基于BP神经网络的刀片切割竹枝性能研究

为探究竹枝切割时的刀片切割性能影响因素,支持后续打枝装置的设计,开展竹枝切割刀片性能研究试验,通过单因素试验研究,利用切割阻力作为衡量标准,探究刀片切割性能与关键参数(刀片的滑动角、楔角和滑动速度)之间的相互关系。试验结果显示,随着刀片滑动角和楔角的减小,刀片切割性能呈现明显改善。同时,随着刀片滑动速度的增加,切割性能也呈现相应提升趋势。在多组实验中,采用不同的刀片滑切角度、楔角和滑切速度参数,对不同直径尺寸的竹枝进行切割,并收集了切割阻力的数据构成数据集,构建一个3层BP神经网络模型,研究了刀片切割性能与滑切角度、楔角以及滑切速度之间的关联,并应用相关模型进行了拟合和预测。在BP神经网络中,当隐含层节点数设定为9时,成功建立了刀片切割阻力模型,精准地预测了刀片切割过程中的阻力变化,对刀片切割竹枝性能研究具有一定参考价值。

基于Hermite神经网络的动态手势学习和识别

为提高动态手势学习速度和识别准确率,本文提出一种基于Hermite正交基前向神经网络的动态手势识别方法。利用Camshift算法实时跟踪手势运动轨迹,提取手势特征向量作为神经网络的输入;以Hermite正交基函数作为隐含层激励函数构造三层前向神经网络,并给出一种基于伪逆的直接计算权值方法和根据网络目标精度要求自适应确定隐含节点数目方法;运用训练好的Hermite神经网络识别动态手势。测试结果表明:Hermite神经网络能够提高网络的学习训练速度和精度,提高手势学习速度和识别准确率,而且在手势识别方面具有较好的鲁棒性和泛化能力。

基于和声搜索算法的极限学习机网络优化

极限学习机(ELM)因其运算速度快、误差小等优点而得到广泛的应用,但由于随机给定输入权值和阈值可能导致隐含层节点无效,因此,ELM通常需要增加隐含层节点数来提高预测精度,从而导致网络泛化能力不佳。为了解决上述问题,提出一种和声搜索算法的极限学习机网络(HS-ELM),采用和声搜索算法不断调整ELM输入权值和隐含层阈值矩阵选取最优以达到优化网络的目的。最后通过两种复杂度不同的非线性函数拟合加以验证。结果表明,传统ELM网络平均预测误差为0.31×10-3%和1.6%,HS-ELM的平均预测误差为0.01×10-3%和0.4%。证明和声搜索算法优化后的ELM网络在同等情况下所需的隐含层节点数和预测精度均优于传统ELM网络的。

BP神经网络的设计

对ＢＰ神经网络设计中的隐层节点数、初始权值、学习率等参数的选择进行研究，分别给出若干经验公式。经试验验证，这些公式能用于确定ＢＰ网络隐层节点数、初始权值、学习率等重要参数，从而缩短网络的构造过程。

前向神经网络隐含层节点数的一种优化算法

由于前向神经网络隐含层节点数的确定尚无理论依据,为此提出一种基于黄金分割原理的优化算法,首先确定网络隐含层节点数频繁出现的区间范围;将网络总误差作为试验结果,然后利用黄金分割法搜索其区间中的理想数值;兼顾高精度的需要,将隐含层节点数频繁出现的区间作拓展,可以求得逼近能力更强的节点数。算法分析和仿真例子表明,此优化算法是切实可行的,不仅能找到理想的隐含层节点数,而且能起到节省成本、提高搜索效率等功效。

前馈神经网隐层节点的动态删除法

本文首先针对BP算法中存在的缺陷对误差函数作了简单的修改，使网络的收敛速度比原来的大大提高．此外本文提出了一种基于线性回归分析算法来确定隐层节点数．当已训练好的网络具有过多的隐层单元，可以用这种算法来计算隐层节点输出之间的线性相关性，并估计多余隐层单元数目，然后删除这部分多余的节点，就能获得一个合适的网络结构．计算机模拟实验结果表明，用这种方法来删除隐层中多余的节点是有效的．

Hermite前向神经网络隐节点数目自动确定

从函数逼近论出发,构造了一类以Hermite正交基为激励函数的前向神经网络.在保证网络逼近能力的前提下,令其输入层至隐层的权值和各神经元阈值分别为1和0,导出了基于伪逆的隐层至输出层最优权值的直接计算公式.并针对Hermite前向神经网络,提出一种依照学习精度要求而逐次递增型的隐节点数自动、快速、准确的确定算法.对多个目标函数的计算机仿真和预测结果表明,该神经网络权值直接确定方法和隐节点数自动确定算法能很快地找到最优的隐节点数及其对应的最优权值,且网络具有较好的预测能力.

