基于三次样条函数拟合的过程神经元网络训练

过程神经元网络的提出为大样本识别问题开辟了新途径，但其训练方法目前主要基于权函数正交基展开。这种方法基函数个数选取目前尚无理论依据。提出了基于三次样条函数拟合的过程神经元网络训练方法。首先将样本函数、过程神经元权函数的离散化数据拟合成分段表示的三次样条函数，然后计算样本样条函数与权值样条函数乘积在给定采样区间上的积分，并将此积分值提交给网络的过程隐层神经元，输出层由普通神经元组成。三次样条函数具有很好的光滑性、可积性、阶数低、参数少等优点，有效地简化了网络的时空聚合运算。实验表明该方法是可行的。     

一种基于最优分段函数逼近的过程神经网络训练算法

提出了一种基于最优分段函数逼近的过程神经网络学习算法。将网络时变输入信号和连接权在一定精度下表示为分段函数的拟合形式,根据最小均方误差准则,构建 PN N基于函数基展开的训练算法。选择低阶分段函数作为基函数,利用其良好的柔韧逼近和光滑可导性质,快速实现网络待定参数对函数样本的自适应学习。网络训练中,只需迭代调整分段函数的连接系数,可有效减少模型中的参数冗余、提高PNN对实际问题的建模能力。     

基于分段线性插值的过程神经网络训练

过程神经元网络的输入为时变连续函数,不能直接输入离散样本。针对该问题,提出一种基于分段线性插值函数的过程神经网络训练方法。将样本函数、过程神经元权函数的离散化数据插值为分段表示的线性函数,计算样本函数与权值函数乘积在给定采样区间上的积分,将此积分值提交给网络的隐层过程神经元,并计算网络输出。实验结果证明了该方法的有效性。     

基于模糊B 样条基函数神经网络控制的交流伺服系统

采用Ｂ样条函数八为模糊隶属函数,利用神经网络实现模糊推理,提出一种模糊Ｂ样条基品数神网络,并将其用于交流伺服系统的控制。仿真结果表明,该控制方法响应速度快,鲁棒性强,是一种有效的控制方法。     

基于样条函数的灰度图象插值

对飞行物体的跟踪中,由于目标小,视场大,在目标上采集到的象点较少,即所谓图象分辨率较低,用该分辨率来确定目标质心的位置,显然是不够准确的.为了改进跟踪视野的分辨率,提高目标质心位置的准确性,必须对目标的灰度图象采用内插技术,即所谓图象的“细分”.这种技术的应用,对星跟踪器尤为重要.为了构造一个基于样条函数的灰度图象曲面,(逐点通过每个图象灰度点),采用了逐块曲面逼近的办法,并证明是符合连续要求的.进一步简化,也可采用逐块平面逼近的办法.若用曲面逼近,该算法可用4×4窗口的管道技术来实现;用平面逼近,可用3×3窗口的管道技术硬件实现.     

基于张力样条插值函数的土地数据挖掘

张力样条插值函数在给定区间上分段逼近真值。该文提出以张力样条插值函数挖掘土地知识。首先,分析了土地的均质地域、样点、价格等空间属性,总结了量化属性作用的规则。其次,把张力样条插值函数引入空间数据挖掘,给出了应用其发现知识的方法。最后,文章提出的方法被应用于南宁市的地价挖掘。     

基于样条权函数神经网络的入侵检测*

通过分析当前运用较多的入侵检测模型的缺陷,提出了一种基于样条权函数神经网络的新型入侵检测系统模型。网络拓扑结构简单,网络训练所需要的神经元个数与样本个数无关。训练后的权函数由三次样条函数构成,而不是传统方法中的常数。该模型克服了传统入侵检测系统所存在的局部极小、收敛速度慢、初值敏感性等问题。     

自适应B样条模糊神经网络控制器的设计

B样条具有最小局部支撑和易于实现的优点。文章利用多变量B样条网络在运算表达式上与模糊神经网络结构之间的对等关系,并通过对其权值的训练,设计出自适应B样条模糊神经网络控制器。应用于具有严重非线性摩擦力影响的速度跟踪系统的仿真实验表明,所设计的控制器完全等价于模糊神经网络控制器,同时在计算量和实现上具有明显的优势。     

