检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

3 篇 学位论文

馆藏范围

3 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

3 篇 工学
- 3 篇 软件工程
- 2 篇 控制科学与工程
- 2 篇 计算机科学与技术...
- 1 篇 机械工程
- 1 篇 环境科学与工程（可...
2 篇 管理学
- 2 篇 管理科学与工程(可...

主题

3 篇 在线自组织算法
2 篇 污水处理过程
1 篇 经验模态分解算法
1 篇 模块化神经网络
1 篇 rbf神经网络
1 篇 梯度下降算法
1 篇 数据驱动控制
1 篇 城市污水处理过程
1 篇 模糊神经网络
1 篇 在线自调整算法
1 篇 递归结构
1 篇 相关熵诱导准则

机构

3 篇 北京工业大学

作者

1 篇 贾丽杰
1 篇 郭鑫
1 篇 权利敏

语言

3 篇 中文

检索条件"主题词=在线自组织算法"

共 3 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

模块化神经网络在线自组织设计方法及应用研究

模块化神经网络在线自组织设计方法及应用研究

引用

作者：郭鑫北京工业大学

学位级别：博士

人工神经网络是模拟人脑信息处理过程的智能计算系统,因具有自我学习和良好的非线性逼近能力,在非线性系统建模中得到广泛的应用。但在实际应用中,很多实际过程是复杂的非线性动态过程,具有复杂性、非线性、不确定性、时变性等特征,单... 详细信息

人工神经网络是模拟人脑信息处理过程的智能计算系统,因具有自我学习和良好的非线性逼近能力,在非线性系统建模中得到广泛的应用。但在实际应用中,很多实际过程是复杂的非线性动态过程,具有复杂性、非线性、不确定性、时变性等特征,单一神经网络存在灾难性遗忘问题,无法有效学习所有样本等问题,因此非线性动态系统的建模和预测是神经网络模究的难点和热点之一。模块化神经网络是基于大脑的“模块化”特征设计的,可以有效提高神经网络的计算性能,缓解灾难性遗忘问题,是非线性动态系统建模方法研究的重要方向。目前,如何根据样本间的相关性或任务特征有效在线划分任务以及如何根据子任务动态调整子网络结构,是模块化神经网络的难点问题。因此,针对非线性动态系统建模和时间序列预测,对模块化神经网络在线自组织设计方法进行了系统深入的研究,主要研究工作和创新点如下:一、围绕非线性动态系统建模的模块化神经网络自组织设计方法研究1.针对模块化神经网络的子网络通常是结构固定的前馈神经网络,难以确定其初始结构的问题,提出了一种结构在线自组织的前馈神经网络模型。首先,根据网络误差增加隐含层神经元以保证网络的学习能力;其次,采用局部敏感度分析计算神经元的贡献度,修剪贡献度小的神经元以保证网络结构的紧凑性;最后,为提高网络的收敛速度和精度,采用滑窗机制对在线梯度下降算法进行改进。实验结果表明,与其它神经网络模型相比,所提出的模型能有效动态调整自身结构,具有较好的泛化性能。2.针对基于聚类算法的任务分解算法采用递归迭代方式,只在线更新聚类中心,无法充分考虑样本间的相关性的问题,提出了一种基于距离与密度的在线任务分解算法。该算法根据聚类中心的局部密度较高,且与其他聚类中心距离较大的原则,通过不断更新样本及其领域内样本的局部密度,动态划分样本空间,从而保证模块化神经网络能有效获得样本的局部信息,在线调整网络结构。3.针对非线性动态系统建模,提出了一种结构在线组织的模块化神经网络模型。首先,采用基于距离与密度的聚类算法在线划分样本空间,动态增加或删减子网络模块;其次,利用网络误差和局部敏感度分析动态调整子网络结构;最后,对各子网络的结果进行集成。实验结果表明,所提出的模型不仅可以根据样本局部信息在线调整子网络模块,而且子网络可以根据分配的子任务自适应调整自身结构,具有紧凑的结构和良好的泛化性能。二、围绕时间序列预测的基于EMD技术的模块化神经网络设计1.针对时间序列预测,通常模块化神经网络是基于样本空间划分时间序列,无法充分考虑时间序列的时间特性的问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)算法的自适应模块化神经网络模型。首先采用EMD算法将时间序列分解为若干个简单、独立的子时间序列;其次,采用样本熵和欧式距离分别计算子时间序列的复杂度相似度,合并简单且相似性较大的子时间序列;最后,对各子网络结果进行加权求和。实验结果表明,所提出的模型能有效提高模块化神经网络的预测精度。2.针对基于EMD算法的模型需要全局样本,无法处理在线时间序列预测问题,提出了一种基于滑窗和EMD算法的在线模块化神经网络模型。该模型通过EMD算法在线分解滑窗的时间序列,采用样本熵和欧式距离将子时间序列动态分配给子网络,同时通过修剪子时间序列重叠部分以缓解不同时刻的子时间序列间的末端效应。实验结果表明,所提出的模型可以有效在线分解时间序列,具有较好的预测精度。3.针对基于EMD算法的模型对时间序列进行分解时,会产生相对较高频率的子时间序列,可能会增加子网络的预测难度的问题,提出了一种基于EMD算法和多视图策略的在线模块化神经网络模型。首先,采用EMD算法将滑窗时间序列分解为若干个就简单、独立子时间序列;其次,采用样本熵和欧式距离动态分配子时间序列;最后将较高频率的子时间序列分配到多视图策略模块进行学习,较低频率的子时间序列分配到结构简单的子网络模块进行学习。实验结果表明,所提出的模型可以进一步提高模块化神经网络的预测精度。三、基于模块化神经网络的出水氨氮在线预测模型针对城市污水处理过程中关键参数出水氨氮浓度难以实时,精确测量和预测问题,提出了一种基于EMD和多视图策略的在线模块化神经网络预测模型。首先,利用滑窗机制和EMD算法对出水氨氮序列进行在线分解;其次,采用样本熵和欧式距离将较高频率的子时间序列分配到多视图策略模块进行学习,同时将较低频率的子时间序列分配到结构简单的子网络模块进行学习,最后对多视图策略模块和子网络模块进行集成。通过对污水处理过程中出水氨氮序列预测,实验结果表明所提模型可以实时,精确地预测污水处理过程中出水水质氨氮浓度。

