李洋[1]2008年在《小波过程神经网络相关理论及其应用研究》文中认为本文在国家自然科学基金的资助下,将小波分析理论和过程神经网络模型相结合,提出小波过程神经网络的概念。小波过程神经网络以小波分析作为其理论基础,结合小波良好的局部化特性和过程神经网络能够处理时变信号的能力。小波分析理论在网络设计过程中帮助确定网络的拓扑结构和网络参数,为网络结构的确定提供理论依据,简化了网络的训练问题。小波的时—频局部化特性有利于处理非平稳的输入信号,而过程神经网络能够避免传统神经网络在大容量非线性时变系统的信号处理方面存在的不适应性。本文对小波过程神经网络模型及其相关理论进行深入分析和研究。在此基础上,将小波过程神经网络模型应用于航空发动机性能衰退预测中,为航空发动机性能衰退预测提供一种有效的方法。论文提出连续小波过程神经元和离散小波过程神经元模型,给出常用的小波过程神经元的激励函数并与前馈过程神经网络的激励函数进行对比分析,给出小波过程神经网络模型的分类方式。以小波分析理论中的连续小波变换、小波多分辨分析和小波框架为理论依据,提出叁类小波过程神经网络模型——连续小波过程神经网络、多分辨小波过程神经网络和框架小波过程神经网络。首先,以连续小波变换为理论依据,采用连续小波函数作为过程神经网络的激励函数构建连续小波过程神经网络,给出基于正交基展开的学习算法和梯度下降的学习算法,对网络的隐层激励函数的选择、隐层节点的确定以及网络参数初始化叁个难点问题作了深入的研究。根据连续小波过程神经网络中隐层基函数调节参数的不同,又提出一种小波基函数过程神经网络模型并给出学习算法。其次,以多分辨分析和正交小波分解为理论依据,采用正交小波和正交尺度函数共同作为过程神经网络隐含层激励函数,构建多分辨小波过程神经网络。利用多分辨分析逐层逼近的性质,给出多分辨小波过程神经网络的学习算法。作为多分辨小波过程神经网络的一种简化形式,采用正交尺度函数作为过程神经网络的激励函数构建多分辨尺度小波过程神经网络并给出学习算法。最后,以离散小波变换和小波框架为理论依据,提出框架小波过程神经网络模型并给出学习算法。本文还对上述网络模型及其学习算法的相关性能进行分析和仿真试验,针对小波过程神经网络模型对于不同类型信号的处理能力,给出叁类小波过程神经网络模型的信号处理范围,为小波过程神经网络的实际应用提供指导。以上叁类小波过程神经网络构成了小波过程神经网络完整的结构体系。利用小波函数的可积性和紧支撑的性质,利用实变函数和泛函分析中函数空间和算子理论等性质特点,开展小波过程神经网络的性能分析研究。从理论上证明了小波过程神经网络解的存在性、小波过程神经网络的连续性、小波过程神经网络的逼近能力以及小波过程神经网络计算能力等定理。对学习算法的性能进行了分析,并对小波过程神经网络和前馈过程神经网络进行比较。小波过程神经网络所具有的性质是保证其对实际问题应用有效性的理论基础。针对航空发动机状态监控问题的实际需求,本文将叁类小波过程神经网络模型分别应用于航空发动机滑油金属含量、转子振动信号和排气温度裕度的趋势预测问题,实现了对特征不同的信号选取不同的网络模型进行预测。对于不同类型的预测信号,小波过程神经网络模型表现出良好的收敛性能和泛化能力。实际应用结果表明:相对于其它的神经网络,小波过程神经网络在处理时变问题以及对突变信号的捕捉及复现等方面具有独特的功能和广阔的应用前景。
