| 【中文题名】 | 异因同果关联神经网络的建模与应用 |
| 【英文题名】 | Modeling and Application of a Different-Inputs-Same-Output Combinational Neural Network |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-9-29 |
| 【中关键词】 | 组合神经网络,BP算法及其改进,子网络的改进,样本选取和处理,网络结构,优化 |
| 【英关键词】 | combinational neural network,BP algorithm,assembly neural network,sample selection,network structure,optimization, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
本论文在研究了组合神经网络的发展现状的基础上，结合实际生产生活中所遇到的问题，提出了一种新型组合神经网络——异因同果关联神经网络，它可以从不同角度分别建立不同的模型，并山其得到互不相同的模型预测值。异因同果关联神经网络模型将不同角度建立的模型有机结合起来，进而能够将多个神经网络模型的作用进行综合考虑，得到一个综合的统一的模型预测结果。文中研究了神经网络集成的原理和发展现状，进而对组成子网络BP网络进行改进和优化，并将仿真结果进行比较，同时文中研究了异因同果关联神经网络模型的机理，结合实例进行仿真并与传统的神经网络模型的预测仿真结果比较，结果表明新型模型具有更高的预测精度。
在提出异因同果关联神经网络后，本文进而从以下几个方面继续研究和改进新型关联网络模型的性能：
1、改进单个子网络的性能
采用应用最为广泛的BP神经网络作为主要子网络，在综合国内外BP网络研究现状的基础上，分析BP网络的网络结构和原始算法，研究其学习过程并分析其优缺点所在，从启发式和加入数值优化技术两个方面对BP算法进行改进，并通过仿真对比说明了各个改进算法的性能特点和优缺点。
2、组合神经网络模型的优... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
Abstract |
7-9 |
|
目录 |
9-12 |
|
第一章 绪论 |
12-25 |
|
1.1 课题研究背景 |
12-13 |
|
1.2 目前组合神经网络的研究内容和研究现状 |
13-17 |
|
1.2.1 组合神经网络的概念和应用背景 |
13-14 |
|
1.2.2 组合神经网络的研究现状 |
14-17 |
|
1.3 BP子网络的选用原因及其研究现状 |
17-23 |
|
1.3.1 BP人工神经网络的选用原因 |
17-18 |
|
1.3.2 BP算法的研究现状 |
18-23 |
|
1.4 本论文的主要研究内容 |
23-25 |
|
第二章 异因同果关联神经网络 |
25-36 |
|
2.1 引言 |
25 |
|
2.2 单一神经网络的局限 |
25-26 |
|
2.3 异因同果关联神经网络模型 |
26-31 |
|
2.3.1 异因同果关联神经网络模型的提出 |
26 |
|
2.3.2 异因同果关联神经网络模型网络结构 |
26-27 |
|
2.3.3 异因同果关联神经网络模型学习算法 |
27-31 |
|
2.3.4 新型神经网络的特点 |
31 |
|
2.4 应用实例及其仿真 |
31-34 |
|
2.5 结论及结果分析 |
34-35 |
|
2.6 小结 |
35-36 |
|
第三章 子网络算法的研究和改进 |
36-59 |
|
3.1 引言 |
36 |
|
3.2 基于误差梯度下降的BP算法 |
36-45 |
|
3.2.1 网络的拓扑结构 |
36-38 |
|
3.2.2 网络的算法 |
38-42 |
|
3.2.3 网络的学习过程 |
42-44 |
|
3.2.4 传统算法的缺点 |
44-45 |
|
3.3 BP算法的改进 |
45-56 |
|
3.3.1 启发式改进 BP算法 |
45-49 |
|
3.3.2 加入数值优化技术的BP算法 |
49-56 |
|
3.4 各种快速 BP算法的对比仿真研究 |
56-58 |
|
3.5 小结 |
58-59 |
|
第四章 异因同果关联网络模型的优化建立 |
59-72 |
|
4.1 引言 |
59 |
|
4.2 样本的选取和处理 |
59-63 |
|
4.2.1 样本选取的重要性 |
59 |
|
4.2.2 训练样本的选择原则 |
59-60 |
|
4.2.3 训练样本数的确定 |
60-61 |
|
4.2.4 输入输出数据的预处理 |
61-63 |
|
4.3 泛化能力问题 |
63-64 |
|
4.3.1 泛化能力问题描述 |
63 |
|
4.3.2 解决方案 |
63-64 |
|
4.4 组合神经网络的个体生成和输出合成优化 |
64-69 |
|
4.4.1 新型网络的集成分解 |
64-65 |
|
4.4.2 个体网络的生成方法 |
65-66 |
|
4.4.3 结论生成方法分析 |
66-69 |
|
4.5 神经网络结构确定 |
69-71 |
|
4.5.1 隐层数目 |
69 |
|
4.5.2 网络的算法 |
69-71 |
|
4.6 小结 |
71-72 |
|
第五章 在电力负荷短期预报中的应用 |
72-79 |
|
5.1 引言 |
72 |
|
5.2 问题描述 |
72 |
|
5.3 样本选取和划分 |
72-73 |
|
5.4 建立模型 |
73-76 |
|
5.4.1 实际输入/输出向量设计 |
73-74 |
|
5.4.2 子网络结构的优化确定 |
74-75 |
|
5.4.3 个体网络训练 |
75-76 |
|
5.5 异因同果关联模型预测 |
76-78 |
|
5.6 小结 |
78-79 |
|
第六章 总结与展望 |
79-81 |
|
6.1 总结 |
79-80 |
|
6.2 展望 |
80-81 |
|
参考文献 |
81-87 |
|
攻读学位期间发表的学术论文目录 |
87-88 |
|
致谢 |
88 |
|
| 【DOI】 | LunWen.ID:2.2008.389156 |
