神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用

內(nèi)容概要

　　《神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用》作為一種人工智能領(lǐng)域的新技術(shù)，具有優(yōu)越的非線性映射能力。神經(jīng)網(wǎng)絡(luò)以其在模式識(shí)別、系統(tǒng)建模等方面的卓越性能，已經(jīng)廣泛應(yīng)用于許多行業(yè)，發(fā)揮了很好的作用?！　”緯鴱腞BF網(wǎng)絡(luò)訓(xùn)練算法、結(jié)構(gòu)分解、結(jié)構(gòu)優(yōu)化、樣本選取等幾方面入手，分析了提高神經(jīng)網(wǎng)絡(luò)泛化能力和收斂速度的途徑與實(shí)現(xiàn)方法，提出了快速資源優(yōu)化網(wǎng)絡(luò)（FRON）算法、基于粗糙集理論的RBF網(wǎng)絡(luò)剪枝（RS-RBF）算法、基于多Agent系統(tǒng)設(shè)計(jì)原理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)算法（MANN方法），并介紹了神經(jīng)網(wǎng)絡(luò)在熱工過程預(yù)測(cè)控制以及設(shè)備故障診斷中的應(yīng)用，結(jié)合現(xiàn)場(chǎng)運(yùn)行及實(shí)驗(yàn)數(shù)據(jù)，給出了應(yīng)用實(shí)例。本書的最后還提供了利用MATLAB軟件編寫神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的實(shí)例，具有較高的實(shí)用性?！　　渡窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用》可供從事神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用的工程技術(shù)人員、研究人員參考，亦可供高等院校相關(guān)專業(yè)的教師和學(xué)生作為教學(xué)參考書。

書籍目錄

前言 第1章 緒論 1.1 引言 1.2 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 1.2.1 神經(jīng)網(wǎng)絡(luò)的研究及發(fā)展 1.2.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及工作方式 1.2.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法 1.2.4 神經(jīng)網(wǎng)絡(luò)的基本功能 1.2.5 神經(jīng)網(wǎng)絡(luò)在控制領(lǐng)域的應(yīng)用 1.2.6 神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用 1.2.7 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用中有待于解決的問題 1.3 其他智能方法 1.3.1 粗糙集理論 1.3.2 Agent系統(tǒng)理論 1.3.3 信息融合技術(shù) 1.4 本書主要內(nèi)容 參考文獻(xiàn) 第2章 RBF網(wǎng)絡(luò)的快速資源優(yōu)化算法 2.1 引言 2.2 RBF網(wǎng)絡(luò) 2.2.1 網(wǎng)絡(luò)結(jié)構(gòu) 2.2.2 網(wǎng)絡(luò)逼近能力 2.2.3 學(xué)習(xí)算法 2.2.4 應(yīng)用 2.2.5 優(yōu)點(diǎn)及問題 2.3 RBF網(wǎng)絡(luò)構(gòu)造算法 2.4 快速資源優(yōu)化網(wǎng)絡(luò)（FRON）算法 2.4.1 網(wǎng)絡(luò)結(jié)構(gòu) 2.4.2 學(xué)習(xí)算法 2.4.3 算法特點(diǎn) 2.5 算法實(shí)現(xiàn) 2.6 仿真及實(shí)驗(yàn)研究 2.6.1 Mackey－Glass非線性混沌序列預(yù)測(cè) 2.6.2 某電廠單元機(jī)組負(fù)荷系統(tǒng)建模 2.6.3 礦井主通風(fēng)機(jī)健康狀態(tài)評(píng)估 2.6.4 某電廠過熱器噴水模型建模 2.7 本章小結(jié) 參考文獻(xiàn) 第3章 基于粗糙集理論的RBF網(wǎng)絡(luò)剪枝算法 3.1 引言 3.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法 3.3 粗糙集的基本理論 3.3.1 粗糙集的基本概念 3.3.2 粗糙集理論的特點(diǎn) 3.3.3 粗糙集理論的應(yīng)用 3.4 基于粗糙集的剪枝算法 3.4.1 算法原理 3.4.2 算法特點(diǎn) 3.5 算法實(shí)現(xiàn) 3.6 仿真及實(shí)驗(yàn)研究 3.6.1 二維函數(shù)逼近 3.6.2 兩概念學(xué)習(xí) 3.6.3 某電廠過熱器噴水模型建模 3.6.4 設(shè)備狀態(tài)識(shí)別 3.7 本章小結(jié) 參考文獻(xiàn) 第4章 基于多Agent系統(tǒng)設(shè)計(jì)原理的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)算法 4.1 引言 4.2 Agent的基本原理 4.2.1 Agent的定義 4.2.2 Agent研究工作的進(jìn)展 4.3 基于多Agent系統(tǒng)設(shè)計(jì)原理的任務(wù)分配策略 4.3.1 Agent分配的定義 4.3.2 Agent任務(wù)分配的決策 4.4 基于多Agent系統(tǒng)設(shè)計(jì)原理的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)算法 4.4.1 網(wǎng)絡(luò)結(jié)構(gòu) 4.4.2 建模Agent系統(tǒng) 4.4.3 決策Agent系統(tǒng) 4.5 基于長(zhǎng)短記憶的RBF網(wǎng)絡(luò)算法 4.5.1 網(wǎng)絡(luò)結(jié)構(gòu) 4.5.2 學(xué)習(xí)算法 4.5.3 算法特點(diǎn) 4.6 MANN系統(tǒng)的工作步驟 4.7 仿真及實(shí)驗(yàn)研究 4.7.1 嘉興發(fā)電廠主汽溫系統(tǒng)建模 4.7.2 嘉興發(fā)電廠協(xié)調(diào)控制系統(tǒng)建模 4.7.3 設(shè)備狀態(tài)預(yù)測(cè) 4.8 本章小結(jié) 參考文獻(xiàn) 第5章 基于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)控制方法 5.1 引言 5.2 預(yù)測(cè)控制 5.2.1 概述 5.2.2 模型預(yù)測(cè)控制的基礎(chǔ)理論 5.2.3 基于神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)預(yù)測(cè)控制 5.3 基于FRON的預(yù)測(cè)控制方法 5.3.1 預(yù)測(cè)控制結(jié)構(gòu) 5.3.2 目標(biāo)值優(yōu)化算法 5.3.3 神經(jīng)網(wǎng)絡(luò)模型 5.3.4 方法的特點(diǎn) 5.4 在鍋爐汽溫預(yù)測(cè)控制中的仿真研究 5.5 本章小結(jié) 參考文獻(xiàn) 第6章 基于神經(jīng)網(wǎng)絡(luò)的多信息融合故障診斷方法 6.1 引言 6.2 改進(jìn)加權(quán)證據(jù)理論 6.2.1 D－S證據(jù)理論基礎(chǔ) 6.2.2 D－S證據(jù)理論缺陷 6.2.3 基于先驗(yàn)知識(shí)的改進(jìn)加權(quán)證據(jù)理論 6.2.4 算例分析 6.3 基于神經(jīng)網(wǎng)絡(luò)及加權(quán)證據(jù)理論的多信息融合故障診斷方法 6.3.1 故障診斷系統(tǒng)結(jié)構(gòu)框架 6.3.2 特征參數(shù)提取 6.3.3 故障診斷 6.4 異步電動(dòng)機(jī)故障診斷實(shí)驗(yàn)研究 6.5 本章小結(jié) 參考文獻(xiàn) 后記