石程[2]2016年在《基于视觉稀疏表示和深度脊波网络的遥感图像融合及分类》文中进行了进一步梳理随着卫星技术的不断发展,高分辨率遥感图像不断出现,遥感图像在农业领域、城市区域分析、环境监测、道路网络提取等方面都得到了广泛应用。由于成像设备的不同,可以得到多种遥感图像,例如多光谱图像、高光谱图像、以及全色图像。为了更好的对图像中的目标进行解释,本文对多光谱和全色图像的融合、以及高光谱图像的分类问题进行了研究。本论文为了有效地提高融合图像的质量和高光谱图像的分类精度,从基于视觉稀疏表示的多光谱和全色图像的融合和基于深度脊波网络的高光谱图像分类两个方面进行了研究。全文主要工作内容如下：(1)提出了一种基于Mask Dodging和非下采样Shearlet变换的多光谱和全色图像融合方法,用于解决融合图像的细节信息受到薄云干扰的问题。在该方法中,采用Mask Dodging法分别对多光谱和全色图像中的薄云进行有效地去除。对去云后的图像,提出自适应PCA变换和非下采样Shearlet变换相结合的融合方法来提高融合图像的光谱和空间分辨率信息。针对去云过程造成薄云所在区域地物细节信息丢失的问题,设计一种新的图像增强方法,在融合过程中对云区丢失的细节信息进行增强。实验结果表明,设计的方法能够使得融合图像不仅具有较好的空间分辨率信息和光谱信息,同时具有较为一致的清晰度。(2)提出了一种基于初始素描模型和学习插值的多光谱和全色图像融合方法。基于初始素描模型,可以得到高分辨率全色图像的初始素描图。初始素描图是由一些线段组成,包含了图像的边、线特征,并且素描图上的每一个线段都包含方向信息。本文根据初始素描图上线段的方向,设计区域划分方法,将多光谱和全色图像划分为结构、纹理和光滑区域。针对多光谱图像中的结构区域和纹理区域,结合高分辨率全色图像的梯度信息,分别设计了结构和纹理学习插值方法,对插值像素进行学习。实验结果表明,提出方法在不同卫星成像得到的多光谱和全色图像上测试,证明了本文算法的有效性。(3)提出了一种基于压缩超分辨重构和多字典学习的多光谱和全色图像融合方法。在该方法中设计了一个两阶段的压缩超分辨重构模型,有效的解决了基于压缩感知融合模型中高分辨率全色图像与线性加权的高分辨率多光谱图像之间存在误差的问题。同时,结合图像的素描信息,针对多光谱和全色图像不同区域的特点,设计了由脊波字典、曲线波字典、以及DCT字典组成的多字典。该字典分别用于两个阶段的超分辨重构中,来提高融合图像的重构效果。实验结果表明,该方法能够较好的解决最近提出的基于压缩感知融合模型产生光谱失真的问题,进一步提高融合图像的空间分辨率。(4)基于Hinton等人提出的自编码器,提出了脊波自编码器,以及基于该自编码器的高光谱图像分类方法。在该方法中将脊波作为深度网络的激活函数,进一步提高整个网络对高维非线性决策函数的稀疏逼近能力。相比于标准的激活函数sigmoid、双正切以及rectifier函数,脊波具有尺度、位移和方向信息,同时,它是紧支撑的,因此脊波自编码器能够有效地提高网络的稀疏逼近能力。通过高光谱图像、MNIST手写体数据库、CIFAR10数据库、以及双螺旋线非线性分类实验证明,脊波自编码器能够有效的提高测试数据的分类精度。(5)根据卷积神经网络的框架,结合脊波函数的特性,提出了一种基于脊波卷积神经网络的高光谱图像分类方法。在该分类方法中,提出了脊波滤波器初始化和空谱结合的高光谱图像分类方法。与标准的卷积神经网络框架下的初始化方法相比,脊波滤波器初始化方法在逼近光谱和空间信息方面,具有更好的稀疏表示能力和更快的逼近速率。而与标准的特征学习方法相比,本论文方法仍然继承了标准的卷积神经网络的结构,提供了一个自适应有效地特征学习方法。实验结果表明,所提出的方法能够有效的提高网络的逼近速率和提高高光谱图像的分类精度。(6)提出了一种基于叁维卷积神经网络的高光谱图像分类方法。标准的卷积神经网络被证明是一种较好的特征提取方法,但是它只能对二维图像的特征进行学习。高光谱图像是一个像素立方体,空间特征对于提高分类精度也是十分有帮助的。在本论文中,叁维卷积神经网络的应用被扩展到高光谱图像分类问题上。通过叁维卷积操作,挖掘高光谱图像更加复杂的特征。除此之外,该方法进一步研究了叁维脊波滤波器对叁维卷积网络的影响。提出的方法在高光谱图像数据集上进行了测试,分类精度得到了较大幅度的提高。
