林开平[1]2007年在《人工神经网络的泛化性能与降水预报的应用研究》文中指出人工神经网络是一种模拟人脑信息处理方法的非线性系统，具有较强的处理非线性问题的能力，比较适合于一些信息复杂、知识背景不清楚和推理规则不明确问题(如短期降水预报问题)的建模。随着神经网络方法在大气科学领域研究的不断深入，研究人员发现神经网络方法在实际天气预报业务应用中存在一个重要的问题一人工神经网络预报模型泛化性能问题。该问题的研究不仅关系到在大气学科中能否进一步深入开展有关人工神经网络方法的预报业务应用，并且也是目前人工神经网络应用理论研究中尚未得到很好解决的关键技术问题。人工神经网络的理论和应用研究表明，网络的泛化性能与网络的结构、网络的参数和样本的质量密切相关。然而，对于某个具体的短期天气预报神经网络模型，在建模过程中如何确定适合的网络结构，如何优化网络参数，使建立的神经网络模型具有较好的泛化性能却是一个难题，目前，通常采用的方法是通过反复试验来确定网络的结构和各种参数，而这样，往往会导致网络出现过拟合问题，从而严重影响网络的泛化能力。在采用神经网络方法进行实际的气象预报应用时，由于目前在国内外的神经网络预报建模理论方法研究中，尚未有确定神经网络预报模型的网络结构的客观定量方法，并且网络模型的训练次数(网络模型对训练样本的拟合精度)变化对预报模型的泛化性能有重要影响，因此，如何客观确定最适宜的网络结构，提高神经网络预报模型的泛化性能问题，不仅是目前人工神经网络预报建模理论需要深入研究的科学问题，也是目前利用人工神经网络方法进行业务天气预报应用最迫切需要解决的核心技术。针对在短期天气预报神经网络建模过程中难于确定网络的结构和优化网络参数的问题，本文提出了利用遗传算法优化神经网络的连接权和网络结构，并在遗传进化过程中采取保留最佳个体，从而客观确定短期天气预报神经网络模型的网络结构方法。并以广西区域降水短期预报神经网络模型和南海西行台风强度短期预报神经网络模型为例进行研究，有以下主要的结论：(1)用遗传算法优化神经网络的连接权、网络结构，并在进化过程中采取保留最佳个体的方法，解决了由于神经网络初始权值的随机性和网络结构确定过程中所带来的网络振荡，以及容易陷入局部解的问题。短期降水预报的神经网络预报模型和南海西行台风强度短期预报神经网络模型实例的计算结果表明，这种新方法避免了一般神经网络依靠经验确定网络结构的困难。(2)用遗传算法来确定神经网络结构，优化神经网络的连接权，使神经网络具有最优的网络结构。结果表明，所建立的遗传-神经网络模型其泛化能力远优于一般的神经网络预报模型。针对在短期天气预报神经网络建模过程中训练样本的复杂性影响神经网络的泛化性能问题，本文进一步通过研究网络模型学习矩阵的复共线性关系对预报模型泛化能力的影响，提出了采用主成分分析(PAC)建立神经网络学习矩阵的新方法，以消除学习矩阵的复共线性关系，有效地避免神经网络过拟合现象的出现，从而提高神经网络的泛化性能。并以广西区域短期降水预报为例进行神经网络建模，结果发现，在预报模型输入节点相同的情况下，较小的网络结构或网络结构增大时，无复共线性关系的神经网络预报模型与存在复共线性关系的神经网络预报模型的拟合误差变化不大，且平均拟合误差数值十分相近，但是无复共线性关系的预报模型的泛化能力明显优于存在复共线性关系的预报模型。进一步计算分析了训练次数从5000次到20000次的两种模型的泛化能力，同样表明，神经网络的学习矩阵存在复共线性关系会显着降低预报模型的预报精度。
王业宏, 金龙[2]2003年在《基于自然正交展开的神经网络长期预报模型》文中提出对月降水量的前期 5 0 0hPa高度场、海温场相关预报因子进行EOF展开 ,并取其中与预报量相关程度较高的主成分 ,结合人工神经网络技术 ,建立了一种新的短期气候预测模型。将这种新的预报模型与同样根据这些预报因子建立的回归预报模型进行了对比分析。结果表明 ,这种新的短期气候预测模型由于集中了众多预报因子的预报信息 ,并有效地利用了神经网络方法的非线性映射能力 ,因此比传统预报方法的预报精度显着提高 ,并且稳定性好 ,具有很好的应用前景