确定RBF神经网络隐层节点数的最大矩阵元法

针对基于训练样本输入信息进行非监督聚类来确定RBF神经网络隐层节点数的方法存在利用信息不充分的缺陷,该文提出了一种新的确定RBF神经网络隐层节点数的方法。利用训练样本输入输出全部信息建立样本间的相似矩阵,然后采用最大矩阵元法来确定RBF神经网络隐层节点数。实验仿真表明,该方法是有效的。

LM-BP算法在金融股指预测中的参数设定

针对股价系统内部结构的复杂性、外部因素的多变性,分析了基于BP网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题。为了避免网络陷入局部最小点和提高网络的收敛速度,算法采用改进后的LM-BP,并与其他BP算法进行比较。以最具代表性的上证指数为例,仿真实验表明了经过对筛选后的样本学习,并对所建的预测模型进行训练后,该LM-BP算法能够对有短期上证指数走势进行有效稳定预测。

隐层节点数经验公式在水库调度规则提取中的应用效果评价

隐层节点数是确定人工神经网络模型结构的重要参数,但目前尚无通用的确定方法。以水库中长期优化调度规则提取为例,选择了四种典型的隐层节点数经验确定公式,将合格率、确定性系数、平均绝对误差、指标综合占优数等作为评价指标,以全年、汛期、非汛期为统计时段,评价了各经验公式对四项评价指标的拟合和检验效果,并进行了摄动分析。结果表明,Lippmann R P公式应用效果、适应性及稳定性均较好,更适合建立水库优化调度规则提取模型。

基于小波神经网络的穆棱河作物生育期径流预测

为提高研究精度,在基本的小波神经网络基础上改变隐含层节点数选取方法,降低基本方法随机性和盲目性。将改进的小波网络与人工神经网络进行对比分析。结果表明,小波神经网络改进方法更适合穆棱河流域径流预测。

前馈神经网络隐层结点设计的一个学习算法

考虑三层前馈神经网络隐结点学习问题．在分析同类与不同类训练样本在隐层输出上体现的差异的基础上，提出了一种在权值学习过程中动态地用除网络隐结点数的学习算法．数值结果表明本文算法是可行的．

BP神经网络合理隐结点数确定的改进方法

合理选择隐含层结点个数是BP神经网络构造中的关键问题,对网络的适应能力、学习速率都有重要的影响。在此提出一种确定隐结点个数的改进方法。该方法基于隐含层神经元输出之间的线性相关关系与线性无关关系,对神经网络隐结点个数进行削减,缩减网络规模。以零件工艺过程中的加工参数作为BP神经网络的输入,加工完成的零件尺寸作为BP神经网络的输出建立模型,把该方法应用于此神经网络模型中,其训练结果证明了该方法的有效性。

确定LSRBF神经网络隐节点数的单调指数法

针对仅利用训练样本输入信息进行非监督聚类来确定LSRBF神经网络隐层节点数存在的不足,本文提出了基于训练样本输入输出全部信息的修正单调指数法来确定LSRBF神经网络隐层节点数。实验结果表明,该方法是可行的。

基于近似结构风险的ELM隐层节点数优化

隐层节点数是影响极端学习机(ELM)泛化性能的关键参数,针对传统的ELM隐层节点数确定算法中优化过程复杂、容易过学习或陷入局部最优的问题,提出结构风险最小化-极端学习机(SRM-ELM)算法。通过分析VC维与隐层节点数量之间的关联,对VC信任函数进行近似改进,使其为凹函数,并结合经验风险重构近似的SRM。在此基础上,将粒子群优化的位置值直接作为ELM的隐层节点数,利用粒子群算法最小化结构风险函数获得极端学习机的隐层节点数,作为最优节点数。使用6组UCI数据和胶囊缺陷数据进行仿真验证,结果表明,该算法能获得极端学习机的最优节点数,并具有更好的泛化能力。

