贝叶斯正则化

摘要： 为解决心跳信号易被呼吸谐波和其他噪声干扰而难以提取的问题,提出一种结合遗传算法(GA)和反向传播(BP)神经网络的聚类经验模态分解体征提取模型。首先,采用动目标检测法滤除超宽带(UWB)雷达所接收回波信号中的静止杂波;然后利用距离门选择方法提取出体表振动信号,对其进行聚类经验模态分解得到固有模态函数分量;最后通过GA-BP神经网络对固有模态函数分量转化后的特征向量进行权值训练,以贝叶斯正则化作为BP的训练函数重构心肺信号,并与原始聚类经验模态分解重构信号进行比较。仿真实验结果表明,在不同信噪比下,GA-BP神经网络提取的信号与实际结果吻合度更高,可有效提高呼吸与心跳信号的提取准确度。

摘要： 为实时预测空气质量,建立神经网络模型来预测空气质量指数(AQI)。考虑到BP神经网络的反向传播算法具有收敛速度慢、训练时间过长、易陷入局部最优等缺点,分别利用LM算法和贝叶斯正则化算法(BR算法)优化BP神经网络。通过对芜湖市空气质量预测结果进行类比分析得到,BR算法的预测效果更好,能够提升网络的泛化能力。

摘要： 为降低现有齿槽转矩分析方法的复杂性,完成对电机结构的快速优化设计,结合贝叶斯正则化与模拟退火遗传算法对BP神经网络进行改进,构建永磁同步电机齿槽转矩网络预测分析模型。选取永磁同步电机的3种结构特征与齿槽转矩的参数化关系作为研究对象,使用有限元方法设计了一款4极24槽的永磁同步电机真模型,通过比较有限元仿真数据以及不同神经网络算法的预测结果,验证了GASA-BRNN预测模型的可行性。

摘要： 页岩气集输管道在生产过程中的介质含砂量明显高于常规天然气且伴随着压力和流量的显著衰减,这导致集输管道管壁受到冲蚀迅速减薄甚至穿孔,为了实现对页岩气集输管道长期运行的可靠性评估和风险预警,采用了贝叶斯正则化(BR)方法训练的BP神经网络,建立了页岩气集输管道的壁厚动态预测模型。首先分析确定预测模型输入参量;然后通过管线对应数据进行BP神经网络的BR法训练及检验,并建立壁厚动态预测模型;最后通过该模型对实际监测数据进行实例应用,并与其他神经网络建立的预测模型相对比。该模型弥补了常规传统方法训练下BP神经网络模型容易陷入局部极小值的缺点,增强了模型的推广泛化能力,减小了壁厚预测误差提高了精度,并且能够根据新的监测数据进行动态预测,通过壁厚的预测来反映具体冲蚀情况。

摘要： 不同时间尺度上的水文序列预测在水资源调配和防洪减灾决策中起着重要的作用.提出了一种基于小波分解和非线性自回归神经网络相结合的水文时间序列预测模型(WNARN).运用Daubechies 5(db5)离散小波将水文序列数据分解为低频和高频子序列,作为非线性自回归神经网络模型(NARN)的输入变量,贝叶斯正则化优化算法用来泛化网络,训练模型对各子序列进行模拟预测,预测值经db5小波重构后得到原序列预测值.利用渭河流域三个水文站40多年的月径流量序列对所提出的WNARN模型进行验证和向前48步的预测能力测试,并与单一NARN模型的验证和预测结果进行对比.结果显示在相同的网络结构下所提出的方法能够显著提高水文序列的预测精度、预测周期及对重大水文事件的预测性,具有较高的泛化能力.

