季伟东[1]2013年在《进化计算优化前向神经网络的学习方法研究》文中研究指明系统仿真领域的研究难点和研究热点之一是对复杂系统进行仿真及建模研究。人工神经网络通过大量互连神经元之间连接权值的分布存储来表示网络的解题知识,具有并行处理、自学习和能以任意精度逼近任意非线性函数等特性,神经网络具有的这些优点使其适宜于复杂系统建模中。但神经网络在应用中还存在一些问题,譬如网络学习局部极小,收敛速度缓慢,网络结构设计复杂及泛化性能弱等缺点,神经网络的这些缺陷阻碍了其应用。神经网络学习从本质上说是网络结构与权值的优化过程,神经网络这些局限性都不可避免的会牵扯到网络学习中的优化问题。进化计算是一类模拟生物进化过程与机制求解问题的人工智能技术,进化计算具有智能性和本质并行性两大特点,它不受对象目标函数连续可微条件约束,在一些离散、多态、含噪声的优化问题中更显示出该方法独特的优势,进化计算具有的这些优点为解决神经网络自身缺陷提供了一条全新可行途径。本文利用群体智能中的进化计算来解决神经网络在复杂系统建模中存在的主要问题,并将其应用于木材表面缺陷识别。主要研究内容如下:首先,针对网络结构固定情况下传统BP学习方法对网络学习易陷入局部极值、学习精度不高等缺陷,提出一种基于BP算子的粒子群(PSO)优化神经网络权值的学习方法。该方法有效结合粒子群算法和BP算法优点,在PSO全局勘探和BP局部开发之间能给出一个较好的折中;更重要的是该结合方式能给PSO进化和BP搜索之间提供一个相互充分作用的机会,即在PSO每代寻优解的基础上执行BP操作可以获得精度更高的优化解,同时该优化解又返回到粒子群优化过程并共享其位置信息引导群体的快速进化,两种算法之间相辅相成,相互促进来达到共同的寻优目的。实验结果表明该学习方法学习精度高,收敛速度快,在性能上优于常规神经网络的学习方法。其次,针对单一进化算法对复杂优化问题存在早熟收敛、优化效率低的问题,提出一种实数编码遗传算法与粒子群优化方法相结合的改进混合遗传算法(IHGA),该方法引入生态学中生态位构建思想,使得个体具有一定程度上的学习能力。采用遗传算法和粒子群算法的不同搜索机制共同作用于父代个体生成子代个体,一方面可以保持种群个体的多样性,同时也在一定程度上避免了算法早熟收敛。理论证明IHGA具有概率为1的全局收敛性,实验结果也表明该方法显著提高了算法优化性能及其优化解的可靠性。在此基础上,引入带连接开关的神经网络,提出一种基于IHGA的网络结构与权值并行调整优选方法,仿真结果表明该方法设计的网络学习精度高,结构节俭。然后,研究了径向基网络(RBF)的设计问题,提出了一种基于PSO的RBF网络新设计方法,该方法由正则化正交最小二乘法与D-最优试验设计结合算法自动构建结构节俭的RBF网络模型;通过改进粒子群优化算法优选结合算法中影响网络泛化性能的三个学习参数,即基宽度参数、正则化系数和D-最优代价系数的最佳参数组合。仿真实例表明了该方法是一种较好的RBF网络设计方法。在木材缺陷检测问题的研究工作中,表面缺陷检测技术一直占有重要的地位。木材表面缺陷模式识别通常采用人工神经网络技术,与其它检测技术相比,神经网络能够提高缺陷检测的准确率和检测效果,但同时仍然不能摆脱神经网络自身缺陷限制,使得其识别率不高。最后,将本文所提出的学习方法应用于木材表面缺陷识别中,与其它常见的网络学习方法做比较,并分析本文方法优缺点。结果表明采用本文方法构建的网络模型具有较高识别精度,且结构节俭,表明了本文提出的神经网络学习方法适宜应用于复杂网络模型建模中。
