ART神经网络建模及其在动态波形模式识别中的应用研究

《ART神经网络建模及其在动态波形模式识别中的应用研究》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、上海大学硕士学位论文摘要模式识别是当今工程应用与研究的前沿领域，它的研究目标是利用计算机来实现人的识别能力．本文研究的模式识别对象是一类具有代表性的动态波形，即漏钢动态波形。在研究了模糊模式识别理论和自适应共振理论(AdaptiveResonanceTheory，ART)神经网络的基础上，本文提出了用于漏钢动态波形识别的融台了聚类算法的ART(AdaptiveFuzzyLeaderCluster,AFLC)模型和基于贴近度的ART(ClosenessbasedFuzzyAdaptiveResonanceTheory，CFART)模型，并

2、完成了其建模与仿真实验。本文主要工作包括：1．提出了融合聚类算法与ART神经网络的方法来识别漏钢动态波形。为了充分利用聚类中心的信息，提高AFLC神经网络的泛化性能，本文改进了该模型，增加了一个输出层．并采用最小二乘法对其权值进行拟台。同时将可调FCM(CondittonalFuzzyC．Means)算法引入到AFLC神经网络中，克服了一般聚类算法的无监督学习的不足。本文提出的改进型AFLC神经网络将可调聚类算法引入到ART神经网络中，结合ART神经网络的自适应性，该模型可以自动确定聚类的数目和聚类中心，克服了普通聚类模式识别方法需要预

3、先确定聚类中心初始值和聚类的数目的不足。2．提出了融合模糊模式识别与ART神经网络的方法来识别漏钢动态波形。贴近度与择近原则是模糊模式识别方法之一，CFART神经网络将其引入至模糊ART中。根据漏钢动态波形的特点，本文按照贴近度的公理化定义，自定义了一个新的贴近度，并给予了证明。本文改进了CFART神经网络，引入自定义的贴近度。同时，为了完成不同的模式识别任务，本文增加了一个模糊决策层。针对CFART模型，本文还提出了非典型样本去除、学习速率和警戒参数的确定方法，用咀建模得到性能更好的模型。3．在建立的神经网络模型基础上，本文开发了漏钢

4、动态信息分析及仿真系统，并采用工业现场的数据进行了仿真实验，其结果表明本文改进的模型的有效性，它们具有很好的动态波形识别能力，并明显优于传统的漏钢波形识别方法。关键词：模式识别ART神经网络模糊数学聚类分析V上海大学硕士学位论文ABSTRACTPatternrecognitionisthehighedgeoftoday’sengineeringapplicationsandresearch，whoseobjectistosimulatetherecognitionabilityofmallbycomputer．Thepa“ernreco

5、gnitionobjectdaispaperstudiedisonetypiealclassofdynamicwaveform，i．e．dynamicwaveformsofcontinuouscastingbreakoutAfteranalysingtheAdaptiveResonanceTheory(ART)NeuralNetworkandfuzzypatternrecognitionmethodsdeeply,thispaperputsforwardtheAdaptiveFuzzyLeaderClusteringModel(AFLC

6、)andtheClosenessbasedFuzzyAdaptiveResonanceTheoryModel(CFART)fortherecognitionofdynamicwaveformsofcontinuouscastingbreakout，aadcompletesthemodellingandsimulationexperimentsofthemodelsThemainworkofthispaperinvolves：l!b!!B!乒presentsamethodofapplyingclusteringalgorithmandAR

7、TneuralnetworkfordynamicwaveformsrecognitionofcontinuouscastingbreakoutAnoutputlayerisaddedtothemodel，whoseweightsiscomputedbytheOLSalgorithm，andthismakesUSeofalltheinformationoftheclustercentres，improvesthegeneralizationpelformancoofthemodelTheFuzzyC-Meansalgorithmisint

8、roducedtotheAFLCneuralnetworkinthispaper,whichovercomesthedrawbacksofunsupervisedlearningofthecommonclu