神经网络结构化设计与研究

论文摘要

人工神经网络作为数据建模的重要工具,被广泛应用在各个行业领域中。随着现代过程工业规模的扩大,生产工艺、设备以及生产过程复杂度也随之增加,简单模式的神经网络已经难以满足用户的需求,单一结构神经网络存在泛化性能有限、物理结构缺乏可理解性等问题,为了解决其局限性,繁衍出多种神经网络设计。本课题主要针对人工神经网络结构的智能性进行理论研究,总共涉及三部分内容：数据空间属性分析及处理、结构化神经网络模型设计以及人工神经网络性能优化。通过实现神经网络结构化学习实验平台的设计和开发,解决了神经网络黑箱性问题,削弱网络对专家知识的依赖性。平台核心内容是基于自联想神经子网和树形神经网络的两种新型的结构化神经网络。通过分别采用多组UCI国际标准数据集以及实际石化企业精对苯二甲酸(PTA)溶剂脱水塔装置的生产数据和高浓度聚乙烯降耗(HDPE)建模应用数据来验证课题研究内容。结果表明自动划分子网和由此生成的结构化神经网络具有很好的物理意义和实际有效性,大大提高了神经网络泛化能力和系统稳定性。因此,结构化神经网络研究对实际工业应用具有现实指导意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景
• 1.1.1 人工神经网络的概述
• 1.1.2 神经网络结构化的概述
• 1.2 国内外研究现状
• 1.3 课题研究内容
• 1.4 论文组织结构
• 第二章 数据空间属性分析及处理
• 2.1 数据空间属性分析概述
• 2.1.1 数据属性划分组合定义和定理
• 2.1.2 数据属性划分组合的应用
• 2.2 数据空间属性处理方法
• 2.2.1 属性特征向量内部相关性
• 2.2.2 属性特征向量对目标的影响性
• 2.2.3 混合处理方法
• 2.3 本章小结
• 第三章 结构化神经网络模型设计
• 3.1 递阶神经网络
• 3.1.1 递阶神经网络概念
• 3.1.2 同其他类似复杂模型的比较
• 3.2 递阶神经网络的衍生模型
• 3.2.1 树形递阶神经网络
• 3.2.2 自联想递阶神经网络
• 3.3 基于数据空间属性方法的递阶神经网络
• 3.3.1 实验数据
• 3.3.2 算法步骤
• 3.3.3 结果对比和分析
• 3.4 本章小结
• 第四章 实验平台实现及应用
• 4.1 实验平台的设计开发
• 4.1.1 平台需求功能分析
• 4.1.2 平台构架设计
• 4.1.3 平台流程图
• 4.1.4 平台开发小结
• 4.2 平台中其他算法
• 4.2.1 建模算法
• 4.2.2 优化算法
• 4.3 实验平台的应用
• 4.3.1 PTA溶剂脱水塔装置预测应用
• 4.3.2 HDPE聚合反应过程预测应用
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 工作总结
• 5.2 工作展望
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者和导师简介
• 附录