基于三次样条权函数神经网络的股价预测

随着经济的发展,股票投资已成为很多人的一种投资理财方式,而股票价格的预测也成为投资者关心和研究的焦点。建立一个运算速度和精确度都比较高的股价预测模型,对于金融投资者具有理论指导意义和实际应用价值。文中针对传统BP算法存在的学习速度慢、容易陷入局部极小值、隐层数不易确定等问题,使用三次样条权函数神经网络建立股价预测模型,克服了传统神经网络的缺点。仿真结果表明,该模型具有较高的预测精度,能够对股市进行有效的预测。     

一种基于混沌遗传与粒子群混合优化的过程神经网络训练算法

针对时变输入/输出过程神经网络的训练问题,提出一种基于混沌遗传与带有动态惯性因子的粒子群优化相结合的学习方法。综合利用粒子群算法的经验记忆、信息共享和混沌遗传算法的混沌轨道遍历搜索性质,基于PNN训练目标函数,构建两种算法相混合的进化寻优机制,通过适应度评估和优化效率分析自适应调节混沌遗传与粒子群算法的切换,实现网络参数在可行解空间的全局优化求解。实验结果表明,该算法较大提高了PNN的训练效率。     

用过程神经网络和遗传算法实现系统逆向求解

对于多输入多输出系统,针对如何根据系统模型和期望输出反求系统输入的问题,本文提出了一种基于过程神经网络和遗传算法相结合的方法.首先根据实际系统的领域知识和学习样本集,建立满足系统实际输入输出映射关系的正向过程神经网络.然后按照系统在过程区间的某一期望输出,用过程神经网络的输出误差构造适应度函数,用遗传算法逆向确定系统的过程输入信号,使该输入信号满足已建立的正向过程映射关系,从而完成系统的逆向过程控制.文中给出了具体的实现算法并给出了此方法的一个应用实例.     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.     

基于混合量子遗传算法的过程神经元网络训练 *

针对过程神经元网络现有学习算法复杂度高、对初值敏感的问题,提出了一种基于混合量子遗传算法 的过程神经元网络训练方法。将过程神经元网络的训练转换为等价非线性方程组的优化求解问题,用量子比特 构成染色体,采用实数对染色体进行编码,同时引入拟牛顿算法作局部搜索。该算法可发挥量子遗传算法的群 体搜索能力和全局收敛性,以及拟牛顿法较快的收敛速度,同时有效克服了拟牛顿算法对初值敏感的问题。训 练结果表明,此算法具有较好的稳定性和有效性。     

A fast procedure for the training of neural networks

A new training paradigm for artificial neural networks is described. The technique utilizes a polynomial approximation to the sigmoidal processing function and directly integrates principal components analysis (PCA) into the network training philosophy. A major benefit of the new technique is that off-line network training is ‘one-shot’, contrary to the standard iterative techniques available in the literature. Further training may be performed on-line in a recursive fashion, yielding an adaptive neural network. Additionally, the new philosophy incorporates a systematic procedure for determining the number of neurons in the hidden layer of the network. The training procedure is first described and the implications of the training philosophy discussed. Some results, including applications to industrial chemical processes, are then presented to highlight the power of the technique. The systems considered are a continuous stirred tank reactor and a polymerization reactor.     

基于过程神经网络和量子免疫算法的油气评价

为评价我国目前油气资源的可持续发展能力,提出了一种将过程神经元网络与量子免疫算法相结合的评价方法。首先,在构建油气资源可持续发展能力评价指标体系的基础上,采用过程神经元网络建立评价指标体系与评价结果之间的映射关系;然后采用量子免疫算法完成网络的训练;最后,以2004年～2006年的油气资源经济可持续发展评价为例,验证了方法的有效性和可行性。     

基于反传混沌粒子群训练的前馈神经网络研究

为了解决前馈神经网络训练收敛速度慢、易陷入局部极值及对初始权值依赖性强等缺点, 提出了一种基于反传的无限折叠迭代混沌粒子群优化(ICMICPSO)算法训练前馈神经网络(FNNs)参数。该方法在充分利用BP算法的误差反传信息和梯度信息的基础上, 引入了ICMIC混沌粒子群的概念, 将ICMIC粒子群(ICMICPS)作为全局搜索器, 梯度下降信息作为局部搜索器来调整网络的权值和阈值, 使得粒子能够在全局寻优的基础上对整个空间进行搜索。通过仿真实验与多种算法进行对比, 结果表明在训练和泛化能力上ICMICPSO-BPNN方法明显优于其他算法。