共查询到20条相似文献,搜索用时 187 毫秒
1.
研究了应用动态递归神经网络实现动态系统辨识的原理和方法,在没有被辨识对象的先验知识情况下,通过改进的Elman网络实现了非线性动态系统的辨识。仿真结果表明,与前馈网络相比,Elman网络具有学习速度快、泛化能力强的特点,可用较小的网络结构实现高阶系统的辨识,适用于具有本质非线性动态系统的辨识。 相似文献
2.
将Chebyshev神经网络作为非线性时间序列的辨识模型,通过对过去序列样本的学习,调整网络的权值,然后预测和推断未来的序列,仿真结果表明,Chebyshev神经网络具有优良的泛化能力和预测功能。 相似文献
3.
4.
5.
提出了利用基于自适应训练及删剪算法的抽头延迟神经网络模型对股指这一非线性时间序列进行预测。首先采用基于递归最小方差的自适应学习算法对网络模型进行学习训练,由于该算法的学习步长能够自行调整,初始参数少,所以收敛速度很快;再利用删剪算法对学习后的网络结构进行删剪,优化网络的拓扑结构,降低网络的计算复杂度,提高网络的泛化能力;然后对优化后的网络进行再学习,使优化后的网络具有最佳参数;最后利用优化后的网络对未来的股指(测试样本)进行预测。仿真实验表明,与删剪前的网络结构相比,优化后的网络结构不但降低了计算复杂度而且提高了预测精度,运算复杂度降低到原来的0.0556,预测均方误差达到8.7961e-5。 相似文献
6.
7.
股票价格是非线性时间序列,神经网络具有强大的非线性逼近能力。本文采用BP神经网络,并将数据分为训练集和测试集.以提高网络的泛化能力。经实验证明,设计出的BP神经网络的股价预测模型可以很好地逼近非线性时间序列.并较好地对股票价格进行短期预测。 相似文献
8.
9.
采用遗传算法训练对角递归神经网络预测控制器 总被引:2,自引:0,他引:2
本文提出了一种基于广义预测控制的神经网络预测控制方案.预测控制器由对角递归
神经网络预测控制器和前向神经网络静态补偿器组成.两种神经网络均采用遗传算法进行训
练.仿真实验表明,对于带纯时延的非线性被控对象,采用遗传算法设计的对角递归神经网
络预测控制器具有令人满意的控制性能. 相似文献
10.
本文针对控制系统中存在的测量滞后问题,提出了基于局部条件的资源分配网络(RAN-LC)预测的类稳态补偿控制。RAN-LC消弱了资源分配网络中样本输入顺序对网络结构演化的影响,提高了网络泛化能力。通过将RAN-LC预测的稳态信息作为控制作用的一部分,并结合RBF神经网络调整控制器参数进行控制。将本文提出的方法应用于污水处理的中和反应过程,仿真结果验证了稳态补偿对控制性能的影响。该方法对检测滞后系统有较好的控制效果,有效改善了系统的控制性能。 相似文献
11.
基于ANN的动态系统状态方程辨识建模仿真 总被引:1,自引:0,他引:1
对系统辨识原理、基于神经网络(ANN)的动态系统辨识进行了分析,针对动态系统辨识模型描述的复杂性,为简化ANN辨识建模的输入/输出关系的表达,提高算法的简洁性,采用了状态方程辨识模型,并给出了基于ANN的动态系统状态方程辨识模型。为比较分析不同网络结构的辨识建模效果及网络模型泛化能力,针对三种不同网络结构方案进行了辨识建模仿真研究。仿真结果最示,基于ANN的动态系统状态方程模型的辨识建模是有效的,并且简单合理的网络结构方案,可提高网络辨识模型的泛化能力。 相似文献
12.
针对传统的视网膜图像处理步骤复杂、泛化性差、缺少完整的自动识别系统等问题,提出了一套完整的基于深度神经网络的视网膜图像自动识别系统。首先,对图像进行去噪、归一化、数据扩增等预处理;然后,设计了紧凑的神经网络模型——CompactNet,CompactNet继承了AlexNet的浅层结构参数,深层网络参数则根据训练数据进行自适应调整;最后,针对不同的训练方法和不同的网络结构进行了性能测试。实验结果表明,CompactNet网络的微调方法要优于传统的网络训练方法,其分类指标可以达到0.87,与传统直接训练相比高出0.27;对于LeNet,AlexNet和CompactNet三种网络模型,CompactNet网络模型的分类准确率最高;并且通过实验证实了数据扩增等预处理方法的必要性。 相似文献
13.