章節(jié)摘錄

版權(quán)頁：   插圖：   利用專業(yè)背景知識(shí)，即先驗(yàn)知識(shí)選取訓(xùn)練樣本。使訓(xùn)練樣本盡量覆蓋樣本的全部空間，使訓(xùn)練樣本盡量代表研究對(duì)象的全部特征。利用這些優(yōu)秀樣本對(duì)建模Agent系統(tǒng)中的各個(gè)子神經(jīng)網(wǎng)絡(luò)訓(xùn)練。通過訓(xùn)練在各個(gè)RBF－LSTM網(wǎng)絡(luò)內(nèi)配置隱節(jié)點(diǎn)，這種通過優(yōu)秀樣本離線訓(xùn)練而得到的隱節(jié)點(diǎn)成為各個(gè)子網(wǎng)絡(luò)的核心隱節(jié)點(diǎn)，代表網(wǎng)絡(luò)的長(zhǎng)期記憶部分。在以后的過程中，這些核心隱節(jié)點(diǎn)不能被刪除。 Step2：訓(xùn)練決策Agent系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)。 對(duì)各個(gè)建模Agent系統(tǒng)的子網(wǎng)絡(luò)離線訓(xùn)練后，對(duì)決策Agent網(wǎng)絡(luò)進(jìn)行初始化訓(xùn)練。根據(jù)建模Agent系統(tǒng)中各個(gè)子網(wǎng)絡(luò)的輸入－輸出映射關(guān)系，訓(xùn)練決策Agent系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)。使其具有如下功能：當(dāng)輸入樣本在某個(gè)子網(wǎng)絡(luò)的輸入樣本空間內(nèi)時(shí)，決策Agent系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)輸出指向建模Agent系統(tǒng)中該子網(wǎng)絡(luò)，并激活該子系統(tǒng)，由該子網(wǎng)絡(luò)單獨(dú)承擔(dān)系統(tǒng)的建模工作。與此同時(shí)，抑制建模Agent系統(tǒng)中其他的子網(wǎng)絡(luò)，使其處于休眠狀態(tài)。由于研究對(duì)象的樣本此時(shí)在被激活的子網(wǎng)絡(luò)的輸入樣本空間內(nèi)，所以由該子網(wǎng)絡(luò)單獨(dú)承擔(dān)研究對(duì)象的建模工作是可行的。這樣可以減小網(wǎng)絡(luò)規(guī)模，提高運(yùn)算速度，增強(qiáng)網(wǎng)絡(luò)的實(shí)時(shí)建模能力。經(jīng)過訓(xùn)練后得到的決策Agent系統(tǒng)中RBF－LSTM神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)代表MANN系統(tǒng)中決策Agent的初始信息，將其定義為該網(wǎng)絡(luò)的核心隱節(jié)點(diǎn)。在以后的過程中，這些核心隱節(jié)點(diǎn)不能被刪除。

編輯推薦

《神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用》中神經(jīng)網(wǎng)絡(luò)作為一種人工智能領(lǐng)域的新技術(shù)，具有優(yōu)越的非線性映射能力。神經(jīng)網(wǎng)絡(luò)以其在模式識(shí)別、系統(tǒng)建模等方面的卓越性能，已經(jīng)廣泛應(yīng)用于許多行業(yè)，發(fā)揮了很好的作用?！渡窠?jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用》可供從事神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與應(yīng)用的工程技術(shù)人員、研究人員參考，亦可供高等院校相關(guān)專業(yè)的教師和學(xué)生作為教學(xué)參考書。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化方法及應(yīng)用 PDF格式下載

---