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。

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。

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·

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.

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。

神经网络在电力负荷预测中的应用

在短期负荷预测过程中,引起负荷变动的因素与负荷之间的非线性映射关系是造成预测结果与实际结果之间存在偏差的原因之一。神经网络具有很强的非线性映射能力和自学习能力。为提高短期负荷预测的精度,基于神经网络的研究方法,设计了预测网络。该网络以洋山深水港东港路10 kV开关站中沈家湾的日负荷数据为样本,对采集电量进行了预处理;然后对其隐层个数及节点个数进行了分析设计;最后对短期日负荷进行预测。对比结果表明,预测值与实际值吻合较好。

ELM算法中随机映射作用的实验研究

通过实验研究ELM算法中随机映射的作用及神经网络中隐含层结点个数对网络泛化能力的影响。在35个数据集上进行实验,针对不同的数据集,找到网络的最优精度所对应的隐含层结点个数。实验结果表明,当随机映射使数据升维到一定维数时,网络性能得到提高。

变结构神经网络

针对神经网络结构、性能不佳的普通状况 ,本文提出变结构的神经网络 .先后研究了神经网络单隐层和多隐层的变化情况 .

BP神经网络隐含层节点数确定方法研究

在BP神经网络的众多参数中,隐含层节点数是其中一个非常重要的参数,它的设置对BP神经网络的性能影响很大,而且是导致"过拟合"现象的直接原因。目前理论上还不存在一种科学普遍的用于确定隐含层节点数的方法,应用时只是凭借设计者以往的经验以及借助多次实验进行确定,因此无法高效地获得隐含层节点数。针对BP神经网络隐含层节点数的确定问题,提出一种"三分法"算法,用于快速确定BP神经网络的隐含层节点数的最优解。在Wine-data数据集上,通过Matlab仿真实验验证了"三分法"算法比传统方法获取隐含层节点数的效率提高了1.8倍,是一种行之有效的方法。

一种新的基于Agent的神经网络隐层节点数的优化算法

本文提出了一种新的基于Agent的神经网络隐层结构的优化算法(OHA)。该方法包括两个部分,分别由RLAgent和NNAgent合作完成。RLAgent根据强化学习算法找到一个比当前节点数更优的解,并反馈给NNAgent。NNAgent据此构建相应的网络,并采用分层训练的算法对该网络进行优化,训练结果再发给RLAgent。在多次循环后,OHA算法就可以找到一个训练误差最小的全局最优解(权值及隐层节点数)。本文讨论了有关的算法、测试和结果分析。Iris数据集和危险评估数据集的测试结果表明,算法避免了盲目搜索造成的计算开销,明显改善了优化性能。

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。

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。

基于遗传神经网络敏感度分析的飞灰含碳量测量方法

飞灰含碳量是反映电站锅炉燃烧效率的重要指标,准确测量飞灰含碳量有利于监测和调整锅炉燃烧,降低煤耗,提高锅炉运行的经济性和安全性。分析了工程上普遍采用的人工取样、实验室化验方法以及在线监测仪器所存在的缺陷。研究了以软测量和信息融合技术为代表的人工智能方法的不足,采用遗传神经网络算法,对的连接权值、阈值和隐层节点个数进行了优化计算,以增强网络的泛化能力,并利用Grason敏感性分析算法,对影响飞灰含碳量的输入参数进行了筛选,实现了以较少的工况输入来有效地测量输出。在此基础上,通过实际样本进行仿真分析和对比,验证了所用方法具有更好的测量精度,最后通过实测数据的对比进一步验证了该结论。

一种优化多层前馈神经网络中隐节点数的算法

多层神经元网络中隐含层的层数及其每一层的神经元数的多寡 ,至今仍无法用一个解析式精确求得 .提出了一种基于黄金分割法的算法 ,用于求解三层前馈神经网络中的隐层节点数 ,所得结果有助于提高三层前馈神经网络整体品质 .

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进:首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。

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．

一种Fibonacci优化理论的改进ELM分类方法

作为一种单隐层前馈神经网络,极限学习机(Extreme Learning Machine:ELM)相比传统神经网络算法具有模型简单、泛化能力好、学习速度快等优点,在大规模基因芯片技术的应用中为基因表达数据的肿瘤诊断提供了新的途径,是交叉科学领域新的突破.针对极限学习机随机确定权值,以及其算法存在大量隐层的神经元个数导致算法性能不稳定、分类精度不理想等问题,采用基于优化理论中的Fibonacci序列对ELM隐层节点与偏置进行改进,提出了一种基于Fibonacci优化理论的ELM分类方法(F-ELM).将改进分类方法应用到Hepatitis和Bridges数据集上,实验结果表明,基于Fibonacci优化理论的ELM分类方法性能得到提升,并相对传统的SVM算法、BP和Bayes算法的分类精度较高.

BP神经网络在模拟非线性系统输出中的应用

概述了非线性系统输出模拟的方法 ,对 BP神经网络及改进的 BP算法作了简要介绍 .以 BP神经网络运用于激光焊接过程中模拟焊缝形状的典型例子 ,探讨了 BP神经网络在非线性系统模拟输出中的可行性 ;通过实例分析及比较测试结果 ,对

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。