广义同余神经网络的性能分析与改进

论文摘要

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。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 神经网络的产生
• 1.2 神经网络研究的概念
• 1.3 神经网络研究的特性及应用
• 1.3.1 神经网络的特性
• 1.3.2 神经网络的应用领域
• 1.4 国内外研究现状分析
• 1.5 研究内容及文章结构安排
• 第2章 广义同余神经网络（GCNN）
• 2.1 GCNN研究背景
• 2.1.1 BP网络的一些问题
• 2.1.2 GCNN已有的一些研究成果
• 2.2 广义同余神经网络
• 2.2.1 广义同余神经元
• 2.2.2 广义同余函数
• 2.2.3 网络结构
• 2.2.4 GCNN学习算法
• 2.3 改进的学习算法——贝叶斯正则化GCNN算法
• 2.4 本章小结
• 第3章 GCNN性能分析
• 3.1 逼近能力分析
• 3.2 泛化能力分析
• 3.3 神经元阈值的研究
• 3.4 初始权值及隐含层的研究
• 3.5 验证GCNN性能分析的实验
• 3.5.1 函数逼近及泛化能力实验
• 3.5.2 神经元阈值实验
• 3.6 GCNN的改进算法实验
• 3.6.1 贝叶斯正则化GCNN实验
• 3.6.2 提前停止算法实验
• 3.7 本章小结
• 第4章 GCNN与BPNN的比较
• 4.1 基本BPNN网络
• 4.2 GCNN与BPNN比较
• 4.2.1 激励函数的比较
• 4.2.2 学习算法的比较
• 4.3 GCNN与BPNN的实验比较
• 4.3.1 异或实验
• 4.3.2 函数逼近实验
• 4.4 本章小结
• 第5章 GCNN在刀具监测中的模式识别应用
• 5.1 刀具监测的介绍
• 5.1.1 刀具监测的意义
• 5.1.2 刀具磨损状态的监测方法
• 5.1.3 刀具磨损状态的监测系统
• 5.2 GCNN对刀具磨损状态的监测
• 5.2.1 刀具磨损过程
• 5.2.2 实验条件及仿真数据来源
• 5.2.3 刀具磨损状态特征提取
• 5.3 GCNN网络设计
• 5.3.1 GCNN网络结构参数设计
• 5.3.2 GCNN网络检验数据的实际输出与目标输出比较
• 5.3.3 贝叶斯正则化GCNN的刀具磨损状态识别
• 5.4 GCNN用于刀具磨损状态监测的结论
• 第6章 结论与展望
• 6.1 全文工作总结
• 6.2 未来展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文