关键词：模块化神经网络在线自组织算法梯度下降算法经验模态分解算法污水处理过程

来源：评论

学校读者我要写书评

暂无评论

数据驱动的城市污水处理过程智能控制方法研究

数据驱动的城市污水处理过程智能控制方法研究

引用

作者：权利敏北京工业大学

学位级别：博士

目前,城市污水处理已成为防治水污染、促进水资源循环利用、改善城市生态环境的有效途径。为了提高城市污水处理运行效率,确保出水水质达标排放,实施城市污水处理过程控制十分关键。然而,城市污水处理厂普遍采用活性污泥处理工艺,涉及... 详细信息

目前,城市污水处理已成为防治水污染、促进水资源循环利用、改善城市生态环境的有效途径。为了提高城市污水处理运行效率,确保出水水质达标排放,实施城市污水处理过程控制十分关键。然而,城市污水处理厂普遍采用活性污泥处理工艺,涉及复杂的生物、化学和物理处理过程,对其过程控制提出诸多挑战,具体表现如下:1)城市污水处理过程包含复杂的生化反应,表现出强非线性,对其进行精准的数学模拟十分困难。2)城市污水处理关键过程参数如出水氨氮、总磷浓度等难以在线测量,导致关键过程运行状态难以实时识别。3)城市污水处理过程检测环境恶劣,测量噪声、异常值不可避免,过程数据表现出非高斯特性,致使数据驱动建模和控制方法的可靠性难以保证。4)城市污水处理过程的入水流量与污染物组分等存在强不确定性,而且多个单元过程之间存在耦合现象,为实现污水处理过程的精准平稳控制带来巨大挑战。为了解决以上问题,在深入分析城市污水处理过程运行机理特点的基础上,构建了关键出水指标特征选择模型、设计了城市污水处理过程出水氨氮浓度离线建模方法、设计了城市污水处理过程关键出水指标在线建模方法、研究了城市污水处理过程变量的自组织控制方法。论文的主要研究工作和创新点如下:(1)城市污水处理过程关键出水指标特征选择方法针对城市污水处理过程关键出水指标特征变量难以选择的问题,设计了反向选择多层感知器关键出水指标特征选择模型。首先,针对多层感知器特点,设计了基于输入特征属性评估的反向选择准则,能够有效度量输入特征对网络输出的影响;其次,提出基于多层感知器输入特征修剪算法,在网络训练中自动选择相关特征;然后,结合关键出水指标的机理特性确定模型初始输入变量,并建立关键出水指标特征选择模型。实验结果表明,所提出的方法实现了关键出水指标特征变量的自动获取,能够有效降低特征模型复杂度,为关键出水指标的准确测量提供了重要保障。(2)城市污水处理过程出水氨氮浓度离线建模方法针对出水氨氮浓度难以在线检测、基于最小方差(MSE)准则的建模方法受非零均值噪声干扰存在估计偏差的问题,研究了基于概率密度函数(probability density function,PDF)-模糊神经网络(fuzzy neural network,FNN)的出水氨氮浓度离线建模方法。首先,引入最优误差PDF形状准则,通过优化误差PDF的分布调整模型参数。其次,为了提高模型性能,设计了自适应学习算法,实现模型参数的自适应更新。