何永勇, 褚福磊, 钟秉林[2]2001年在《基于进化计算的神经网络设计与实现》文中认为基于进化算法可有效解决神经网络设计和实现中存在的一些问题 ,使网络具有更优的性能。在此对基于进化计算的神经网络设计和实现的研究内容及进展情况进行综述 ,讨论了网络实现的关键问题 ,包括网络权重的进化训练 ,网络结构进化设计 ,学习规则进化选取以及进化操作算子设计等 ,并分析了相关的研究和发展方向。
肖忠良[3]2010年在《进化神经网络及其在企业订单预测中的应用研究》文中提出面向时间序列建模及预测应用,针对RBF神经网络训练中结构设计问题和权值修正问题,本文分别提出改进的单目标RBF神经网络设计方法和改进的多目标RBF神经网络设计方法。论文所做主要工作概括如下:1)将RBF网络结构权值优化问题看作是样本训练误差最小化问题,提出一种改进的单目标进化RBF神经网络设计方法,该方法在优化神经网络权值的同时,具有结构自适应调整能力;2)基于网络结构与权值优化的综合多目标进化思想,提出一种改进的多目标进化RBF神经网络设计方法。该方法综合考虑RBF神经网络的训练误差、泛化能力与网络结构复杂度等优化目标,提出了一种基于Pareto方法的改进的非支配排序遗传算法,增加种群排序和精英保留过程,保持种群的多样性,防止过早收敛,以获得一个分布性和均匀性都很好的最优解集;3)基于企业订单预测和径向基函数网络建立RBF预测模型,利用上述提出的2种优化算法对其进行训练。对某企业的订单数据预测的实验与应用结果表明,基于上述改进方法来优化RBF网络模型,具有更好的预测能力。本文针对进化神经网络及其在动态时间序列预测中的应用进行研究,提出了改进的进化训练方法,对实际企业订单的预测应用结果表明了改进方法的有效性,本文研究成果对其他应用领域也具有一定的理论意义与实际参考价值。
俞健[4]1998年在《基于进化计算的神经网络设计方法》文中指出神经网络是在现代神经科学研究成果的基础上提出的用来“模拟”人脑功能基本特征的网络模型,它具有很好的并行处理、学习、非线性映射和泛化能力,并在模式识别、信息处理、设计、规划、诊断和控制等许多领域都得到了研究人员的亲赖。近十年来,基于神经网络的控制方法的研究取得了很大的进展,相应的硬件产品也已经上市。随着应用研究的不断深入和扩展,人们也碰到了1系列急需解决的问题,例如网络类型、结构、参数集的选择,学习算法的选择,基于神经网络的控制系统稳定性、鲁棒性分析等等。本文主要研究的是如何选择网络结构和参数集这个问题。 第1章是绪论。首先简单地回顾了控制理论的发展,介绍了智能控制研究的主要内容。通过这些介绍,主要是为了说明控制理论研究和应用中面临的挑战和基于神经网络的控制方法具有的巨大潜力。接着比较详细地论述了神经网络在控制系统中所起的作用,给出了具体的控制系统结构,并且指出了神经网络研究中需要澄清的3个模糊认识和需要解决的5个典型问题。最后简单地介绍了神经网络硬件研究的现状。 第2章提出了1种基于进化算法的神经网络结构设计方法。首先阐述了神经网络结构设计的意义,然后总结了神经网络结构设计的常用方法。神经网络的结构设计可以看成是1个寻优过程,而基于进化思想的进化算法正是1类很好的优化方法,所以利用进化算法获得较佳的网络结构就成为我的研究方向。利用进化算法设计网络的结构,首先要确定网络结构的编码方式,然后根据编码方式来决定选用何种进化算法。按照我提出的网络结构的编码方式,只有使用进化规划的方法才能完成结构寻优的任务。结构寻优的过程是和网络训练同步进行的,由于网络结构不是很规则,所以无法使用“梯度法”等优化手段,为此,网络权值训练采用的是遗传算法。通过解异或问题和逼近1个非线性函数的仿真实验,证明了这种基于进化算法的神经网络结构设计方法的可行性。 第3章提出了1种利用遗传算法设计BP网络的方法。通过引入正交试验设计的思想,重新定义了遗传算法中的交叉操作。