摘要： 为精确建立分割粒径与旋风分离器结构参数和操作参数之间的复杂映射关系,发展了基于数据驱动的BP神经网络(BPNN)的分割粒径模型.使用全局量纲分析,提出环形空间雷诺数、表征旋风分离器本体尺寸影响的量纲为1数和排气芯管插入深度尺寸比作为网络输入参数,表征空气动力等效分割粒径大小的量纲为1尺寸作为网络输出参数,分别确定了训练算法和隐含层神经元个数对BPNN分割粒径模型预测精度的影响.结果表明:贝叶斯正则化算法优于L-M算法和拟牛顿算法,并在隐含层神经元个数为7时达到最优预测性能.与理论模型、半经验模型和多元回归模型进行比较,结果表明,贝叶斯正则化BPNN分割粒径模型展现出了较好的预测能力和泛化性能,模型预测的均方误差为0.136、决定系数为0.975.

摘要： 为解决单一传感信息对采煤机截割载荷预测精度低的问题,提高采煤机运行安全状态的感知能力,在应用深度信念网络(DBN)的基础上,引入贝叶斯正则化(BR)方法和粒子群优化(PSO)算法,提出了一种基于多传感器的采煤机滚筒载荷辨识与预测方法.构建BR-PSO-DBN预测模型,以惰轮轴传感器、连接架销轴传感器和摇臂应变传感器监测的22组测试数据为输入样本,预测滚筒截割三向载荷与扭矩.依托截割载荷实验系统进行现场测试,并将实测结果与预测结果进行对比分析,结果表明:实测曲线与预测曲线变化规律基本相同,峰值点相对应,模型对滚筒三向截割载荷的预测精度达到83％以上,其中对滚筒扭矩预测精度达到95％,说明预测模型具有较高的预测精度,能够为现场应用指导安全生产提供参考.

摘要： 为提高网络信息安全风险评估效率,提出了一种基于贝叶斯正则化(BR)神经网络的风险量化评估模型.在信息安全风险分析方法(ISRAM)基础上,利用模糊理论对评价指标进行量化处理,使用BR算法对BP神经网络进行训练.模型仿真实验结果显示,BR算法相比传统的LM算法在训练性能和训练状态上存在一定优势,BR算法的训练拟合度可达90.7％,BR算法训练得到的神经网络模型具有较好的泛化能力.

摘要： 锂离子电池的健康状态(State of health,SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异,因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取,使用贝叶斯正则化神经网络对锂电池SOH进行预测,同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明,贝叶斯正则化算法对锂电池SOH的预测准确度较高,KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性,组合预测模型对锂电池SOH的平均预测误差小于1％,与采用数据分组处理方法(Group method of data handling,GMDH)、概率神经网络(Probabilistic neural network,PNN)、循环神经网络(Recurrent neural network,RNN)的预测精度进行对比,该模型的预测精度分别提高了33.3％、48.7％和53.1％.

摘要： 质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)电堆具有输入输出关系复杂、非线性强等特点,获得精确的电堆模型是PEMFC系统优化控制的基础.文章针对PEMFC电堆特点,提出一种改进BP(back propagation)神经网络的PEMFC电堆建模方法.利用BP神经网络良好的非线性拟合特性,采用贝叶斯正则化算法改进BP神经网络,较好地解决了传统BP神经网络存在的高训练精度、低预测精度的过拟合问题.仿真结果表明,经过训练后的电堆模型,在精度和稳定性上具有一定的优势,即使在训练样本数量减少的情况下,依然可以保持良好的泛化能力和较高的稳定性.