刘霞[3]2005年在《复杂非线性系统的小波神经网络建模及其应用》文中进行了进一步梳理人工神经网络、小波分析和遗传算法的研究是当代信息科学技术的前沿和热点,对于复杂非线性系统辨识和预测具有重要的理论和应用价值。本文在深入研究小波分析、人工神经网络和遗传算法的基础上,主要完成了以下研究工作。本文对人工神经网络和小波网络的逼近能力进行研究,并对叁层前馈网络、径向基函数网络以及小波神经网络的逼近能力进行仿真。通过理论分析和仿真结果可知小波网络具有逼近能力强、收敛速度快等特点。以非线性系统辨识问题为应用背景,将小波的多分辨率理论与人工神经网络相结合,构造了自适应小波网络,该网络由平滑子网和细节子网构成,通过自适应的并入新的细节子网来不断地提高学习精度,而对新的细节子网的训练不会影响到已训练成功的原网络的结构。研制了自适应小波神经网络模型改进算法,解决了传统方法难以确定网络隐层节点个数的问题,本文采用基于遗传算法的子网结构辨识方法来确定各子网的隐层单元数。仿真结果表明该方法具有逼近精度高、泛化能力强的特点。针对色谱数据中存在着噪声,而噪声会污染原始的真实信号,从而影响色谱峰的自动识别和峰面积的准确计算。因此,在对色谱数据进行定性和定量分析之前,要对所得到的色谱数据进行去噪处理,本文采用基于小波分析的小波阀值去噪法对色谱信号去噪,并将本文提出的自适应小波神经网络改进算法应用于油田录井色谱数据建模和油田试井压力数据建模,获得良好的效果。仿真和应用表明了本文提出的方案的有效性。
章剑雄[4]2003年在《复杂系统的神经网络建模及仿真研究》文中指出神经网络对于辨识和逼近复杂的非线性系统有优越的性能，已经在工程领域得到广泛而成功的应用。国内外许多学者采用神经网络来建立生产过程的模型，以达到预报或优化的目的。 本文介绍了近年来得到广泛应用的两种前馈神经网络：BP网络和RBF网络，并给出了学习算法。文中归纳了前馈型神经网络具有逼近任意非线性映射能力的理论性的结论。简单介绍了钢材退火生产工艺，给出了基于神经网络的钢材退火生产过程的建模与优化模型。最后，作了用BP网络和RBF网络逼近非线性函数的仿真研究，并作了比较。针对BP网络学习速度慢，容易陷入局部极小点等问题，给出了几种改进方法，取得了较好的效果。文中对前馈网络中的隐层神经元个数的确定，学习样本的选取以及神经网络的泛化能力作了较详细的讨论。最后，采用一种直接方法步长加速法来寻找最优值。
董锐[5]2011年在《基于神经网络的函数逼近方法研究》文中研究说明函数逼近是函数论中的一个重要组成部分,其在数值计算中的作用是十分重要的。运用神经网络进行函数逼近,为函数逼近的发展提供了一条新的思路。用神经网络作函数的逼近有许多优点:首先,它提供了一个标准的逼近结构及逼近工具,这个工具可以随着隐层个数改变来达到任意精度;其次,有标准的学习算法用以确定逼近函数的参数,并且这一过程是拟人的,即很好地模拟了人的学习过程;最后,能处理的数据对象十分广泛:适用于大规模的,高度非线性的,不完备的数据处理。本文以几种典型神经网络为例(BP神经网络、RBF神经网络、正交多项式基函数神经网络、样条基函数神经网络),对基于神经网络的函数逼近方法进行了研究。神经网络的函数逼近能力受神经元个数、学习率、学习次数和训练目标等因素的影响,因此,在研究过程中,充分运用神经网络的非线性逼近能力,首先对几种用于函数逼近的神经网络的结构及算法进行研究;再针对几种常用函数曲线,如正弦函数、指数函数、对数函数、叁角函数等,分别用典型神经网络进行逼近,并对逼近效果进行比较,得到用于函数逼近的神经网络选取规律。所得结论经过实际仿真测试,证明了其有效性。本文的研究结果对函数逼近的研究具有借鉴意义。