新的交叉操作产生的子代个体多于2个,这些个体通过内部竞争优选出2个作为交叉操作的最终结果进入遗传算法的下1个步骤。在精心安排下,双亲中适应性强的1个也自动参与了内部竞争,这就保证了子代个体中至少有1个个体的性能不差于父辈。故障诊断的仿真实验初步证明了该方法的有效性。神经网络的训练过程和网络结构的寻优过程都是十分耗费时间的,为了寻找解决这个难题的方法,我尝试利用DSP/PC机组成的典型的主从式系统来实现自己提出的网络设计方法。通过对CSTR系统中状态估计问题的仿真研究,一方面进1步证明了设计方法的可行性,另一方面也在寻找缩短寻优时间的途径上进行了1次成功的尝试。
徐雪松[5]2004年在《基于人工免疫系统的函数优化及其在复杂系统中的应用研究》文中提出本文对基于人工免疫系统的函数优化方法及其在复杂系统智能控制中的应用进行了研究探讨,文章包括两部分内容。 第一部分,提出了一种基于克隆选择的函数优化方法。多模态函数和时变函数的随机优化问题是函数优化的重要研究内容,也是一个难以解决的问题。B细胞的克隆选择机制是免疫系统搜索抗体的重要手段,也是产生抗体多样性的重要原因,具有较强的优化能力。本文借鉴B细胞的克隆选择机制,通过构造克隆选择算子,提出了一种用于多模态函数和时变函数优化的克隆选择算法,进行了仿真验证以及应用探索。研究结果表明,该算法优化能力和保持模式多样性的能力较强,能够获得较好的多模态函数和时变函数优化效果。 第二部分,对基于克隆选择算法的人工免疫系统在复杂系统智能控制中的应用进行了探讨。主要包括模糊控制器与人工神经网络的优化设计,以及具有不确定性的复杂系统的模糊神经网络模型辨识三个方面。首先,模糊控制和神经网络控制是智能控制研究的重要内容,常规的模糊控制器和人工神经网络设计方法主观性较强,容易影响控制器性能。通过机器学习,对实际数据进行分析,获得较好的模糊控制器或人工神经网络结构和形式,对提高智能控制效果显得较为重要。本文探讨了利用克隆选择算法,对模糊控制器和人工神经网络进行优化设计的一种方法和途径,并进行了仿真研究,实现了模糊控制器控制规则的自动抽取和参数优化,以及人工神经网络的结构和参数的优化设计,获得了较好的设计效果。其次,免疫识别具有较强的鲁棒性和适应性,借鉴抗体识别原理可以构造快速、鲁棒的复杂系统模型辨识方法。不确定系统的自适应神经网络模型辨识的实质是一个时变函数优化问题,克隆选择算法适应性强,适合用于求解此类优化问题。本文采用克隆选择算法,结合抗体的模块化构成方式、抗体识别球原理,以及模糊神经网络,针对具有不确定性的复杂系统,提出了一种基于模糊神经网络的免疫在线模型辨识方法,并进行了仿真验证。结果表明,该方法在扰动范围较大的情况下,能够有效实现复杂系统模糊神经网络模型的快速在线辨识,鲁棒性和实时性较强。
陈得宝[6]2007年在《进化计算中的若干问题及应用研究》文中研究表明进化计算作为一种新的智能优化技术,已广泛用于工程科学中的各个领域,与传统优化方法相比,进化计算在全局优化、复杂性问题的求解及易用性方面都显示出其优越性。进化计算发展到今天,出现了许多方法,如遗传算法、进化规划、粒子群算法、蚁群算法等等。在对进化计算的研究中,算法设计一直是研究工作的重点,这方面的研究,始终围绕两个主题,一是对进化计算应用领域的拓展,二是提高进化计算的工作效率。前者重点放在设计和发现进化计算的搜索策略上,使其能解决过去不能解决或不能有效解决的问题,后者则着重改进已有的算法,使其效率进一步提高。