广义同余神经网络的性能分析与改进

《广义同余神经网络的性能分析与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南交通大学硕士研究生学位论文第f页摘要近年来，神经网络理论研究取得了很大的进展，在各个领域的应用也取得丰硕的成果。作为神经网络的经典模型，BP(误差逆向传播)网络也得到了快速发展和广泛的应用，但同时存在着学习效率低，收敛速度慢，难以用数字硬件实现等问题。随着人们对神经网络实时性、规模性的要求越来越高，解决这些问题也显得更加迫切。有关广义同余神经网络(Ga心k—毛ENERALIZEDCONGRUENCENEURALNETWORKS)已有的研究表明，相对于普通BP网络，GCNN具有很快的收敛速度，且已证明单隐层的GCNN

2、具有一致逼近能力。本论文针对GCNN的性能进行分析，并对已有GCNN做出改进。本论文主要研究内容包括以下几个方面：首先，用贝叶斯正则化方法及提前终止法改进GCNN神经网络，优化后的GcNN神经网络有比较好的泛化能力，学习速度快，相对误差较小，操作方便。实例分析表明，运用此算法优化GCNN的方法是令人满意的。第二，对改进GCNN的性能进行分析，主要包括GCNN网络的逼近能力的分析，泛化能力的分析，其神经元阈值对GCNN学习收敛性的影响，初始权值对训练速度和精度的影响，隐含层数目及隐含层神经元数对网络学习和工作的影响。并给

3、出实例来性能分析的结论进行了证明。第三，用计算实例做比较BPNN和GCNN的性能，实验结果表明：改进的GCNN的网络结构及学习算法是有效的，GCNN比普通BP网络及其部分变体具有更快的学习速度和较好的逼近、分类精度。最后，将GCNN成功应用到刀具状态的监测实例中，对不同工况条件下实验得到的数据进行分析，得到相同的结论tGCNN神经网络能有效地实现刀具磨损状态的智能诊断，网络作为刀具磨损状态的分类器，并有效的进行模式识别和分类，完成故障智能诊断。关键词：神经网络；广义同余；激励函数；学习算法；泛化能力；模式识别西南交通大

4、学硕士研究生学位论文第1I页AbstractInrecentyears，theoreticalresearchofneuralnetwork(Mmhasmadeagreatprogressandmanyoutputshavebeenachievedinseveralapplicationfields．AsaclassicNNmodel，BackPropagationNeuralNetwork(BPNN)hasalsomadearapidprogressandbeenusedwidely．Meanwhile,italso

5、showssomeshortcomingsuchaslowtrainefficiency,slowconvergencerateanddifficultyondigitalimplementation．Withpepoles’higherdemandinreal·timeandlarge-SCalCofNN，itisimportandandnecessarytosolvetheseproblems．FormerresearchstudiesonGeneralizedCongruenceNeuralNetwork(GCⅫ

6、田showsthattheconvergencerateofGCNNisfasterthanthatofBPNN．ItalsoshowsthatGCNNwithsinglehiddenlayerhasconsistentapproachability．．ThepaperstudiesoncharacteristicsanalysisandimprovementsofGCNN．11hcchiefcontentsinclude：I．GCNNisimprovedbytwoways，oneisbayes’regularizat

7、ionandtheotherisstopaheadofschedule．ItprovedthattheimprovedGCNNhassomemeritssuchasbettergeneralizationability,higherlearningrate,smallerrelativeerrorandmoreconvenienttooperate．PracticalexamplesshowthattheimprovedGCNNisfeasible．Ⅱ．Thepaperanalyzestheperformanceoft

8、heimprovedGCNNsuchastheapproachability,thegeneralizationability,theeffectofneurons’thresholdonlearningconvergence，theeffectoftheinitialvalueontrainingrateandprecision