王业宏[3]2003年在《基于自然正交展开的人工神经网络预报建模方法研究》文中认为本文通过对广西北部6月平均降水量(预报量)同北半球月平均500hPa高度场和北太平洋月平均海温场进行相关普查，选取了前期36个同预报量相关显着水平达到0.05以上的预报因子(15个海温场预报因子，21个高度场预报因子)，并运用自然正交函数展开方法对这36个前期预报因子展开，取其中同预报量相关程度高的主成分，结合人工神经网络技术，提出了一种新的构造人工神经网络学习矩阵的方法，建立了一种新的短期气候预测模型。将这种新的预测模型(主成分神经网络预报模型)与同样根据这些预报因子建立的逐步回归预报模型进行了对比分析。结果显示，主成分神经网络预报模型的预报精度比传统的逐步回归预报模型明显提高，且隐节点数在输入节点数附近改变和训练次数在一定范围内改变时，预报精度很稳定。进一步深入分析研究发现，本文提出的这种基于主成分的神经网络预报模型，预报精度明显高于传统的逐步回归方法，其主要原因是这种新的预报模型集中了众多预报因子的预报信息，并有效地利用了人工神经网络方法的自组织和自适应的非线性映射能力；而传统的逐步回归方法是一种线性方法，并且逐步回归方法只是根据F值大小从众多预报因子中选取几个预报因子，其余预报因子的预报信息被舍弃。因此，本文提出的这种新的预报模型比传统的回归方法预报精度明显提高，这不仅为实际短期气候业务预报工作提供了一种新的有效预报方法，并且也为神经网络的预报建模方法进行了有益的探索，具有很好的应用前景。
宋志宇[4]2007年在《基于智能计算的大坝安全监测方法研究》文中研究表明以大坝的安全监测为背景，根据智能计算在各学科领域内的广泛应用和大坝安全监测分析方法的发展特点，进行了安全监测中正反分析智能化分析的新方法以及安全监测点位置优化选择的研究。主要内容如下：引入基于统计学习理论的机器学习方法—支持向量机(SVM)到大坝安全监测领域，建立了大坝安全监测的SVM模型，经对实际数据的建模分析并和以往方法的比较表明，支持向量机在预测精度、泛化性能等方面明显好于以往方法。针对经典SVM在处理大规模数据问题时效率慢的不足，引入最小二乘支持向量机(LSSVM)，大大改善了其学习效率，同时结合和声搜索(HS)算法，建立了和声搜索最小二乘支持向量机(HSLSSVM)的大坝安全监测自适应建模方法，实测数据分析表明该模型同时具有建模简单、自适应、学习效率高、预测精度高和泛化能力强等特点。应用大坝材料参数反演的两种新方法：微粒群算法(PSO)和人工鱼群算法(AFSA)并对其进行改进。对PSO重新构建了惯性权重的非线性衰减函数，能够更好地协调算法的全局和局部收敛能力；同时还将模拟退火算法(SA)引入到微粒群算法中，增强了算法跳出局部极小的能力，提高了搜索效率。对AFSA，首先应用具有完全混沌特性的Logistic映射系统构造了AFSA的随机数发生系统，同时构建了感知距离的动态调整策略，不仅使算法能较快地到达全局极值附近，同时还加强了算法后期的局部搜索能力。计算表明，改进后建立的ISAPSO和ICAFSA反演算法是两个整体性能较优的新方法，丰富了大坝材料参数反演的智能化方法集。分析了大坝效应量、参数灵敏度和监测点位置优选的关系，提出了大坝安全监测中测点位置优选度的概念并建立了测点位置优选度定量计算的方法，以此可以指导在建大坝安全监测点的布设和已建大坝进行正反分析时监测资料的选取。然后通过对神经网络和支持向量机结构的分析和公式推导，得到网络输出对网络输入的灵敏度计算的一般公式。在使用正交实验定性地分析了对大坝应力应变起主要作用的控制性参数之后，分别通过重力坝和土石坝算例，应用有限元-神经网络方法计算了大坝控制性参数的灵敏度在坝体内的分布，然后进行了大坝位移监测点的位置优选度计算，最后通过算例对本文计算方法的正确性进行了验证。