选择性神经网络二次集成方法在定量构效关系建模中的应用研究 总被引:3,自引:2,他引:1
针对在建立定量构效关系(QSAR)模型中,单个人工神经网络模型难以确定参数,容易产生“过拟合”;一般神经网络集成模型虽然建立过程简单,但由于个体差异度小而导致泛化能力相对单个神经网络没有明显改善等问题,提出了一种基于随机梯度法的选择性神经网络二次集成方法。在建立除草剂(苯乙酰胺类化合物)的QSAR模型的实验研究中表明,该方法设计过程简单,能够以较小的运算代价明显地提高了模型的泛化能力,是建立QSAR模型的一个有效方法。 相似文献
14.
15.
针对道岔故障诊断系统实时性要求高、特征提取严重依赖于先验知识的问题,提出了一种基于一维卷积神经网络(1D-CNN)的道岔实时故障诊断方法。以S700k转辙机的功率曲线为例,建立一维卷积神经网络的结构模型,该模型将特征提取与故障分类融合为一体,优化了网络参数,同时使用正则化Dropout提高模型的泛化能力,采用t-SNE可视化方法,来反映模型提取特征的有效性。仿真实验表明:卷积层和池化层对原始时域信号的自适应特征提取,能较好地捕捉信号空间维度信息,降低模型的计算量,提高模型的抗噪性能,实现了端到端的实时故障诊断,并有效地提高道岔故障实时诊断的准确率。 相似文献
16.
标准的BP神经网络存在训练速度慢、容易陷入极小点、泛化能力低的特点。文中用附加动量项和改进学习速率相结合的方法对标准的BP神经网络进行了改进,并将其应用在木构古建筑的寿命预测中。仿真结果表明,和标准的BP神经网络相比,改进后的BP神经网络提高了泛化能力,能较准确地拟合训练值,避免了在确定计算参数过程中所产生的计算误差。 相似文献
17.
针对当前机器人模仿学习过程中,运动模仿存在无法收敛到目标点以及泛化能力差的问题,引入一种基于动态系统(dynamical system,DS)的模仿学习方法。该方法通过高斯混合模型(gaussian mixture model,GMM)将示教运动数据建模为一非线性动态系统;将DS全局稳定的充分条件作为约束,以保证DS所生成的所有轨迹收敛到目标点;将动态系统模型的参数学习问题转化为求解一个约束优化问题,从而得到模型参数。以7bot机械臂为实验对象,进行仿真实验和机器人实验,实验结果表明:该方法学习的DS模型从不同起点生成的所有轨迹都收敛到目标点,轨迹平滑,泛化能力好。 相似文献
18.
主流神经网络训练的交叉熵准则是对声学数据的每个帧进行分类优化,而连续语音识别是以序列级转录准确性为性能度量。针对这个不同,构建基于序列级转录的端到端语音识别系统。针对低资源语料条件下系统性能不佳的问题,其中模型使用卷积神经网络对输入特征进行处理,选取最佳的网络结构,在时域和频域进行二维卷积,从而改善输入空间中因不同环境和说话人产生的小扰动影响。同时神经网络使用批量归一化技术来减少泛化误差,加速训练。基于大型的语言模型,优化解码过程中的超参数,提高模型建模效果。实验结果表明系统性能提升约24%,优于主流语音识别系统。 相似文献
19.
为对复杂非线性系统进行辨识建模和实施有效控制,分析了基于神经网络的非线性系统逆模型的辨识和控制原理,研究了基于神经网络的非线性系统逆模型补偿的复合控制方法。基于复合控制思想,时常规PID控制器+前馈神经网络逆模型补偿的复合控制结构方案进行了仿真。仿真结果表明,基于神经网络的非线性系统逆模型补偿的复合控制结构方案是有效的、相对简单的网络结构,可提高逆模型的泛化能力和非线性系统的控制精度。 相似文献