本论文围绕这两个主题,提出了一些新方法来提高进化算法的性能,另外对一些实际中常碰到的复杂优化问题,提出了一些利用进化算法来解决的新方案,全文分为七章,具体的研究内容如下:第一章首先简要介绍了进化计算的一些典型分支和各个分支的历史,再介绍了提高进化计算性能研究工作的现状,主要对与本论文有关的三种进化方法的研究现状进行了重点阐述,最后介绍了本文的研究工作和创新点;第二章主要从群体多样性出发,设计了两种改善进化计算性能的方法,一种称为平均性能短时退化进化计算方法,在维持群体数量不变的前提下,按照多样性函数值,选择部分较差个体加入下一代种群,以维持种群的多样性。根据当前群体多样性,设计了一种确定所选较差个体数量的明确关系,算法具有一定的适应性;另一种方法称为阶梯形动态种群进化方法,与其它的动态种群方法相比,它既能维持种群多样性,又保证了每个个体都能得到充分进化,算法的运算量较小。为确定每个阶梯上种群数量,根据当前代种群多样性,设计了一种确定每个阶梯上群体数量的自适应方法,并将此方法分别用到遗传算法和粒子群算法中,验证了方法的有效性;第三章主要从染色体的编码方法入手,研究了复数编码和递阶编码方法。利用复数的模和幅角同时对个体染色体进行编码,设计了一种复数粒子群方法,拓展了群体包含的信息量;另外,针对神经网络和模糊规则基的结构和参数难以同时优化问题,提出了一种两阶编码方法,用二进制编码表示结构,用复数编码表示参数,利用进化规划方法同时实现了神经网络和模糊规则基的结构和参数同时优化;第三个研究内容是,针对粒子群飞翔时,需要粒子的维数相同,在不同结构的网络中难实现问题,提出了一种自适应飞翔的粒子群方法,为粒子群在解决不同维染色体问题中作用的发挥,提供了一种新的思路,通过对RBF网络的自动设计实验,证明了方法的有效性;第四章结合内分泌系统和神经系统对生物行为的共同作用原理,提出了一种基于内分泌调节机制的粒子群算法,对内分泌系统激素的更新和作用机理进行了重点研究,设计了一种适合于激素更新的函数,对粒子更新过程进行重新调整。实验证明,此方法在复杂高维函数优化问题和机器人全局路径规划问题中起得了良好的效果;第五章提出了一种“逆群”协作粒子群方法,根据粒子既跟踪较好的位置(吸引群)又排斥较差位置(排斥群)的原理,利用两个行为不同子群之间的相互协作来提高粒子群算法的性能,避免了仅采用吸引群时粒子易陷入局部收敛的弱点,又克服了仅采用排斥群时,由于缺乏较好粒子的引导,出现粒子发散和算法不收敛现象的发生;第六章结合进化计算方法和最大熵原理,分别提出了一种离线和在线设计模糊规则基中心的方法,对设计原理及推理过程进行了分析,通过典型模型的建模实验验证了离线方法的有效性,并将在线方法用于复杂运动跟踪中,实现了对运动的快速跟踪,克服了经验方法确定最大熵参数时“溢出”现象的发生;第七章对本论文进行了总结,给出了存在的问题和进化计算未来的研究方向展望。
田津[7]2008年在《基于协同进化的RBFNN学习研究》文中研究指明从20世纪80年代神经网络的研究再次复苏并形成热点以来,发展非常迅速。理论研究包括计算能力、对任意连续映射的逼近能力、学习理论等取得了丰硕的成果,其应用已迅速扩展到经济与企业管理、金融工程、模式识别、医疗诊断及众多数据挖掘领域。其中较为常用的是径向基函数神经网络(Radial Basis Function Neural Network,RBFNN),具有结构简单、泛化能力强和收敛速度快等特点。本文结合数据挖掘和机器学习中的分类任务,针对RBFNN学习亟需解决的关键问题,应用协同进化算法进行了深入系统地研究。主要研究内容包括:(1)介绍了神经网络学习的统计性能和RBFNN基本原理,评述了相关研究进展和典型RBFNN中心确定算法。概括了协同进化算法理论基础、整体框架以及发展现状。(2)提出了基于合作型协同进化的RBFNN算法。在标准网络结构中加入一个聚类层,对初始隐节点聚类,把性质相似的隐节点聚集成隐节点群,以聚类后的隐节点群作为子种群进行协同进化操作。