论文摘要
建模是分析问题和解决问题的一种重要的手段。对于复杂且具有严重非线性的系统，应用一般的单模块的神经元网络建立的系统模型往往不能满足要求。因此，本文在动态委员会机器的框架基础上，结合判别分析和单模块二阶神经元网络的优势，建立了一种具有训练速度快、泛化能力强、对复杂函数逼近能力强等优点的组合网络——新型分层混合专家网络。分层混合专家各个模块的性能直接影响网络的整体性能。在新型分层混合专家模型中，专家网络采用二阶网络模型；以判别分析为基础，借鉴模块化设计理念，改进了门网结构。这种门网抛弃了传统网状结构，结构清晰，模块分工明确，训练参数少。专家和门网模块的改进与设计，从根本上降低了分层混合专家网络的训练难度，提高了网络的训练速度和泛化能力。以典型的包含严重非线性的化工过程——pH值混合槽为仿真对象，对新型分层混合网络模型进行实验。结果表明：利用这种新的网络模型，对于静态系统过程和动态系统过程，都有很快的学习速度和较高的精度逼近系统模型。针对这种新型物理模型结构的分层混合专家网络应用和实现，在算法方面，提出了划分输入空间的交叉分类模式，并采用分步训练的方式对整个网络训练。首次提出负数概率概念，并建立了合理的门网数学模型，以降低模型误差。在BP算法中加入了自适应方法，并给出了相应的准则；对初始权值的设计进行了初步探讨，给出了初始权值选择方法。以pH值混合槽模型为仿真对象进行实验，实验结果表明，算法各方面的改进和设计，有效的降低了网络的训练难度和模型误差，提高了模型的逼近精度，说明了方法改进的有效性。基于新方法的新型分层混合专家模型网络融合了各种方法的优点，具有学习速度快、逼近精度较高、泛化能力好、网络的复杂度低和令人满意的动态组合网络的整体性能，实验证明，它适合解决环境信息复杂、背景知识不清楚和推理规则不明确的建模问题，为解决现实中困难的建模问题提供了一种行之有效的方法。
论文目录
摘要ABSTRACT第一章 绪论1.1 分层混合专家建模的研究及意义1.2 分层混合专家网络的发展与现状1.3 委员会机器模型介绍1.3.1 静态委员会机器模型1.3.2 动态委员会机器模型1.4 单模块神经元网络的发展和现状1.5 论文内容及章节安排第二章 分层混合专家和统计学基础理论2.1 神经网络理论基础2.1.1 神经网络介绍2.1.2 神经网络构成的基本原理2.1.3 神经网络的优点2.1.4 神经网络的应用领域2.2 分层混合专家理论基础2.2.1 分层混合专家介绍2.2.2 分层混合专家构成的基本原理2.3 聚类分析理论2.3.1 聚类分析2.3.2 聚类分析的类别和方法2.4 判别分析理论2.4.1 判别分析2.4.2 距离判别法2.4.3 判别准则第三章 二阶网络应用研究与算法改进3.1 多层二阶神经网络3.1.1 二阶网络模型3.1.2 改进学习算法及其在二阶网络中的应用3.2 权值初始化3.2.1 权值初始化分析3.2.2 初始权值选择方法3.3 仿真实验3.3.1 实验背景3.3.2 实验结果与分析3.3.2.1 改进算法对学习速率的影响3.3.2.2 权值初始化对学习速率的影响3.3.2.3 二阶网络与一阶网络性能比较3.3.2.4 二阶网络仿真实验3.4 小结第四章 基于二阶网络和判别分析建立新型HME物理模型4.1 分而治之思想与HME网络4.1.1 分而治之4.1.2 HME神经元网络4.2 模块化门网结构设计4.2.1 模块化设计的优点4.2.2 判别分析与欧氏距离4.2.3 门网结构设计4.3 新型分层混合专家模型建立4.3.1 模块分析4.3.2 NHME模型建立和算法推导4.4 实验仿真4.4.1 NHME和普通HME模型性能比较4.4.2 HME和二阶网络性能比较4.4.3 NHME仿真实验4.5 小结第五章 新型分层混合专家算法与程序设计5.1 分步训练5.2 交叉划分输入空间5.3 数据处理5.4 激活函数选择5.5 负数概率5.5.1 负数概率和负数概率模型5.5.2 负数概率的物理意义5.6 程序设计5.6.1 NHME主程序设计5.6.2 NHME二阶网络专家程序设计5.6.3 NHME门网程序设计5.7 实验仿真5.7.1 负数概率和改进方法对NHME模型的影响5.7.2 NHME模型综合仿真实验5.8 小结第六章 结论与展望6.1 工作总结6.1.1 课题改进和创新点简述6.1.2 工作内容总结6.2 研究展望参考文献致谢研究成果及发表的学术论文作者及导师简介硕士研究生学位论文答辩委员会决议书
相关论文文献
标签：建模论文; 分层混合专家论文; 门网论文; 判别分析论文; 二阶网络论文; 负数概率论文; 交叉分类论文; 分步训练论文;