南东[6]2007年在《RBF和MLP神经网络逼近能力的几个结果》文中研究说明神经网络的理论和方法在过去的十几年发展极为迅速，它的应用范围涉及到工程、计算机、物理、生物、经济、管理等科学领域．人们应用神经网络进行聚类分析、智能控制、模式识别和优化计算等等．然而，许多问题的研究都要转化为用迭代的神经网络逼近函数的问题．该问题在数学上可以解释成，用一元函数的复合来表示多元函数，这也是希尔伯特的第十叁个猜想．本文主要基于神经网络的非线性逼近性质，来研究径向基函数神经网络的逼近能力问题，包括函数逼近问题、强逼近问题以及算子逼近问题．即：函数集合在C(K)(或L~p(K))中的稠密问题，在C(K)(或L~p(K))中紧集上的稠密问题以及算子空间T∶L~(p1)(K_1)→L~(p2)(K_2)的逼近问题．这里c_i，λ_i∈R_i，x，y_i∈R~n，i=1，2，…，N，K，K_1，K_2(?)R~n为任意紧集，1≤p，p_1，p_2＜∞，激活函数g常常取作高斯函数．函数集合F_1又常常称作是RBF神经网络的数学表达形式．同时本文也研究了一般前馈网络对于完备线性距离空间中紧集上的函数逼近能力，即：如果H是由以‖·‖_H为范数的所有函数构成的完备线性距离空间，V(?)H为一个紧集，函数族在V中稠密问题．这里(?)λ_jg(τ_j(x))是输入x的输出，λ_j是第j个隐单元到输出单元的权值，g是激活函数．τ_j(x)是第j个隐单元的输入值，它是由输入层以及输入层到第j个隐单元之间的权值决定的．根据不同类型的前馈网络，τ_j(x)具有不同的数学表达形式．本论文的结构安排如下：第一章回顾一些有关神经网络的背景知识，其中包括近十几年的前馈神经网络逼近结果．第二章介绍本文中需要的泛函分析和广义函数的基础知识，例如：基本函数空间和广义函数空间的关系，基本函数的支集和广义函数的支撑，以及基本函数和广义函数的卷积，等等．第叁章主要讨论径向基神经网络的逼近问题，包括一般函数逼近问题，强逼近问题和算子逼近问题．这些结果推广了径向基网络的逼近结论[1-5]，为RBF神经网络逼近能力的研究提供了有利的理论基础．第四章研究一般前馈神经网络的强逼近问题，并给出了前馈网络的具体形式的强逼近结果：例如MLP网络等等．指出对于带有一个隐层的前馈神经网络，可以预先给定隐单元的个数和输入单元到隐单元的权值，只需选择适当的隐单元到输出单元的权值，就可以对一族函数中的任意函数作逼近．
何海港[7]2014年在《基于时变神经网络的非线性时变系统迭代学习辨识与控制》文中研究说明神经网络凭借自身内在的强逼近能力,广泛应用于非线性系统辨识与控制。常规神经网络权重往往为常值,采用积分学习律调整网络权值。时变神经网络拥有时变权值,当网络结构确定后,网络权重的训练便成为时变神经网络能否成功应用的关键。迭代学习控制与重复控制在一定条件下能够实现期望轨迹的精确跟踪。借鉴迭代学习思想训练时变神经网络权值成为一种可行方案。非线性时变系统具有复杂的非线性时变动态特性,针对这类系统的辨识与控制的研究成果还不多见。本文给出时变RBF网络与时变动态神经网络,借助迭代学习思想沿重复轴训练网络权值。基于给出的两类时变神经网络完成非线性时变系统辨识及自适应迭代学习控制。本文的主要研究工作和取得的成果如下：1.在常规RBF网络基础上,给出时变RBF网络。并将两种不同连接权值的RBF网络分别用于非线性时变系统辨识。考虑逼近误差存在的情形,采用带死区修正的积分学习律调整常规RBF网络权值；借助迭代学习思想,根据带死区修正的半饱和迭代学习算法训练时变RBF网络权值。理论分析了辨识算法的有效性。2.借鉴常规高阶动态神经网络连接形式,网络连接权取时变值时构成时变动态神经网络。分别基于常规动态神经网络与时变动态神经网络辨识非线性时变系统。最小二乘结合死区修正策略用于更新常规网络权值；时变网络权值调整采用死区修正的迭代学习最小二乘及其改进算法。