然后,在理论上分析了模型的收敛性,提高了出水氨氮浓度检测模型的可靠性。最后,离线构建出水氨氮浓度特征模型,实现了出水氨氮浓度的实时测量,并提高了检测模型对非零均值噪声的鲁棒性。(3)城市污水处理过程关键出水指标在线建模方法针对城市污水处理过程具有非平稳性,导致关键水质检测模型的性能退化且易受异常值干扰的问题,提出一种鲁棒在线自组织FNN,实现关键出水指标在线建模。首先,提出基于在线误差补偿与相关熵度量的结构学习算法,通过补偿极值点处的较大误差自动生成模糊规则,以提高建模精度;同时,基于模型性能的在线评价删除冗余规则,以保证网络结构的紧凑性。其次,设计了自适应学习算法,利用改进的相关熵诱导准则实现FNN参数的在线自适应优化;同时,利用相关熵准则对异常值的抑制能力,能够提高模型的准确性。最后,利用所提出的鲁棒在线自组织FNN构建了关键出水指标的特征模型。结果表明所提出的模型能够自适应调整网络结构,提高了出水氨氮浓度检测的实时性、准确性和鲁棒性。(4)城市污水处理过程溶解氧浓度自组织控制方法针对城市污水处理过程的非线性、不确定性以及非高斯特性,导致溶解氧浓度难以实现实时精确控制的问题,提出数据驱动的溶解氧浓度自组织控制方法。首先,设计了一种基于相关熵的自组织模糊神经网络控制器(correntropy-based self-organizing fuzzy neural network,CSOFNN),采用相关熵与规则贡献度指标实现CSOFNN控制器的结构与参数自动构建或修剪。其次,设计了补偿控制器及参数自适应律,利用相关熵诱导准则抑制非高斯噪声的能力,能够有效地降低系统中的不确定性。然后,分析了所提出的控制方法的稳定性,从而保证其在实际应用中的可靠性。最后,实验验证了CSOFNN的有效性。(5)城市污水处理过程多变量自组织控制方法针对城市污水处理过程存在的非线性、不确定性以及不同回路之间的耦合特性,导致多变量控制的平稳性、精确性难以保证的问题,提出数据驱动的多变量自组织控制方法。首先,针对过程中的非线性和不确定性问题,利用FNN的非线性逼近能力与模糊规则处理不确定信息的能力,构建了FNN多变量自组织控制器。其次,针对多变量控制的耦合问题,设计面向多输入多输出FNN的结构自适应调整算法,能够基于控制器的内部和外部信息实现其结构的自

关键词：城市污水处理过程数据驱动控制在线自组织算法相关熵诱导准则模糊神经网络

来源：评论

学校读者我要写书评

暂无评论

径向基神经网络结构设计及在线建模方法研究

径向基神经网络结构设计及在线建模方法研究

引用

作者：贾丽杰北京工业大学

学位级别：博士

径向基(Radial Basis Function,RBF)神经网络因其结构简单,收敛速度快,非线性映射能力强等优点在系统建模方面得到了广泛的应用。实际系统通常具有时变性、不确定性,要求建立的系统模型能够对新的环境具有适应能力,由于RBF神经网络的结... 详细信息