基于OCA客观聚类的RBF神经网络的研究

影响RBF神经网络性能的关键因素是基函数中心的选取,而目前尚没有可靠的方法选取RBF神经网络的中心。基于GMDH理论的OCA客观聚类具有能够自动确定最优聚类个数的优点。将OCA聚类应用于RBF神经网络中,用以自适应确定隐节点数目和各径向基函数中心,克服了传统RBF网络不能客观确定隐节点数目的缺点。实验仿真结果表明,基于OCA客观聚类的RBF神经网络具有自适应性、正确率高和训练速度快的优点。

基于隐层优化算法的模糊BP网变压器故障诊断

针对变压器故障诊断BP网络隐层节点数过少或过多造成的学习过程不收敛、网络范化能力弱等问题,文章采用隐层优化算法,给出了合理的网络结构,并在此基础上训练网络,给出实例验证了该算法的有效性。

基于不同ELM的西北旱区参考作物蒸散量模拟模型

参考作物蒸散量(reference crop evapotranspiration,ET0)的精准模拟是智慧灌溉、农田水分高效利用及水资源优化调度的重要依据。为有效提高气象资料缺乏情况下对西北旱区ET0的模拟精度,在西北旱区选取4个代表性站点,并以FAO 56 Penman-Monteith(P-M)模型的ET0计算结果为标准值,基于"sin"、"radbas"和"hardlim"3种激活函数构建27种极限学习机模型(extreme learning machine,ELM,分别记为ELM-sini、ELM-radj、ELM-hardk),并将其模拟结果与Hargreaves-Samani(H-S)、Makkink(MK)、Irmark-Allen(I-A)模型进行比较。结果表明:ELM-sin7(输入u2、Tmax和Tmin)的R2和NSE均大于0.96,RMSE小于0.35 mm/d,其GPI排名第4,模型模拟精度较高; ELM-rad5(输入Tmax、Tmin和n)和ELM-sin8(输入Tmax和Tmin)的R2和NSE分别大于0.78和0.76,RMSE小于0.93 mm/d; H-S、MK和I-A模型的R2和NSE分别小于0.77和0.63,RMSE大于1.00 mm/d,可见ELM-rad5和ELM-sin8模型精度明显高于相同输入下的其他物理模型;基于ELM-sin7探究隐含层节点数对模型精度的影响发现隐含层节点数为60～100时模型精度最高;基于ELMsin7模型进行可移植性分析发现,ELM-sin7在西北旱区内各训练站点和模拟站点组合下模拟精度较高。因此,在相同气象因子组合输入下,ELM-sini和ELM-radj模型模拟精度明显高于ELM-hardk,其中ELM-sin7模拟精度较高适用于西北旱区气象因子较少时的ET0模拟;而较传统物理模型,仅有温度和日照时数时ELM-rad5模型在西北旱区适用性更好,仅有温度时ELM-sin8模型在西北旱区适用性更强。

基于MATLAB的BP神经网络对电弧炉炼钢的终点预报

针对电弧炉炼钢终点的重要性,建立了基于MATLAB的BP神经网络对电弧炉炼钢终点碳含量及温度预报的模型,运用传统试凑法和单向调节法相结合的方法,可快速地找到最佳隐含层节点数,节省网络训练时间,具有实用性。对比预报线性回归相关系数可知,在0.01显著水平下终点碳含量和终点温度的相关系数均通过显著性检验;终点碳含量和温度的预报值和实测值的整体相关系数分别为0.899和0.820,均高于0.75,表明预测值与实测值的相关性十分显著,该网络模型具有极好的预报性;终点碳含量和温度在误差范围为±0.02%和±10℃内的预报命中率达到91.2%和94%,表明运用神经网络对电弧炉炼钢终点进行预报是有效的、可行的。

用messy遗传算法确定多层前向神经网络的隐层结点数

提出了一种用messy遗传算法来确定前向神经网络的隐层结点数的方法。该方法引入切断算子和拼接算子,以均方差函数为网络的目标函数,从而得到合适的隐层结点数。实例仿真表明,与现有的方法相比较,该方法找到的隐层结点数所对应的网络均方误差最小,达到了优化神经网络的结构的目的。