刘代飞[5]2004年在《烧结过程工艺参数优化模型的研究》文中认为随着世界铁矿石资源的不断变化，以及企业不断深入的降本增效要求，烧结生产用的铁矿石种类、配比也在不断调整。这给烧结操作提出了要求：矿石配比变动后能迅速、准确地给出合适的烧结工艺参数，以满足烧结矿产质量的要求。由于各种铁矿石具有不同的烧结特性，以往烧结操作常借助历史经验，或者通过烧结试验来进行。而这又是一个长时间的反复摸索、调整过程。因此，能否在建立烧结过程工艺参数数学模型的基础上，对烧结工艺参数进行选优，以便操作者能在配矿方案变化时做出正确决策，使工艺参数能准确、快速作出合理调整，成为烧结过程稳定控制的关键。 本研究应用人工神经网络、遗传优化技术，研究了烧结过程工艺参数的优化模型。在分析宝钢烧结配矿方案、工艺参数以及产质量指标叁者相互关系的基础上，提出了两种优化烧结工艺参数的数学逻辑模型。利用宝钢近五年来的烧结生产数据建立了大量的实体模型。通过模型的比较、分析得出优化宝钢烧结工艺的数学模型。 在系统建模的过程中研究了人工神经网络方法。确定了叁层前向网络结构。针对基于梯度下降法的BP网络存在的缺陷，提出了改进措施，取得了较好的应用效果。 研究并开发了人工神经网络建模平台，解决了建模的模块化、灵活度、移植性等问题。采用实数编码的方式实现了遗传算法，并开发了遗传优化求解平台。在优化模型参数时，提出并实现了基于GA-BP的烧结工艺参数优化方法。给解决宝钢优化烧结工艺参数的问题提供了一种可行的模式。 采用MATLAB与VC++两者混合编程的策略，利用基于ADO的数据库编程技术实现了宝钢烧结优化指导系统软件开发。该系统集系统建模、参数优化、GA-BP优化于一体，为解决宝钢优化烧结工艺参数的问题提供了一个很好的平台。根据宝钢五年的实际生产数据建模，模型的预报命中率达到85％以上。模型能实现工艺参数的优化，优化结果以多种供选方案显示。保证了系统实际应用的灵活性和有效性。
刘艳[6]2016年在《现代板带轧机数学模型的研究与应用》文中研究表明板带生产综合自动化控制系统是复杂工业过程控制最具代表性的系统。板带轧制生产中控制对象具有多变量、强耦合、非线性、大滞后和时变性等复杂性,对控制系统而言尤其以高精度、高速度为特征,是冶金企业过程控制系统中复杂程度最强、控制难度最高的综合自动化系统,其控制水平与规模在相当程度上代表和反映一个国家工业化、自动化、信息化的发展水平。相对于传统的板带轧机而言, “现代”板带轧机具有液压驱动的机械设备、交流调速的主辅电气传动、完备的叁级计算机控制系统和齐全的检测仪表等特征,轧制过程必依赖于数学模型。为此,数学模型是现代板带轧机控制中的核心和关键技术。建立和应用高可用性、高精度的数学模型,是冶金企业能够持续开发和生产出满足需要的板带材品种,不断提高产品质量,保持稳定生产,节能降耗,降低成本,从而提升综合竞争力的技术基础。论文以板带轧机生产过程为对象,从理论建模和数据驱动的角度出发,研究板带轧机复杂的机理模型;研究以优化产品质量,提高生产效率为目标,充分利用工业过程的历史和实时数据,运用人工智能、统计及有限元分析等基于知识和数据驱动的建模方法。从而分析并建立现代板带轧机的关键数学模型,把数据资源的优势转化为生产效益和产品质量的优势。本文主要研究工作及创新点有以下4个方面：1)提出将遗传算法与有限元分析合理结合,建立轧辊温度场及热辊形模型,并分析轧制参数对温度场的影响,使热辊形对板形的影响最小化,为板形控制提供有效的技术支持。2)结合小波多分辨分析和多RBF神经网络的轧制力建模方法,将轧制力分解重构为对应于不同影响因素的子信号,建立一个多RBF神经网络模型。仿真结果表明该模型可以真实反映轧制力变化的内在机理,而且网络训练时间短、预测精度高,是轧制力建模的一种有效方法。3)对弯辊力设定中的关键参数——工作辊相对挠度进行详细推导,并采用显式动力学弹塑性有限元法,建立四辊轧机弯辊力模型,研究并分析液压弯辊力对轧制过程中板形参数以及工作辊参数的影响规律,为进一步建立和优化板形控制模型奠定基础。4)推导以勒让德多项式为基模式的板形识别模型,并运用真实过程数据仿真验证其优越性。该模型计算量小,多项式系数直接对应于板形控制的叁种基本手段,物理意义明确,工程实施灵活快捷。研究成果已成功应用在某铝箔厂1850mm冷轧生产线中,取得良好的控制效果。论文的研究进一步丰富了基于知识与数据驱动的复杂工业过程的优化建模理论与方法,以信息化带动工业化,实现现代板带轧机的优化运行与控制。
