《2022年人工神经网络建模发展现状 .pdf》由会员分享，可在线阅读，更多相关《2022年人工神经网络建模发展现状 .pdf（4页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、历史神经网络领域的研究工作开始于十九世纪末二十世纪初。它源于物理学、 心理学和神经生理学的跨学科研究。这些早期研究主要还是着重于有关学习、视觉和条件反射等一般理论，并没有包含有关神经元工作的数学模型。现代对神经网络的研究可以追溯到20 世纪 40 年代 WarrenMcCulloch 和WalterPitS的工作。他们从原理上证明了人工神经网络可以计算任何算术和逻辑函数。通常认为他们的工作是神经网络领域研究工作的开始。曾经人们在早期的研究中表明神经网络只能解决有限的几类问题，而且存在很多固有的局限性。在60 年代由于缺乏新思想和用于实验的高性能计算机，曾一度动摇了人们对神经网络的研究兴趣，从而
2、导致许多研究者纷纷离开这一研究领域，神经网络的研究就这样停滞了十多年。到了 80 年代，随着个人计算机和工作站计算能力的急剧增强和广泛应用，以及不断引入新的概念， 克服了摆在神经网络研究面前的障碍，人们对神经网络的研究空前高涨。 有两个新概念对神经网络的复兴具有极其重大的意义。其一是:用统计机理解释某些类似的递归网络的操作，这类网络可作为联想存储器;其二是:在 20 世纪 80 年代，几个不同的研究者分别开发出了用于训练多层感知机的反传算法。其中最具影响力的反传算法是ovaidRumelhart 和 JameSMcClelland提出的。该算法有力地回答了人们对神经网络发展的质疑，大大推动了神
3、经网络的发展。这些新进展对神经网络研究领域重新注入了活力。在过去的10 年中，人们发表了众多的神经网络研究论文， 神经网络也有了很多应用。 提出了许多新理论，并开展了大量的实践工作。人工神经网络建模发展现状1陈霄, 王宁，基于混沌DNA 遗传算法的模糊递归神经网络建模，控制理论与应用， 2011年 11月 第 28 卷第 11期本文受生物 DNA 分子遗传机制和混沌优化算法的启发 , 提出了一种混沌 DNA 遗传算法 , 用于优化 T-S模糊递归神经网络 (FRNN)。 该方法使用碱基序列表示T-S模糊递归神经网络的前件部分参数, 包括模糊规则数 , 隶属度函数中心点和宽度; 设计更为复杂的遗
4、传操作算子来改进遗传算法的寻优性能; 利用混沌优化算法优化种群中的较差个体。同时名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 4 页 - - - - - - - - - 使用递推最小二乘法 (RLS)来辨识 T-S 模糊递归神经网络的后件部分参数。 。 最后, 采用基于混沌 DNA 遗传算法的 T-S 模糊递归神经网络对一种典型的pH 中和过程进行建模。 通过与其他建模方法的比较， 仿真实验结果表明了所建模型的有效性，同时该建模方法可以用于解决其他复杂非线性系统的建模问
5、题。2 戴 先中 ， 殷 铭 ， 王 勤 ，传 感器 动 态 补 偿 的神 经 网 络 逆 系 统 方法2004.10.25(05) 给出一种基于神经网络逆系统的传感器动态补偿策略。无需传感器具体模型和参数,即可实现传感器系统的近似单位线性化,达到动态补偿的目的。仿真实验和动态标定试验结果表明,应用这种新型的易于工程实现的动态补偿方法可显著地提高传感器的动态特性,有效改善传感器的动态品质。3 吴德会 , LS-SVM 构造 FLANN 逆系统的传感器动态补偿方法, 数据采集与处理 ,第 22 卷第 3 期 2007年 9 月提出一种用最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(F
6、LANN) 逆系统的传感器动态补偿新方法。 通过典型的传感器动态标定实验数据,该逆系统模型的传递函数可用LS-SVM-FLANN方法辨识得到。实验结果表明 ,LS-SVM-FLANN辨识逆系统模型的速度是BP-FLANN方法的两倍 ,而且该逆系统动态补偿误差仅为后者的10%。用LS-SVM 构造FLANN 的逆系统补偿器精度高、鲁棒性好、实现简单。4 毛先柏，王利恒，李昌禧 , 基于 SVM 回归的 FLANN 改进新法及其应用, 计算机工程与应用, 2009，45（27）通过分析常规函数链接型神经网络（FLANN ）结构与支持向量机（ SVM）的关系，确定了两者本质上的等价性；在 此 基 础
