Investigating the Synthesis of RBF Networks

The approximation capability of RBF networks is investigated using a test function and a fixed finite number of training data. The test function used allows to confirm the recently introducedconcept of second derivative dependent placement of RBF centers. Different Gaussian RBF networksare trained varying the width and the number of centers (number of hidden units). The dependenceof the approximation error on these network parameters is studied experimentally.

基于小样本数据统计的双阶段舌位建模研究

舌头是人类重要的发音器官,对发音时其形状的降维分析能有效协助语言学家分析人类的发音模式。主成分分析(Principal Component Analysis, PCA)是目前最常用的舌位轮廓降维分析方法。近年来,基于深度学习的自动编码器在降维方面被证明优于PCA。然而,舌头隐藏于口腔内部,难以获得大量的相关数据,这使得传统自动编码器无法直接用于舌位轮廓建模研究。为此,本文提出一种面向小样本舌位运动轮廓数据的双阶段自动编码器降维方法。首先该方法采用主动形状模型(Active Shape Model, ASM)产生大量舌头轮廓生理变形数据,并构建通用轮廓重建模型;接着,在第一阶段模型上添加降维层,用于对舌位轮廓数据进行压缩和分析。实验选取了从人类发音X光片中获得的240个元音舌形数据,并将该方法与传统PCA方法进行比较。结果表明,所提出方法获得的元音舌位图谱在二维平面上相对于传统PCA方法,区分度更好,具有更好的舌形降维和重建能力。

多层人工神经网络合理结构的确定方法

隐层结构如何选择是多层人工神经网络应用中一个关键问题·基于多层神经网络优化算法原理和非线性方程理论,建立了多层神经网络计算输出和理想输出关系的非线性方程组,分析了权阈变量、标准样本数量和输出层单元数量的内在关系,给出隐层层数和每个隐层单元数量选取应该满足的基本条件·提出多层神经网络合理结构,即隐层层数和每个隐层单元数量选取的一般原则,给出隐层结构定量求解的直接计算方法和间接优化计算方法·对具体算例进行了合理结构分析,通过神经网络优化算法对多种结构组合比较,表明所提出的合理结构分析方法的正确性·这种方法将为多层神经网络在工程应用中如何选取合理结构提供理论依据和选取有效方法·

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。

结构优化的RBF神经网络学习算法

文章提出了一种自动“删减”隐层神经元的ＲＢＦ神经网络学习算法。模拟结果表明，该算法训练的ＲＢＦ网络不仅结构得以优化，同时性能良好，可以成功地应用于模式分类和时间序列预测问题中。

前向神经网络合理隐含层结点个数估计

合理选择隐含层神经元个数是前向神经网络构造中的一个关键问题,对网络的泛化能力、训练速度等都具有重要的影响。该文提出了基于隐含层神经元输出之间的相关分析而进行隐含层神经元合理个数的估计方法,首先建立了基于网络输出和基于网络输出对网络各输入一阶偏导数的隐含层各神经元输出之间的相关程度度量,进而给出了基于模糊等价关系分析的神经元合理个数估计方法。具体应用结果证明了所提出方法的有效性。

使用最小二乘法减少神经网络的隐单元

提出新的逐步减少神经元个数并保持神经网络性能的方法 .每一步中利用提出的规则之一选择被消去的单元 ,然后求解一个线性最小二乘问题调整网络中部分剩余权值 ,使简化网络的输入 -输出关系在训练集上尽量保持不变 .该方法可以得到比已有的启发式方法规模更小 ,但性能相近的网络 。

利用Gaussian型RBF网络进行函数逼近的构造性估计

前馈人工神经网络有着极其广泛的应用 ,如何估计隐层神经元数及相应的逼近误差 ,一直是确定前馈网络结构的难点和关键。 RBF网络是一种最重要的前馈神经网络 ,本文给出了利用 Gaussian型 RBF网络逼近连续函数或 Lebesgue-可积函数时的构造性的隐层单元数显式估算式及相应的显式逼近误差估算式。文中的结论也易于推广到离散样本的情形。这些结论对于提高 Guassian型 RBF在实际应用时的计算精度和减少计算量具有一定的指导意义。

基于BP模型的基坑开挖引起邻近隧道变形预测

由于邻近地铁隧道的基坑开挖会影响原隧道结构的安全与稳定,故有必要针对基坑开挖过程中邻近隧道的变形情况进行研究。以天津某邻近地铁隧道的基坑工程为背景,提出了一种优化的BP神经网络方法对该问题进行研究。依据基坑及隧道的变形实测数据,分析了影响隧道水平位移的主要因素,将基坑与隧道的相对位置、围护结构的深层水平位移、支撑轴力以及开挖深度作为神经网络输入层的神经元,并确定了隐含层节点数以及有效监测范围。根据上述分析建立了一种可以预测隧道结构水平位移的BP神经网络。通过已训练好的BP网络对二期工程影响下的隧道水平变形进行预测且引入均方根误差RMSE进行分析,得出预测得到的隧道水平位移曲线形态与实测形态大致相同,从而验证了优化后的BP神经网络的可靠性。

基于GRA-GSBP选矿成本预测的研究

针对选矿成本影响因素较多,各因素间存在耦合和非线性关系以及BP神经网络隐含层节点数难以选择的问题,提出一种基于灰色关联分析与黄金分割法改进BP神经网络的成本预测法。首先运用灰色关联分析法计算各因素与选矿成本的关联度,选取关联度最大的四个变量作为BP网络的输入;其次采用黄金分割法搜索历史数据区间中的理想数值,在高精度的要求下,对隐含层节点数频繁出现的区间进行拓展,求得非线性映射能力更强的隐含层网络节点数;最后利用仪表柜中储存的现场数据对成本预测模型进行验证,验证结果证明该方法能够实时准确地预测选矿成本的变化趋势。