付文欢[7]2010年在《基于RBF神经网络多模型的青霉素浓度预报方法研究》文中研究表明青霉素作为一种重要的抗生素是通过发酵进行生产的,其发酵过程是一个极为复杂的难以建立准确机理模型的生化反应过程,具有强非线性、时变性和不确定性等特点。为了对发酵过程进行优化与控制,要求对其中重要的生物量如基质浓度、菌体浓度,以及青霉素浓度等进行实时监测。目前,主要是通过取样离线化验对这些生物量进行检测,具有很大的时滞性,而且取样时可能会使发酵罐感染杂菌,导致青霉素产量与质量下降。青霉素浓度是最重要的一个生物量,本文对其在线预报方法进行深入研究。目前,一般是建立一个全局预报模型对青霉素浓度进行在线预报。但是当发酵初始条件及操作参数的波动增大时,发酵批次间差异就随之增大,全局预报模型由于模型单一而导致预报精度下降,预报误差增大。针对上述不足,本文提出一种多模型建模方法。首先采用减聚类法对样本中的批次按发酵初始条件和操作参数自动划分类别,使得类中批次差异尽可能小,类间批次差异尽可能大。然后以批次为单位建立各批次RBF神经网络预报模型。在着重分析发酵过程机理及工艺基础上,确定关键过程变量作为RBF神经网络的输入,包括采样时间、培养体积、二氧化碳浓度、溶解氧浓度、pH、发酵罐温度、空气流率、搅拌器功率、补给基质流率和补给基质温度。RBF神经网络训练算法采用基于减聚类的K-均值梯度算法,该算法根据训练数据的特点自动确定网络隐层神经元的个数,对网络径向基函数中心、基宽,以及网络隐层到输出层的权系数均进行训练调整,使得建模精度更高。采用类内各批次模型最优加权组合的方法建立类预报模型,通过极小化类内所有批次模型的加权组合预测误差平方和求取加权系数,使得类模型是该类的一个最优模型。这样针对发酵过程批次间波动较大情形形成类模型库。当进行青霉素浓度在线预报时,以当前批次发酵初始条件和操作参数与各类中心距离最小为依据选择类模型作为预报模型。最后,利用Pensim青霉素发酵仿真平台,采用正交试验方法设计批次少、信息全面且分布均匀的建模样本,对提出的预报方法进行实验仿真。结果表明,发酵过程批次间波动较大时,预报模型的精度与泛化能力均得到了很好的保证,较单一模型效果要好。
张心光[8]2012年在《基于船舶操纵性试验分析的辨识建模研究》文中研究指明船舶操纵性是船舶重要的水动力性能之一，与航行安全紧密相关。随着造船和航运业的蓬勃发展，船舶呈现出大型化、多样化等特点，操纵复杂度和难度越来越大，发生海上事故的概率也在增大。为此，早在1985年，国际海事组织（InternationalMaritime Organization, IMO）就提出了估算船舶操纵性能的初步指南，规定了船舶操纵性的基本要求。之后，IMO在1993年和2002年分别颁布了船舶操纵性暂行标准和船舶操纵性标准，对船舶操纵性提出了明确的定量要求。根据IMO的要求，为了提高船舶航行安全性，避免设计、建造不满足操纵性基本要求的船舶，应该在船舶初始设计阶段就对船舶操纵性进行预报。船舶操纵性预报的方法主要包括数据库或经验公式方法、自航模试验方法、船舶操纵运动数学模型加计算机模拟的方法和基于计算流体动力学（Computational Fluid Dynamics, CFD）的直接数值模拟方法。其中，数学模型加计算机模拟的方法是目前应用最广和最有效的方法之一。应用该方法，精确确定数学模型中的水动力导数和操纵性指数是提高预报精度的关键。