通过引入时变向量证明了辨识算法使得辨识误差渐近收敛至死区界定的邻域内。3.将重复思想引入RBF网络连接权值的变化中,给出周期RBF网络。通过在辨识模型中加入逼近误差补偿措施,从而实现非线性周期系统的完全辨识。采用积分学习律更新RBF网络定常权值；依据系统重复运行特性,利用全饱和重复学习算法训练周期RBF网络的周期时变权值。4.常规高阶动态神经网络连接权值替换为周期时变权值后,形成周期动态神经网络。为达到非线性周期系统完全辨识效果,将逼近误差上界估值加入基于动态神经网络的辨识模型用以抵消逼近误差影响。最小二乘积分学习律用来调整定常权值：采用最小二乘重复学习算法实现周期网络权值的训练。通过引入周期向量,分析了最小二乘重复学习算法的有效性。5.针对一类非线性时变系统,利用时变RBF网络逼近控制器设计中整体未知不确定非线性部分,同时采用自适应学习律估计逼近误差上界。为实现完全跟踪任务,控制器中嵌入逼近误差补偿措施。理论分析保证闭环系统所有信号有界的同时,实现了跟踪误差及其各阶导数沿迭代轴渐近收敛至零。6.基于时变动态神经网络直接设计自适应迭代学习控制器,从而实现一类非线性时变系统的有效跟踪控制。为处理逼近误差,采用带死区修正的迭代学习最小二乘算法训练网络权值。借助Lyapunov-like方法保证闭环系统所有信号有界的同时,实现了跟踪误差沿迭代轴渐近收敛至死区界定的范围内。7.考虑非线性周期时变系统跟踪控制问题,基于周期RBF网络设计自适应重复控制器,利用重复学习投影算法训练网络权值,同时将重复学习获得的逼近误差上界估值加入控制器中,从而完成控制器设计。理论分析闭环系统稳定性的同时,实现了跟踪误差渐近收敛于零。
崔智全[8]2013年在《民航发动机气路参数偏差值挖掘方法及其应用研究》文中认为航空发动机是飞机的心脏，其健康状态对飞行安全有很大影响。发动机气路参数偏差值的求解和性能状态评价方法的建立是发动机状态监测的基础，也是国内各航空公司的迫切需要。本文在分析国内外航空发动机性能监控现状的基础上，从国内航空公司的实际需求出发，首先研究航空发动机报文解析技术和气路参数自变量筛选方法。之后分别提出了基于发动机性能基线的气路参数偏差值挖掘方法和参数核心变换支持向量机的偏差值回归求解方法。然后研究了基于偏差值的气路分析技术，主要研究气路分析技术中的偏差值预测、偏差值平滑、基于高维偏差值的发动机性能状态评价以及基于偏差值的气路故障诊断方法，最后将上述理论和技术方法应用到航空发动机性能监控系统的开发中。航空发动机气路参数偏差值求解之前对相关参数进行筛选处理，为此本文首先对与偏差值相关的自变量参数集合进行了筛选研究。为了消除多重相关性和重复属性对回归分析的影响，采用方差膨胀因子法对自变量参数之间的多重相关性进行诊断分析，采用航空发动机原理知识分析自变量参数之间的非线性关系。针对参数之间复杂的非线性关系，提出基于平均影响值和小波神经网络相结合的发动机自变量参数筛选方法，消除了无关自变量及弱相关自变量对回归效果的影响，为文中的回归分析实现了合理降维。针对机群发动机数量较大时，提出了基于基线的偏差值挖掘方法。根据气路参数偏差值的含义，将偏差值模型转化为参数标准化模型和性能基线模型的差值，并推导了气路参数标准化模型。考虑到大气环境温度、湿度以及传感器偏置对发动机性能的影响，提出了变指数的气路参数标准化修正模型，并根据性能基线的性质和函数逼近理论采用待定系数的多项式基线模型。根据偏差值定义将上述两个模型做差得到气路参数偏差值待定系数模型，将原厂家解析的历史数据代入偏差值模型进行回归分析，采用改进的高斯牛顿迭代法进行偏差值模型求解，从而准确挖掘出偏差值模型，并使用该模型进行偏差值的精确自主求解。论文还对机群发动机数量较少的小样本情况下气路参数偏差值求解方法进行了研究。