基于神经网络算法的大数据分析方法研究

随着深度互联网时代到来,大数据所蕴含的巨大科学、经济价值逐渐凸显。然而其数据分析方法却存在较高技术壁垒,想要发掘出大数据的价值空间,需要摒弃传统方案,采用新的分析方法。深度神经网络算法采用仿生学习算法整合庞大的异构数据,支持多源信息筛选,可实现时序动态捕捉,从而搭建起大数据转化为价值信息的桥梁。文中着重分析"大数据+神经网络"的深度学习算法在非结构化、模式多变的大数据群中的特征提取模式;并基于无限神经网络的前馈式连接方法,耦合时间参数进行更精确的特征提取与数据预测。最后对其在语音识别和图像分析中的应用进行实例测试,数据结果表明:无限神经网络在数据处理中具备更为强大的计算效率和性能优势。

NARX网络在自适应逆控制动态系统辨识中的应用

针对动态神经网络的学习算法问题,提出了一种适用于带外加输入的非线性自回归 (NARX)动态网络的改进型RTRL学习算法. 该算法基于LM算法的思想,取代传统RTRL中的梯度寻优算法,以改善RTRL的学习速度, 并将该方法应用于NARX动态网络自适应逆控制的对象辨识中. 数值仿真结果表明该改进学习算法是可行而有效性的,并且也验证了NARX动态神经网络具有很强的动态描述能力.

基于Elman神经网络的化工过程软测量建模方法

针对软测量建模问题,提出了一种基于Elman神经网络的软测量建模方法。将该方法应用于脱丁烷塔底部丁烷组分含量以及硫回收装置尾气中SO_2和H_2S含量的软测量建模,分别采用BPTT算法、RTRL算法和EKF算法对Elman网络进行训练。在同等条件下,通过与传统的梯度下降算法以及其他软测量建模方法对比表明,EKF算法能够获得较好的离线估计结果,具有较好的鲁棒性和较快的收敛速度。