目前，有四种方法可用于在船舶设计阶段确定数学模型中的水动力导数：数据库或经验公式方法、约束模试验方法、理论与数值计算方法以及结合模型试验的系统辨识方法。其中，数据库或经验公式方法受船型影响较大，应用受到限制。约束模试验方法不仅需要特殊的试验设施，费时、费力，而且存在“尺度效应”的问题。理论与数值计算方法可以计算作用在船体上的流体水动力和力矩，但要计算所有的水动力导数，特别是非线性水动力导数，目前还有很大的困难，不能满足所需要的工程精度。结合模型试验的系统辨识方法是一种船舶操纵运动建模的有效方法，有很长的发展和应用历史，随着现代试验测量技术和系统辨识方法的不断发展，该方法得到了越来越广泛的应用。船舶操纵运动数学模型主要有两大类，即水动力模型和响应模型。水动力模型包括Abkowitz模型和MMG模型。Abkowitz模型又称为整体型模型，它是把作用在船-桨-舵系统上的水动力看作为一个整体，并将水动力表达式在直航运动状态平衡点附近按Taylor级数进行展开。MMG模型又称为分离型模型，它把水动力分解为作用在船体、螺旋桨和舵上的叁部分，并充分考虑了船体、螺旋桨和舵之间的相互干扰影响。响应模型可以由线性的水动力模型导出，它反映的是船舶对操舵的转首运动响应，主要被应用于自动舵的设计，但也可以应用于简单的操纵运动预报。本论文应用一种新型的系统辨识方法——支持向量机（Support Vector Machines,SVM）对船舶操纵性试验进行分析，包括自航模试验分析和约束模试验分析，由此对船舶操纵运动数学模型进行辨识建模。SVM主要包括最小二乘支持向量机（LeastSquare-SVM，LS-SVM）、ε-支持向量机（ε-SVM）、ν-支持向量机（ν-SVM）等。本论文主要以Abkowitz模型为对象，针对船舶操纵性试验分析过程中出现的非线性问题，应用ε-SVM和神经网络对模型中的非线性函数关系进行辨识研究；在船舶操纵性试验数据预处理方面，应用素有“数学显微镜”之称的小波分析方法进行船舶操纵性试验数据消噪。在自航模试验分析方面，对ε-SVM方法及其应用进行了仿真验证，应用ε-SVM对仿真的自航模试验数据进行了分析。仿真试验类型为仿真Z形试验，所采用的数学模型为Abkowitz模型和响应模型。通过对仿真试验进行分析，首次应用基于线性核的ε-SVM辨识了数学模型中的模型参数，并利用所建立的数学模型进行了船舶Z形操纵运动预报；通过将模型参数辨识结果及操纵运动预报结果分别和用于仿真试验的模型参数值及仿真试验结果进行比较，验证了ε-SVM方法应用于船舶操纵自航模试验分析的可行性。在响应模型的辨识建模中，采用的模型为线性响应模型；为了研究ε-SVM的不敏感因子ε对船舶操纵性试验分析的影响，应用具有不同不敏感因子ε的ε-SVM对线性响应模型进行了回归并对船舶Z形操纵运动进行了预报，结果表明，通过调节不敏感因子ε值，ε-SVM具有同时达到学习效率和预报精度最佳的能力。在Abkowitz模型的辨识建模中，为减缓辨识建模过程中出现的参数漂移，采取了向训练样本对中添加随机数序列的方法，结果表明，该方法有效地抑制了参数漂移。在数学模型非线性函数关系辨识方面，为了克服经典BP神经网络的固有缺陷，如收敛速度慢，容易陷入局部极小值等，本论文开发了一种新型的神经网络——基于切比雪夫（Chebyshev）正交基的神经网络，简称“切比雪夫（Chebyshev）神经网络”，并将其首次应用于船舶操纵数学模型非线性函数关系的辨识，该网络模型以一组Chebyshev正交多项式作为隐含层神经元的激励函数，并根据标准BP算法导出了权值修正的迭代公式。文中以舵角和操纵运动变量为输入，以水动力为输出，分别应用ε-SVM、经典BP神经网络和Chebyshev神经网络对Abkowitz模型中的非线性函数关系进行了辨识，利用辨识得到的非线性函数关系进行了水动力预报，预报结果的比较表明，ε-SVM学习性能最优，Chebyshev神经网络次之，经典BP神经网络最差。