一个例子,说明结果的有效性.

具有混合时滞的随机细胞神经网络的稳定性分析

讨论了具有混合时滞的随机细胞神经网络的p-阶矩指数稳定和几乎必然指数稳定性.借助于局部鞅收敛定理、M-矩阵的性质和It公式,在较为宽松的扩散系数矩阵的限制条件下,得到了p-阶矩指数稳定和几乎必然指数稳定的充分条件,推广了现有一些文献的结果.

具有反应扩散与变时滞的随机连续Cohen-Grossberg神经网络的p阶矩指数稳定性

讨论了一类具有变时滞反应扩散随机Cohen-Grossberg神经网络模型,利用Lyapunov函数与微分不等式,得到了该模型平衡解的存在唯一性与p阶矩指数稳定性的充分条件,推广了前人发表的相关结果.

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.

一类随机时滞神经网络的全局渐进稳定性分析

研究一类具变时滞与分布时滞的随机神经网络模型零解的全局渐进稳定性,该模型考虑了神经网络的随机扰动性。通过构造新型的Lyapunov泛函,结合不等式技巧,以线性矩阵不等式的形式,并给出了系统全局渐进稳定的充分条件。数值算例说明了结果的正确性。

一类含连续分布时滞的随机Hopfiled神经网络模型的几乎必然指数稳定性和p阶矩指数稳定性

考虑一类含连续分布时滞的随机Hopfiled神经网络模型的几乎必然指数稳定性和p阶矩指数稳定性,借助创建Lyapunov函数和运用非负半鞅收敛定理得到了该网络模型平凡解几乎必然指数稳定和p阶矩指数稳定的充分条件,并通过2个例子,说明结果的有效性.

不确定随机离散分布时滞神经网络的鲁棒稳定性

采用It s微分公式和不等式分析技巧,研究了一类不确定随机离散分布时滞神经网络的鲁棒稳定性问题。该模型同时考虑了神经网络模型的两种扰动因素,即随机扰动与不确定性扰动。通过构造适当的Lyapunov泛函,以线性矩阵不等式形式给出了系统在均方根意义下的全局鲁棒稳定性判据,能够利用LM I工具箱很容易地进行检验。此外,仿真结果进一步证明了结论的有效性。

具有分布时滞和无界时变时滞的随机神经网络的稳定性分析

通过引入衰减因子,构造一个新的Lyapunov泛函,结合不等式技巧,利用随机分析理论研究同时具有无界时变时滞和有界分布时滞的随机神经网络的p阶矩指数稳定性和几乎必然指数稳定性。所得稳定性判据只涉及系统本身参数,易于在实践中验证,结论推广改进了相关文献的结果。实例说明方法的有效性。

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。

具分布参数的广义随机神经网络的镇定

研究具分布参数的Cohen Grossberg广义随机神经网络的镇定性。将所考虑的系统的解随机场关于空间变量的积分视为相应的由随机常微分方程描述的神经网络的解过程来讨论其镇定性。具体实施方法是运用It 微分公式沿系统对构造的关于空间变量平均的Lyapunov函数进行微分,从而克服了研究具分布参数随机系统无相应It 公式的困难。