各子种群间相互作用、相互影响。实验结果表明,该算法能够在一定程度上克服用传统优化算法进行网络训练耗时长的不足,且构建的RBFNN具有较小的网络规模,较强的泛化能力。(3)提出了基于协同覆盖的EBFNN算法。该算法把隐层剥离出来,直接由覆盖的情况确定分类结果,从而较好地增强EBFNN可理解性,同时省去标准网络中隐层到输出层权值的求取,简化了网络结构;通过协同进化算法与启发式算法的局部搜索的有效结合,采用启发式搜索自动增减隐节点个数,进一步改进网络结构。实验结果表明,该算法在初始隐节点在样本中随机选择的前提下,能够充分利用EBFNN覆盖域特点,达到较好的样本覆盖效果以及分类结果。(4)提出了带有特征选择的双种群RBFNN分类算法。将输入向量的特征选择和RBFNN优化过程协同进行,一并获得较优的网络结构和约减的输入向量维数,有效降低特征空间的维数,利用较小的网络结构获得较高的分类精度。实验结果表明,该算法对于大规模高维数据可以选择出切实有效的特征属性,避免复杂网络结构的生成,且算法快速有效,具有较强的复杂样本分类能力。(5)提出了多种群协同进化神经网络集成算法。将神经网络集成和协同进化算法相结合,每个个体神经网络对应于协同进化中的一个子种群,可保证每个个体网络自身进化和个体网络之间相互影响相结合;然后根据RBFNN特点,借鉴多数投票方法和最大值决定方法,对结论生成方式进行改进。实验结果表明,该算法优于目前常用的一些神经网络集成算法。
於世为[8]2008年在《储层预测信息管理中软计算集成理论与方法研究》文中研究指明当今,油气勘探开发得到了进一步发展,浅层和储集条件简单的区块得到了较为充分地勘探开发。随着石油勘探领域不断地向深层和储集条件复杂的区域进军,油气勘探活动越来越复杂,要求勘探技术水平必须相应地提高。今后油气开发的重点将是复杂油气储集层,一方面,复杂油气储集层具有非均匀性、非线性及不确定性的响应特征,显然,基于均匀线性理论的传统统计方法难以达到这种要求;另一方面,储层管理中涉及地震、测井、地质等海量数据,信息量大,来源多样,一般的信息管理技术难以及时而有效地处理。因此要提高储层描述的精度和可靠性,最大限度地挖掘和利用已有的地震与测井的信息,以适应复杂储层油气田勘探开发的要求,必须寻找新的信息管理技术来迎接油田勘探开发的新挑战。软计算作为一种智能技术,能充分利用不精确性、不确定性和部分真实的信息,具有易处理和鲁棒性的优点,能综合运用推理和搜索方法处理海量数据与信息问题,在复杂储层勘探开发信息管理中将发挥着重要作用。本文以国家自然科学基金项目“石油储层管理中的集成软计算的理论与方法研究(NO:70573101)”为基础,主要探讨了软计算集成技术在储层预测中的信息管理理论与实践问题。即如何有效集成软计算中的神经网络、模糊逻辑、智能优化算法(遗传算法、粒群算法)技术建立储层参数与地震信息之间的联系并提取相应规则。通过对地震属性优化、油井类型识别、储层参数横向预测、提取地震储层模糊规则,实现地震数据——参数信息——储层认识的动态过程。为此本文做了如下的工作:(1)探讨了软计算技术之间集成的一般原则与规律。在总结软计算技术研究发展概况的基础上,对软计算技术中的神经网络、模糊系统、进化算法两两之间,三者之间集成的一般原则与规律,作了较为详细的分析与探讨。(2)提出了一种基于GA-BP的地震属性优化方法。采用GA二进制编码与BP神经网络集成的方法,对从复杂的地震记录中提取的各种地震信息,自适应地进行属性优化,即从全体地震属性集中挑选出与储层关系最密切、最能代表储层特征的地震属性子集,以降低信息冗余及多解性,提高了储层预测精度。(3)提出一种GA-FCM油井类型识别方法。