在约束模试验分析方面，以国际拖曳水池会议（Internatioanl Towing TankConference, ITTC）操纵性技术委员会推荐的用于比较研究的超大型油轮KVLCC1船型为对象，利用韩国海事及海洋工程研究所（MOERI）船模水池的斜拖试验结果和意大利罗马水池（INSEAN）的纯横荡试验结果，对ε-SVM方法及其应用进行了试验验证。通过对约束模试验数据进行分析，首次应用ε-SVM回归了Abkowitz模型中的水动力表达式，并应用所得到的水动力表达式对不同工况下的水动力进行了预报，预报结果和约束模试验结果的比较验证了ε-SVM方法应用于船舶操纵约束模试验分析的可行性。在纯横荡试验分析过程中，为了消除水动力表达式变量之间的高度线性相关性，将水动力表达式进行了等价变换，有效地避免了参数漂移。在船舶操纵性试验数据预处理方面，本文首次在国际上应用小波分析方法进行了船舶操纵性试验数据消噪研究。为验证该方法的有效性，以响应模型为对象，通过向仿真的Z形试验数据中添加随机数序列，获得了含有野值的试验数据，进而应用小波分析方法对含有野值的试验数据进行消噪；基于含有野值的试验数据和经过消噪处理的试验数据，应用ε-SVM辨识了响应模型中的模型参数，并利用辨识得到的模型进行了船舶Z形操纵运动预报；通过将模型参数辨识值及运动预报结果分别和用于仿真试验的模型参数值及运动仿真数据进行比较，验证了小波分析方法应用于船舶操纵性试验数据预处理的有效性。本文工作的创新点如下：1.在国际上首次应用ε-SVM进行了基于船舶操纵性试验分析（包括自航模试验分析和约束模试验分析）的辨识建模研究。2.开发了一种新型的神经网络——基于切比雪夫（Chebyshev）正交基的神经网络，简称“切比雪夫（Chebyshev）神经网络”，并在国际上首次将其应用于Abkowitz模型中的非线性函数关系辨识。3.在国际上首次应用小波分析方法对船舶操纵性试验数据进行预处理，并对该方法的有效性进行了验证。4.在自航模仿真Z形试验分析过程中，采用向训练样本对中添加随机数序列的方法来减弱Abkowitz模型变量之间的线性相关性，有效地减缓了Abkowitz模型辨识建模过程中出现的参数漂移；在约束模纯横荡试验分析过程中，通过对Abkowitz模型的水动力表达式进行等价变换，有效地消除了水动力表达式中变量之间的高度线性相关性，避免了参数漂移。本文对基于操纵性试验分析的ε-SVM方法及其在船舶操纵运动数学模型辨识建模中的应用进行了仿真验证与试验验证；同时，为提高船舶操纵运动辨识建模的精确性，应用小波分析方法对船舶操纵性试验数据进行了预处理。论文为基于船舶操纵性试验分析的辨识建模研究提供了一种新方法，也为设计船舶操纵性试验提供了一种途径。
李洋[9]2008年在《小波过程神经网络相关理论及其应用研究》文中研究指明本文在国家自然科学基金的资助下,将小波分析理论和过程神经网络模型相结合,提出小波过程神经网络的概念。小波过程神经网络以小波分析作为其理论基础,结合小波良好的局部化特性和过程神经网络能够处理时变信号的能力。小波分析理论在网络设计过程中帮助确定网络的拓扑结构和网络参数,为网络结构的确定提供理论依据,简化了网络的训练问题。小波的时—频局部化特性有利于处理非平稳的输入信号,而过程神经网络能够避免传统神经网络在大容量非线性时变系统的信号处理方面存在的不适应性。本文对小波过程神经网络模型及其相关理论进行深入分析和研究。在此基础上,将小波过程神经网络模型应用于航空发动机性能衰退预测中,为航空发动机性能衰退预测提供一种有效的方法。论文提出连续小波过程神经元和离散小波过程神经元模型,给出常用的小波过程神经元的激励函数并与前馈过程神经网络的激励函数进行对比分析,给出小波过程神经网络模型的分类方式。以小波分析理论中的连续小波变换、小波多分辨分析和小波框架为理论依据,提出叁类小波过程神经网络模型——连续小波过程神经网络、多分辨小波过程神经网络和框架小波过程神经网络。