提出一种航空发动机状态参数核心变换后的支持回归向量机的气路参数偏差值求解方法，该方法针对发动机测量参数之间的相似比例关系，通过增加优化参数实现输入集的局部降维，降低模型复杂程度，并提高模型的计算效率。同时该方法采用高维空间点到空间原点欧氏距离排列规则的训练集构造方法，提高支持向量机模型的泛化能力。该方法能够提高气路参数偏差值的求解精度求解速度。在上述偏差值求解的基础上，还对气路参数偏差值的预测技术进行了研究。针对气路参数偏差值时间序列中存在真实突变的特点，提出一种基于离散沃尔什变换的分式非线性聚合过程神经网络预测模型，由于有理函数具有更好的非线性逼近能力，采用非线性的有理分式空间聚合运算代替线性聚合运算。为避免离散数据在拟合过程中的精度损失，给出基于离散沃尔什变换Levenberg-Marquardt(LM)的网络学习算法，使用测试数据的离散沃尔什变换对内积运算代替过程神经网络中的积分算子，简化了计算过程，提高了计算速度。实际案例测试表明，文中提出的预测模型及网络学习算法能够提高预测精度和突变点处的预测灵敏度，具有更好的非线性逼近能力。在气路参数平滑处理技术方面，论文提出一种离群点分析与类指数平滑相结合的气路参数偏差值平滑处理方法，并以样本均方误差最小化为目标函数进行模型参数的优化，该方法在对偏差值序列进行合理平滑的同时保留了离群点数据。为了克服使用单维的气路参数偏差值进行发动机性能评估带来的片面性，文中提出基于离散Hopfield网络的发动机性能评估模型，采用能够表征发动机性能的高维参数对发动机性能进行评价，使评价结果更具科学性。为了克服相似故障区分难和使用故障指印图效率低且需要丰富专业知识的不足，文中提出基于故障指印图和自组织竞争网络相结合的气路故障诊断方法，该方法能够提高气路故障诊断的效率和准确性，并在增加新的故障模式时，能重新快速进行故障模式分类，实现准确快速的故障诊断。最后，以中国国际航空股份有限公司的发动机工程管理为应用背景，研究性能基线与气路参数偏差值在性能监控中应用的关键技术，并从该公司发动机工程管理的实际需求出发，开发了基于Web的航空发动机性能监控系统，实现了气路参数偏差值的自主求解，并为基于Web的航空发动机健康管理与维修决策支持系统其它模块提供数据支持，进而实现了状态参数自动报警、状态参数趋势分析以及发动机健康状态排队等功能。
张叶华[9]2009年在《小波神经网络在图像去噪与压缩中的应用研究》文中研究指明小波神经网络是基于小波分析理论建立起来的一种分层的、多分辨率的新型人工神经网络。用小波函数代替传统神经网络中的激活函数,就构成小波神经网络。理论证明小波神经网络具有一致逼近和L2逼近的能力,而且在保证参数初始化合理的条件下,收敛速度相当之快。可见,利用小波神经图像进行去噪和压缩,无疑是一条捷径。本文将小波神经网络应用于图像去噪,构造了噪声检测强分类器。理论上可以保证这比传统的中值滤波更加合理化,计算机仿真实验也表明了这种方法去噪优势明显。同时,基于传统KL变换的图像压缩存在高阶矩阵无法处理的问题,提取主分量分析的hebb算法在图像压缩过程中有数据丢失造成的误差问题,而小波神经网络结合KL变换既能处理高阶矩阵,又能在短时间内达到收敛要求。所以文章建立了小波神经网络结合KL变换进行图像压缩的理论思想,并且通过计算机仿真试验验证了算法实现的可靠性。全文共分六章,每一章的主要内容如下:第一章综述本文所研究课题的发展历史及其现状意义、实际应用价值和理论意义。第二章综述神经网络基础知识,小波变换的基础知识,以此来构造小波神经网络结构。第叁章建立了小波框架导出的小波神经网络的学习算法和BP小波神经网络的学习算法,还讨论了参数初始化问题,学习速率调整问题。第四章在理论上证明了小波神经网络具有一致逼近和L2逼近的能力。第五章根据图像中噪声的特点,设计出噪声检测弱分类器与强分类器,并且在理论上与实践上肯定了去噪效果优势明显。第六章研究了小波神经网络结合KL变换进行图像压缩的算法,并且利用计算机仿真进一步表明:比起传统KL变换和hebb算法的图像压缩,提出的新算法有很大的优势。