7、 上 提 出了 一种 基于SVM 技 术 的FLANN 构 造 新方 法， 并 将SVM-FLANN 应用到称重传感器的动态补偿上。 结果表明该方法构造的FLANN 具有结果唯一、结构简单、全局优化等特点，应用于称重传感器的动态补偿时，对传感器的性能改善效果明显，具有实用价值。5 俞阿龙 , 基于FLNN 的加速度传感器动态特性补偿方法, 传感器技术(Journal of TransducerTechnology) 2004 年第 23 卷第 12期对加速度传感器动态性能进行分析 ,提出其动态性能补偿的神经网络方法,介绍了补偿原理以及神经网络算法 ,给出用函数连接型神经网络建立的加速度传感器动
8、态补偿网络的数学模型。结果表明 :这种补偿模型精度高、能实现在线修正,有良好的鲁棒性及动态补偿器实现简单等优点。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 4 页 - - - - - - - - - 6 刘刚, 基于递归神经网络的热电偶测温滞后的动态补偿, 传感器与微系统(Transducer andMicrosystem Technologies) 2006 年第 25卷第 11期, 提出了一种基于递归神经网络的热电偶测温滞后的动态补偿方法,利用神经网络良好的非线性
9、映射能力 ,建立传感器的动态逆模型,实现对传感器的动态补偿。实验结果表明 :检测信号经过动态补偿后,能够克服传感器的测量滞后,达到稳态的时间从补偿前的 26 s缩短到大约 5 s,传感器的动态性能得到较大的提高。7 吴德会 ,杨世元 ,苏海涛 , 基于支持向量机的传感器动态补偿新方法, 化工自动化及仪表 , 2005, 32(5): 6163提出一种基于支持向量机 (SVM)的传感器动态补偿新方法 ,给出相应的补偿过程及学习算法。与常用的神经网络补偿方法比较,其优点是明显的。它采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界 ,提高了模型的泛化能力 ;而且将学习算法转换为
10、求解二次规划问题 ,使得在整个学习过程中有且仅有一个全局极值点,确定了所构造补偿器的唯一性。仿真和实验结果均表明 ,经过 SVM 动态补偿器可极大地缩短传感器达到稳定的时间 ,应用 SVM 模型对传感器进行动态补偿方法有效。8 俞阿龙 , 遗传算法结合 FLNN 实现加速度传感器动态特性补偿，计量学报，第 26 卷第 4 期 2005年 10 月对加速度传感器动态性能进行分析,利用遗传算法与函数链神经网络相结合实现其动态性能补偿的方法,介绍补偿原理以及算法 ,给出了用遗传算法和函数链神经网络相结合建立的加速度传感器动态补偿网络的数学模型。结果表明,这种补偿模型具有精度高、有良好的鲁棒性以及动态
11、补偿器实现简单等优点,在测试领域中有很好的应用前景最小二乘法最小二乘法大约是1795 年高斯在著名的星体运动轨道预报研究工作中提出的。它是估计理论的奠基石， 由它推导出了许多其它估计法，并常作为有些算法的启动算法。由于最小二乘法原理简单， 编制程序也不困难， 所以颇受人们重视，应用相当广泛。1 吴德会 ,杨世元 ,董华, 基于最小二乘支持向量机的传感器动态补偿方法,计量学报 , 第 28卷第 4期 2007年10月介绍和比较标准支持向量机(SVM)名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - -
12、- - 第 3 页，共 4 页 - - - - - - - - - 和最小二乘支持向量机 (LS-SVM)基本原理的基础上 ,探讨了一种利用 LS-SVM 进行传感器动态误差补偿的方法,并给出了相应的过程和算法。 与标准 SVM 补偿方法比较 ,该方法的优点是明显的:用等式约束代替标准SVM 算法中的不等式约束 ,将求解二次规划问题转化为直接求解线性矩阵方程,在相同样本条件下 ,使得补偿器构造速度提高 12 个数量级。通过对 SVM 和 LS-SVM 传感器动态补偿的仿真分析和实验结果对比表明,在噪声条件下 ,LS-SVM 方法的补偿误差约为SVM 的40%。因此 ,LS-SVM 补偿方法学习
13、速度快 ,抗噪声干扰能力强 ,更适合传感器动态补偿。零极点配置法 设计补偿环节， 要依据传感器的模型， 所以，对建模精度有一定的要求， 但并不严格。 这种方法特别适用于阶跃响应曲线的超调量大、振荡剧烈、到达稳态时间长的传感器。传感器零极点相消动态补偿法用零极点相消的方法设计数字滤波器，进行动态补偿，方法简单，计算量小，效果明显 .在原模型基础上，参数稍加变动，既改善动态品质，又保持原系统的特点.它对各阶系统均适用，不会因原系统阶数高而增加使用难度.虽设计了动态补偿环节， 但由于零极点相消的作用， 并不增加整个系统的阶数， 保证了动态补偿的实时性。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 4 页 - - - - - - - - -