学位论文 > 优秀研究生学位论文题录展示
广义同余神经网络的性能分析与改进
作 者: 唐瑞雪
导 师: 蔡淮
学 校: 西南交通大学
专 业: 控制理论与控制工程
关键词: 神经网络 广义同余 激励函数 学习算法 泛化能力 模式识别
分类号: TP183
类 型: 硕士论文
年 份: 2008年
下 载: 34次
引 用: 0次
阅 读: 论文下载
内容摘要
近年来,神经网络理论研究取得了很大的进展,在各个领域的应用也取得丰硕的成果。作为神经网络的经典模型,BP(误差逆向传播)网络也得到了快速发展和广泛的应用,但同时存在着学习效率低,收敛速度慢,难以用数字硬件实现等问题。随着人们对神经网络实时性、规模性的要求越来越高,解决这些问题也显得更加迫切。有关广义同余神经网络(GCNN——GENERALIZED CONGRUENCENEURAL NETWORKS)已有的研究表明,相对于普通BP网络,GCNN具有很快的收敛速度,且已证明单隐层的GCNN具有一致逼近能力。本论文针对GCNN的性能进行分析,并对已有GCNN做出改进。本论文主要研究内容包括以下几个方面:首先,用贝叶斯正则化方法及提前终止法改进GCNN神经网络,优化后的GCNN神经网络有比较好的泛化能力,学习速度快,相对误差较小,操作方便。实例分析表明,运用此算法优化GCNN的方法是令人满意的。第二,对改进GCNN的性能进行分析,主要包括GCNN网络的逼近能力的分析,泛化能力的分析,其神经元阈值对GCNN学习收敛性的影响,初始权值对训练速度和精度的影响,隐含层数目及隐含层神经元数对网络学习和工作的影响。并给出实例来性能分析的结论进行了证明。第三,用计算实例做比较BPNN和GCNN的性能,实验结果表明:改进的GCNN的网络结构及学习算法是有效的,GCNN比普通BP网络及其部分变体具有更快的学习速度和较好的逼近、分类精度。最后,将GCNN成功应用到刀具状态的监测实例中,对不同工况条件下实验得到的数据进行分析,得到相同的结论:GCNN神经网络能有效地实现刀具磨损状态的智能诊断,网络作为刀具磨损状态的分类器,并有效的进行模式识别和分类,完成故障智能诊断。
|
全文目录
摘要 6-7 Abstract 7-11 第1章 绪论 11-18 1.1 神经网络的产生 11-12 1.2 神经网络研究的概念 12-13 1.3 神经网络研究的特性及应用 13-15 1.3.1 神经网络的特性 13 1.3.2 神经网络的应用领域 13-15 1.4 国内外研究现状分析 15-17 1.5 研究内容及文章结构安排 17-18 第2章 广义同余神经网络(GCNN) 18-29 2.1 GCNN研究背景 18-20 2.1.1 BP网络的一些问题 18-20 2.1.2 GCNN已有的一些研究成果 20 2.2 广义同余神经网络 20-26 2.2.1 广义同余神经元 20-21 2.2.2 广义同余函数 21-24 2.2.3 网络结构 24-25 2.2.4 GCNN学习算法 25-26 2.3 改进的学习算法——贝叶斯正则化GCNN算法 26-28 2.4 本章小结 28-29 第3章 GCNN性能分析 29-47 3.1 逼近能力分析 29-31 3.2 泛化能力分析 31-32 3.3 神经元阈值的研究 32 3.4 初始权值及隐含层的研究 32-33 3.5 验证GCNN性能分析的实验 33-40 3.5.1 函数逼近及泛化能力实验 34-38 3.5.2 神经元阈值实验 38-40 3.6 GCNN的改进算法实验 40-46 3.6.1 贝叶斯正则化GCNN实验 40-44 3.6.2 提前停止算法实验 44-46 3.7 本章小结 46-47 第4章 GCNN与BPNN的比较 47-62 4.1 基本BPNN网络 47-50 4.2 GCNN与BPNN比较 50-57 4.2.1 激励函数的比较 50-53 4.2.2 学习算法的比较 53-57 4.3 GCNN与BPNN的实验比较 57-61 4.3.1 异或实验 58-59 4.3.2 函数逼近实验 59-61 4.4 本章小结 61-62 第5章 GCNN在刀具监测中的模式识别应用 62-75 5.1 刀具监测的介绍 62-65 5.1.1 刀具监测的意义 62-63 5.1.2 刀具磨损状态的监测方法 63-64 5.1.3 刀具磨损状态的监测系统 64-65 5.2 GCNN对刀具磨损状态的监测 65-69 5.2.1 刀具磨损过程 65 5.2.2 实验条件及仿真数据来源 65-66 5.2.3 刀具磨损状态特征提取 66-69 5.3 GCNN网络设计 69-74 5.3.1 GCNN网络结构参数设计 69-70 5.3.2 GCNN网络检验数据的实际输出与目标输出比较 70-72 5.3.3 贝叶斯正则化GCNN的刀具磨损状态识别 72-74 5.4 GCNN用于刀具磨损状态监测的结论 74-75 第6章 结论与展望 75-77 6.1 全文工作总结 75 6.2 未来展望 75-77 致谢 77-78 参考文献 78-83 攻读硕士学位期间发表的论文 83
|
相似论文
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 基于流形学习的高维流场数据分类研究,V231.3
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 红外超光谱图像的虚拟探测器研究,TP391.41
- 基于仿生模式识别的文本分类技术研究,TP391.1
- 模糊控制、神经网络在平面二级倒立摆中的应用,TP273.4
- 基于神经网络的水厂投药预测控制研究,TP273.1
- 机械臂视觉伺服系统的研究,TP242.6
- 压电驱动微工作台的控制与校正技术研究,TP273
- 某武器检测装置的控制系统设计,TP183
- 过程支持向量机及其在卫星热平衡温度预测中的应用研究,TP183
- 市级旅游用地规划环境影响评价研究,X820.3
- 珠三角地区高性能混凝土配合比智能化系统,TU528
- 大学生综合素质测评研究,G645.5
- 不具备全局Lipschitz条件的时滞细胞神经网络的反周期解研究,TP183
- 基于并行算法的模糊综合评价模型的设计与应用,TP18
- 基于神经网络的牡蛎呈味肽制备及呈味特性研究,TS254.4
- 基于神经网络辨识的同步发电机励磁控制研究,TM31
- 基于BP神经网络的水稻干燥智能控制研究,S226.6
- 基于遗传算法优化的BP网络对生物柴油制备工艺的优化,TE667
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com
|