首先,以连续小波变换为理论依据,采用连续小波函数作为过程神经网络的激励函数构建连续小波过程神经网络,给出基于正交基展开的学习算法和梯度下降的学习算法,对网络的隐层激励函数的选择、隐层节点的确定以及网络参数初始化叁个难点问题作了深入的研究。根据连续小波过程神经网络中隐层基函数调节参数的不同,又提出一种小波基函数过程神经网络模型并给出学习算法。其次,以多分辨分析和正交小波分解为理论依据,采用正交小波和正交尺度函数共同作为过程神经网络隐含层激励函数,构建多分辨小波过程神经网络。利用多分辨分析逐层逼近的性质,给出多分辨小波过程神经网络的学习算法。作为多分辨小波过程神经网络的一种简化形式,采用正交尺度函数作为过程神经网络的激励函数构建多分辨尺度小波过程神经网络并给出学习算法。最后,以离散小波变换和小波框架为理论依据,提出框架小波过程神经网络模型并给出学习算法。本文还对上述网络模型及其学习算法的相关性能进行分析和仿真试验,针对小波过程神经网络模型对于不同类型信号的处理能力,给出叁类小波过程神经网络模型的信号处理范围,为小波过程神经网络的实际应用提供指导。以上叁类小波过程神经网络构成了小波过程神经网络完整的结构体系。利用小波函数的可积性和紧支撑的性质,利用实变函数和泛函分析中函数空间和算子理论等性质特点,开展小波过程神经网络的性能分析研究。从理论上证明了小波过程神经网络解的存在性、小波过程神经网络的连续性、小波过程神经网络的逼近能力以及小波过程神经网络计算能力等定理。对学习算法的性能进行了分析,并对小波过程神经网络和前馈过程神经网络进行比较。小波过程神经网络所具有的性质是保证其对实际问题应用有效性的理论基础。针对航空发动机状态监控问题的实际需求,本文将叁类小波过程神经网络模型分别应用于航空发动机滑油金属含量、转子振动信号和排气温度裕度的趋势预测问题,实现了对特征不同的信号选取不同的网络模型进行预测。对于不同类型的预测信号,小波过程神经网络模型表现出良好的收敛性能和泛化能力。实际应用结果表明:相对于其它的神经网络,小波过程神经网络在处理时变问题以及对突变信号的捕捉及复现等方面具有独特的功能和广阔的应用前景。
杨震[10]2012年在《大型船舶横摇运动姿态预报技术研究》文中提出船舶在波浪中六自由度运动的时域预报问题是一项为国际航运界、船舶工程界，尤其是各国海军所关注而至今未能很好解决的课题。目前，在解决船舶运动预报问题时常常采用时间序列分析、灰色系统理论和神经网络等方法，这些方法的最大优点是无需知道海浪的任何先验信息和船舶航行姿态的状态方程，仅仅通过在船舶运动的历史数据中寻求规律，进而进行预报。然而这些数据通常表现出多变量动态演化行为和多层次结构等特点，若想得出十分确切的预报模型比较困难，但是运动序列具有一定的规律性，如某时期的发展变化与以前某时期的发展有着相似或相同的规律等。因此，为进一步提高船舶横向运动预报的有效预报时长及实时性，本文借鉴基于数据驱动的预报思想，从两个方面分别分析了横摇运动姿态时间序列的内在特征及演化特征，同时针对性的结合神经网络方法和支持向量机方法设计了几种预报模型。具体内容包括以下几方面：首先，针对传统单一的预报方法难以在信息贫乏和不确定条件下做出准确预报的问题，设计了基于经验模式分解的船舶运动姿态混合智能预报模型。对横摇运动姿态时间序列本身的特征进行深入的分析和研究，采用经验模式分解方法把不同的特征信息分解开来；采用游程法将若干个基本模式分量和一个余项重构为高、中、低频叁个分量，使得预报对象数目固定；针对每个分量建立不同的信息熵加权Elman神经网络预报模型；采用GRNN神经网络对各个预报分量的结果进行加权求和，并输出最终的预报结果。其次，由于船舶运动姿态的不确定性与混沌特性是紧密相连的，针对船舶运动姿态的非线性、不确定性。对四种不同海情下的横摇运动姿态时间序列的混沌特性问题进行了具体的分析。在横摇时间序列的相空间重构方面，讨论了延迟时间与嵌入维数的选取方法，采用互信息函数法和假近邻法分别计算了各横摇序列的最佳嵌入维数和时间延迟。