径向基(Radial Basis Function,RBF)神经网络因其结构简单,收敛速度快,非线性映射能力强等优点在系统建模方面得到了广泛的应用。实际系统通常具有时变性、不确定性,要求建立的系统模型能够对新的环境具有适应能力,由于RBF神经网络的结构和参数是其应用的关键,使得研究RBF神经网络的结构设计和在线建模方法成为必然趋势。然而,如何确定网络的结构以及根据在线数据实时调整网络的结构和参数、提高网络的在线自适应能力是目前研究的难点。因此,本论文围绕RBF神经网络,分别对前馈和递归两种RBF神经网络模型的结构设计及在线建模方法展开研究,并将其应用于污水处理过程中的关键水质参数在线监测。论文的主要研究工作和创新点如下:一、前馈RBF神经网络结构设计及在线建模方法研究围绕前馈RBF神经网络,研究网络自适应初始化算法,自动确定网络的结构和参数。然后结合滑窗算法,设计参数在线自调整算法实现网络的在线建模;研究网络结构的在线自组织算法,进一步提高网络的在线建模能力。***神经网络参数在线自调整算法研究(1)RBF神经网络自适应初始化算法设计为了实现RBF神经网络初始化,自动确定网络的结构和初始参数,提出了一种改进的Canopy-K-均值算法。首先,利用基于密度的Canopy算法对数据进行粗聚类;其次,根据最大权积方法自适应确定聚类个数和初始中心参数;最后,将其作为K-均值算法的初始参数对RBF网络进行训练。实验表明所提出的算法可以自动确定网络最优结构,网络具有较好的分类精度以及函数拟合精度。(2)RBF神经网络参数在线自调整算法设计基于RBF网络自适应初始化算法,结合滑窗机制,设计了一种基于参数在线自调整算法的RBF神经网络(OA-RBFNN)。首先,利用网络初始化方法确定网络结构及其初始参数;其次,根据滑窗内样本的变动,利用基于聚类的微调算法结合基于梯度的在线学习算法对网络的参数进行学习,实现网络在线建模。实验结果表明所提出的OA-RBFNN具有较好的泛化性能。***神经网络结构在线自组织算法研究为了进一步提高网络的在线自适应能力,并且减少网络对超参数的敏感性,本论文研究了一种基于高斯隶属度的结构在线自组织RBF神经网络(GM-OSRBFNN)。首先,引入高斯隶属度来增强网络对超参数的不敏感性,并将高斯隶属度作为一种相似性度量来表示隐含层神经元与样本之间以及神经元之间的相似度;其次,利用相似度设计神经元增加和神经元合并规则,以实现网络结构自组织,同时在神经元增加规则中引入误差约束,并设计噪声神经元删除规则,使网络结构更加紧凑;最后,提出在线固定小批梯度算法进行参数的在线学习,保证了网络的快速和稳定收敛。实验结果表明,所提出GM-OSRBFNN模型可以实现网络结构在线自组织,具有紧凑的网络结构和较高的泛化性能。二、递归RBF神经网络结构设计及在线建模算法研究围绕递归RBF神经网络,研究递归RBF神经网络的递归机制,设计了一种带有记忆因子的输入输出直连递归RBF神经网络结构;提出自适应批量在线学习算法,实现递归RBF网络在线建模。1.带有记忆因子的输入输出直连递归RBF神经网络结构设计针对传统递归RBF神经网络的递归机制容易造成历史记忆衰减,从而影响网络性能的问题,设计了一种新型的局部递归RBF(MF-DIOCRRBF)神经网络结构。首先,在隐含层神经元的递归机制中引入记忆因子,将历史信息有选择的进行累加,为网络提供更多的历史信息;其次,在网络的输入层和输出层之间加入输入-输出直连结构,提高网络的性能。最后,设计具有自适应学习率的梯度算法对网络进行学习,保证网络快速并且稳定的收敛。实验结果表明所提出的MF-DIOCRRBF神经网络结构具有较快的收敛速度和较好的预测精度。2.递归RBF神经网络自适应批量在线学习算法设计提出了一种递归RBF神经网络自适应批量在线学习算法,旨在提高递归RBF神经网络的在线学习能力。首先,基于滑窗策略设计在线样本获取模块;其次,开发具有自适应学习率的梯度算法对模型参数进行在线调整,保证模型在单个滑窗内稳定快速收敛;最后,提出批量自适应调整策略,根据网络性能调整批量大小,提高网络的预测精度。实验结果表明,所提出的自适应批量在线学习算法能够实现递归RBF网络的在线建模,同时提高网络的在线建模精度。三、RBF神经网络的出水氨氮在线监测模型为了验证所研究的RBF神经网络结构设计及在线建模方法的有效性,将提出的前馈和递归两种RBF网络在线模型应用到污水处理过程中关键水质的在线监测问题中。首先,针对出水氨氮浓度难以实时、在线测量问题,提出了基于高斯隶属度的RBF神经网络在线软测量模型,实现了污水处理过程中氨氮浓度的快速准确的在线测量;其次,针对污水处理过程中对未来时刻出水氨氮浓度的精确在线预测问题,提出了基于自适

关键词： RBF神经网络在线自调整算法在线自组织算法递归结构污水处理过程

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：