集成遗传算法与模糊C均值分类方法,能根据井旁地震道属性与油井的含油气性(干井、低产井、高产井)关系来优化地震属性,得到与油井类别关系最强的少数地震属性,进行油井类型识别,不但识别率高,而且应用模糊隶属度,对识别结果具有较强的解释性。(4)建立了一种储层预测的动态全参数自适应BP神经网络模型。它将GA、SA与BP三种算法有机地融合在一起,实现优势互补,采用二进制与实数混合编码,能动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整。在保证精度的前提下,使网络的结构相对简单(较少的输入节点和隐层节点数),同时采用自适应交叉率、变异率与学习率,以增强网络的自适应能力与泛化能力,极大的减少人为主观因素对网络设计的影响。(5)改进了RBF网络最近邻中心学习算法。采用离散PSO优化方法,对最近邻中心学习算法进行了改进,解决了最近邻中心学习算法半径选择难、中心向量对样本输入次序依赖性强的不足。(6)提出了一种混合编码的MPSO-RBF学习方法。集成PSO与RBF技术,有效地解决了RBF中隐节点确定难问题,同时能全局地优化RBF网络参数(中心、宽度)与输出层权值,与现有RBF学习方法作了详细的对比研究,发现该方法学习后的RBF隐节点少,性能优越,并成功地应用于地震储层预测中。(7)提取地震储层模糊规则。根据优选后的地震属性,集成神经网络、模糊系统、进化计算,提出了一种GA-FNN网络,该模型物理意义明显,具有较高的透明度与可解释性,并成功应用于地震属性与储层厚度之间的模糊规则提取,形成专家决策知识。此外,为实现本文各种软计算集成方法,编写了大量的Matlab算法程序。本文研究成果和结论对软计算集成具有重要理论意义,对石油勘探、地震储层信息管理具有重要的指导意义与实用价值。
刘庆平[9]2003年在《神经网络与支持向量机学习算法的理论及仿真研究》文中研究指明传统的神经网络(BP网络)在网络训练和网络设计上长期受困于三个难以克服的缺陷,即网络训练速度慢、训练易陷入局部极小点和网络学习的推广性能差。本文从算法层和计算理论层两个层次对造成这些缺陷的原因和克服这些缺陷的方法进行了系统的研究。在算法层,本文对目前用于神经网络训练的各种算法,包括梯度算法、智能学习算法和混合学习算法进行了比较研究;对用于神经网络训练的BP算法的优化原理进行了详细的理论分析,找到了BP算法存在严重缺陷的原因,并对其两类改进算法-启发式算法和二次梯度算法―的优化原理,在统一的框架之下进行了详尽的理论描述;对神经网络全局优化算法主要是遗传算法进行了详细的阐述,并在此基础上,设计了一种性能改进的遗传算法;最后基于神经网络学习的benchmark问题对各种算法在网络训练中的应用性能进行了仿真研究,并提出了遗传算法受困于“维数灾难”的观点。这一层次的研究表明,算法层只是在原有神经网络的框架下利用高性能的优化算法克服网络学习的前两个缺陷,由于受目前优化理论的限制,很难有巨大的突破。在计算理论层,从机器学习的角度分析了造成神经网络设计困难的原因;对指导神经网络设计的统计学习理论和正规化方法给以了系统的阐述;并重点对由统计学习理论直接导出的先进的学习机器—支持向量机—的理论进行了比较全面的阐述;通过函数逼近和系统建模等学习任务对神经网络和支持向量机学习的推广性能进行了仿真研究。这一层次的研究表明,支持向量机可以很好地克服神经网络学习的三个缺陷。因此,从计算理论层出发,对网络学习的本质进行研究,并设计新的高性能的学习机器,从而避开传统神经网络学习机器存在的难以克服的困难,是从根本上解决神经网络学习问题的可行方法。本文最后对神经网络学习和支持向量机学习的研究领域仍需进一步研究的课题提出了自己的见解。