在混沌特征分析方面，绘制了船舶横摇时间序列的叁维相图，并分析了随机序列、Lorenz映射及横摇时序这叁种叁维相图的各自特点及区别；同时采用饱和关联维数法和小数据量法对船舶横摇时间序列的关联维数、Kolmogorov熵以及最大Lyapunov指数进行计算，从定性和定量两方面来证明横摇运动姿态具有一定的混沌动力学特性。接着，针对横摇运动姿态的混沌特性，通过相空间重构来近似恢复原来的多维非线性混沌系统，并结合适用于非线性、小样本、不确定性问题的支持向量机回归方法，建立基于改进支持向量机的混沌智能预报方法，利用吸引子在不同层次间的自相似结构进行预报。在支持向量机回归方法方面，主要研究内容包括：鉴于常用的核函数在理论上不可能逼近平方可积空间上任意曲线的问题，构造满足Mercer条件的Marr小波核函数；调整最优化问题的置信范围，建立参数b与最优化问题的对偶问题最优解之间的关系，获得变异支持向量机，其对偶问题少了一个约束条件，具有更加简洁的形式；设计鲁棒损失函数，建立了满足基于间隔的结构风险最小化原则的分段式支持向量机问题，使算法具有更强的鲁棒性；用单松弛变量代替两个松弛变量来控制误差的大小，设计了改进支持向量机，即单松弛变量鲁棒小波ν支持向量机，减少了对偶问题的优化范围，提高了运算速度；根据基于几何间隔的结构风险最小化原则，对改进支持向量机的若干结论进行了证明。在参数组合优化方面，针对标准粒子群算法局部搜索能力差及早熟收敛等问题，提出了多种群协调进化自适应混沌粒子群算法，通过混沌初始化种群策略和多个子种群相互协调策略的设计，达到了自适应调节各自惯性权重和学习因子从而进行种群进化的效果。最后，研究了船舶运动时间序列的在线预报方法。针对采用离线训练方式的预报模型在训练时并没有考虑样本的动态特性导致长时间的预报精度下降很快这一问题，研究了支持向量机的在线式学习算法，提出了混沌在线最小二乘支持向量机在线预报模型。此模型使得历史数据的训练结果得到充分利用，完成了在线更新样本集和回归函数，在线预报。针对超参数不能随着样本的变化而进行自动调节的问题，提出了最小二乘支持向量机在线建模策略。采用启发式规则在三个最小二乘支持向量机的交替工作过程中自动更新支持向量机超参数，由此设计了变参数最小二乘支持向量机在线预报方法。预报模型采用变化的参数替代固定的参数，更加确切的解释了存在于样本中的可变性。这种建模方法可在过程的不同变化时段调整预报模型的表达式，具有一定的自适应调节能力。本文的研究成果具有重要的理论研究意义和潜在的应用前景，其研究成果可推广到船舶纵摇、艏摇运动预报及其它领域的时间序列预报研究中去。
参考文献：
[1]. 人工神经网络的泛化性能与降水预报的应用研究[D]. 林开平. 南京信息工程大学. 2007
[2]. 基于自然正交展开的神经网络长期预报模型[J]. 王业宏, 金龙. 自然灾害学报. 2003
[3]. 基于自然正交展开的人工神经网络预报建模方法研究[D]. 王业宏. 南京气象学院. 2003
[4]. 基于智能计算的大坝安全监测方法研究[D]. 宋志宇. 大连理工大学. 2007
[5]. 烧结过程工艺参数优化模型的研究[D]. 刘代飞. 中南大学. 2004
[6]. 现代板带轧机数学模型的研究与应用[D]. 刘艳. 北京科技大学. 2016
[7]. 基于RBF神经网络多模型的青霉素浓度预报方法研究[D]. 付文欢. 东北大学. 2010
[8]. 基于船舶操纵性试验分析的辨识建模研究[D]. 张心光. 上海交通大学. 2012
[9]. 小波过程神经网络相关理论及其应用研究[D]. 李洋. 哈尔滨工业大学. 2008
[10]. 大型船舶横摇运动姿态预报技术研究[D]. 杨震. 哈尔滨工程大学. 2012
标签：气象学论文; 支持向量机论文; 人工神经网络论文; 网络模型论文; 自组织神经网络论文; 数据建模论文; 系统仿真论文; 正交变换论文; svm算法论文; 线性系统论文; 数学模型论文; 非线性论文; bp神经网络算法论文;