肖红[10]2015年在《离散过程神经网络算法及在储层识别中的应用研究》文中指出本论文主要研究离散过程神经网络算法的设计方法,以及在储层识别中的具体应用。过程神经元网络的输入为时变的连续函数,不便于直接处理离散样本。针对这一问题,第一,提出了基于分段线性插值函数的过程神经网络训练方法。第二,提出了两种基于数值积分的离散过程神经网络训练算法。分别采用叁次样条积分和抛物插值积分直接处理隐层离散样本和权值的时域聚合运算,输出层采用普通神经元,采用Levenberg-Marquard算法实现网络参数的调整。第叁,提出一种基于数值积分的多聚合离散过程神经网络算法。第四,提出一种基于序列逐点映射的过程神经网络模型及算法。第五,提出了一种量子衍生离散过程神经网络模型及算法。为提高离散过程神经网络的训练能力,提出了一种改进的量子行为粒子群优化算法。该算法也采用量子势阱作为寻优机制,但提出了新的势阱中心建立方法。在每步迭代中,首先计算个体适应度,取前K个适应度最好的个体作为候选集,然后采用轮盘赌方法在候选集中选择一个作为势阱的中心,调整其他个体向该中心移动完成一步优化。在优化过程中使K值单调下降,以期达到探索和开发的平衡。将提出的算法应用于量子衍生离散过程神经网络的参数优化,实验结果表明提出的算法比原算法的优化能力却有明显提高。为丰富离散过程神经网络的算法设计理论,提出了一种离散卷积过程神经网络模型及算法。该算法采用输入序列与权值序列的离散卷积处理时域聚合运算,可以避免传统过程神经网络的序列拟合和正交基展开带来的误差;采用引力搜索算法和L-M算法相结合的方式实施网络训练,可以提高网络的收敛能力。实验结果验证了提出算法的优越性。针对储层识别问题,研究了基于离散过程神经网络的识别方法。主要包括储层的概念及分类,储层识别的影响因素,油田水淹层的水淹级别识别方法,油层、气层、水层、干层、油气同层、气水同层等的识别方法,结合矿场实际的测井解释数据库提出了基于离散过程神经网络的储层识别方案。该研究为复杂储层的识别问题提供了新途径。
参考文献：
[1]. 小波过程神经网络相关理论及其应用研究[D]. 李洋. 哈尔滨工业大学. 2008
[2]. 基于视觉稀疏表示和深度脊波网络的遥感图像融合及分类[D]. 石程. 西安电子科技大学. 2016
[3]. 复杂非线性系统的小波神经网络建模及其应用[D]. 刘霞. 大庆石油学院. 2005
[4]. 复杂系统的神经网络建模及仿真研究[D]. 章剑雄. 浙江工业大学. 2003
[5]. 基于神经网络的函数逼近方法研究[D]. 董锐. 东北师范大学. 2011
[6]. RBF和MLP神经网络逼近能力的几个结果[D]. 南东. 大连理工大学. 2007
[7]. 基于时变神经网络的非线性时变系统迭代学习辨识与控制[D]. 何海港. 浙江工业大学. 2014
[8]. 民航发动机气路参数偏差值挖掘方法及其应用研究[D]. 崔智全. 哈尔滨工业大学. 2013
[9]. 小波神经网络在图像去噪与压缩中的应用研究[D]. 张叶华. 成都理工大学. 2009
[10]. 离散过程神经网络算法及在储层识别中的应用研究[D]. 肖红. 东北石油大学. 2015
标签：自动化技术论文; 神经网络模型论文; 图像融合论文; 网络模型论文; 系统辨识论文; 自组织神经网络论文; rbf神经网络论文; 线性系统论文; 小波去噪论文; 函数图像论文; 过程能力论文; 能力模型论文; 系统学习论文; 迭代计算论文; 迭代模型论文; 非线性论文; bp神经网络算法论文;