朱亚男[10]2012年在《基于人工免疫系统的智能融合算法研究及应用》文中指出随着信息化时代的发展,多源信息融合技术在诸多领域产生着日渐重要的影响。人工智能则是推动信息融合发展的重要技术手段,其中人工免疫系统算法是继人工神经网络和遗传算法之后的又一个智能研究热点。本文主要研究基于人工免疫系统的智能融合算法。由于信息融合目前还缺乏系统性的基础理论指导,为了探讨普遍适用信息融合问题的求解模型,本文借鉴多目标优化的理论和方法,提出了多目标融合理论及其统一的模型描述。通过确立相应的优化指标,将信息融合问题转换为对满足多个优化指标结果的融合过程。本文的研究工作紧密围绕多目标融合理论展开,分为理论方法和应用研究两部分。理论方法包括:1)人工免疫系统和ICSA研究。在详细论述ICSA算法思想及克隆选择算子的基础上,实现了算法流程并证明了其收敛性,通过理论分析和仿真实验对比说明免疫算法较进化算法机制更具优势。2)基于免疫机制的RBF网络设计。针对传统RBF网络学习策略存在的不足,提出基于免疫机制的三级RBF网络学习方法:采用免疫疫苗的机理在第一级得到网络隐层节点数,从而自行构建网络,降低了第二级搜索空间的复杂度;第二级采用人工免疫算法多点搜索解空间,寻找全局最优的隐层非线性参数;第三级采用最小二乘法估计输出层线性参数,降低了第二级设计空间的维数,提高了算法效率。通过Hermit多项式逼近实验和应用实例皆验证了该方法训练得到的RBF网络性能优越。应用研究包括:1)机车二系载荷融合调整方法研究。通过分析机车二系调簧问题的特点,引入多目标融合理论,设计了一种基于IDCMA的两级机车二系载荷融合调整方法:将调簧问题的先验知识作为免疫优势引入算法模型中,并针对调簧中优化指标的偏好设计了两级结构的免疫调簧算法。经实车数据验证,该算法较已有算法性能更优。2)多传感器信息融合的轨道衡称重误差补偿研究。通过详细分析轨道衡称重误差的来源,建立了轨道衡的称重模型并提出了基于免疫RBF网络的多传感器信息融合轨道衡误差补偿方法。设计RBF网络并通过免疫三级算法训练,实现了良好的轨道衡误差补偿效果,并通过与加权融合的误差补偿方法比较验证了免疫RBF网络误差补偿的优越性。以上两个应用研究成果均具有较高的工程应用价值。
参考文献:
[1]. 进化计算优化前向神经网络的学习方法研究[D]. 季伟东. 东北林业大学. 2013
[2]. 基于进化计算的神经网络设计与实现[J]. 何永勇, 褚福磊, 钟秉林. 控制与决策. 2001
[3]. 进化神经网络及其在企业订单预测中的应用研究[D]. 肖忠良. 湖南大学. 2010
[4]. 基于进化计算的神经网络设计方法[D]. 俞健. 浙江大学. 1998
[5]. 基于人工免疫系统的函数优化及其在复杂系统中的应用研究[D]. 徐雪松. 浙江大学. 2004
[6]. 进化计算中的若干问题及应用研究[D]. 陈得宝. 南京理工大学. 2007
[7]. 基于协同进化的RBFNN学习研究[D]. 田津. 天津大学. 2008
[8]. 储层预测信息管理中软计算集成理论与方法研究[D]. 於世为. 中国地质大学. 2008
[9]. 神经网络与支持向量机学习算法的理论及仿真研究[D]. 刘庆平. 燕山大学. 2003
[10]. 基于人工免疫系统的智能融合算法研究及应用[D]. 朱亚男. 中南大学. 2012
标签:自动化技术论文; 遗传算法论文; 进化算法论文; 粒子群优化算法论文; 神经网络模型论文; 网络模型论文; rbf神经网络论文; 预测模型论文; 系统仿真论文; 网络结构论文; 网络节点论文; 缺陷管理论文; 网络优化论文; 集成学习论文; bp神经网络算法论文;