摘要： 疲劳裂纹扩展速率费时费钱,如何利用现有的试验结果来预报裂纹扩展率曲线是工程应用中必须要解决的问题。人工神经网络是进行预测的一个重要方法。本文针对金属疲劳裂纹扩展速率建立贝叶斯正则化BP神经网络,将铝合金6013在不同应力比R下的疲劳裂纹扩展速率试验数据分为两部分,一部分用来进行训练网络,另一部分用来测试训练好的网络,检验其泛化能力。计算结果表明贝叶斯正则化BP神经网络不仅对训练样本有很好的拟合能力,而且对于未训练过的测试样本也有较好的预测能力,即有较强的泛化能力。因此,该方法可以方便地获得不同应力比R下的疲劳裂纹扩展速率,从而达到减少试验次数,充分利用已有数据的目的。并且可以进一步应用到其他金属的疲劳裂纹扩展速率的预报。

摘要： 科学、准确地进行企业绿色技术创新战略选择对环境保护和企业长期持续发展具有重要意义。文章提出将基于贝叶斯正则化神经网络用于企业绿色技术创新战略选择,并通过MATLAB神经网络工具对其进行模拟计算。实验结果表明了该方法的有效性。

摘要： 针对神经网络用于径流长期预报时,网络结构过于复杂而易出现过拟合的问题,采用主成分分析和贝叶斯正则化神经网络对预报模型进行改进.首先利用主成分分析对输入因子进行降维和优化,然后通过贝叶斯正则化对网络权值的限制来简化网络结构,从而有效地抑制过拟合.对嫩江流域江桥站年平均径流的仿真结果表明,贝叶斯正则化神经网络结合主成分分析的预报方法,可以显著地提高泛化能力和预报精度,而且网络收敛也比较稳定.

摘要： 文中采用贝叶斯正则化与BP网络结合的方法,建立动态前馈校正模型.贝叶斯正则化方法提高BP神经网络的泛化能力.网络自动调节轧制所需的各种参数,使轧钢系统工作在最佳值附近.经实测资料验证,模型能较准确预置调节参数,实现智能化控制。

摘要： 针对神经网络在股票市场预测研究的问题，利用遗传算法的全局搜索能力，同时进化设计神经网络的网络结构和初始连接权，获得一组合适网络结构和初始连接权，再进行新一轮BP神经网络训练，生成神经网络的集成个体，再用贝叶斯正则化神经网络对其集成，生成神经网络的输出结论，以此建立股市预测模型．通过上证指数进行实例分析，计算结果表明该方法预测精度高、稳定性好，易于操作，具有很好的应用价值．

摘要： 为了确定液压泵的高效率工作区域,需要做出其工作特性图,传统的作法需要大量的测试数据.本文给出了一种采用人工神经网络建模的方法,运用三层BP网络,只需要少量数据就可以建立液压泵的工作特性模型,输出液压泵的各种工作特性值.

摘要： 为了确定液压泵的高效率工作区域,需要做出其工作特性图,传统的作法需要大量的测试数据.本文给出了一种采用人工神经网络建模的方法,运用三层BP网络,只需要少量数据就可以建立液压泵的工作特性模型,输出液压泵的各种工作特性值.

摘要： 为了确定液压泵的高效率工作区域,需要做出其工作特性图,传统的作法需要大量的测试数据.本文给出了一种采用人工神经网络建模的方法,运用三层BP网络,只需要少量数据就可以建立液压泵的工作特性模型,输出液压泵的各种工作特性值.

摘要： 为了确定液压泵的高效率工作区域,需要做出其工作特性图,传统的作法需要大量的测试数据.本文给出了一种采用人工神经网络建模的方法,运用三层BP网络,只需要少量数据就可以建立液压泵的工作特性模型,输出液压泵的各种工作特性值.

摘要： 本发明公开了一种基于基准贝叶斯原理与稀疏正则化的结构损伤识别方法，包括对结构进行环境振动测试，采集加速度信号数据；对采集信号进行快速贝叶斯FFT模态识别，获得结构实测模态信息；建立有限元模型，参数化刚度矩阵；基于基准贝叶斯原理与稀疏正则化构建损伤识别目标函数；设置正则化参数选取范围和迭代步长，对其中任一正则化参数采用群体智能优化算法求解目标函数；基于DP准则选取正则化参数，求解得到最优结构参数。本发明根据基准贝叶斯原理及稀疏正则化技术建立了实测模态参数与根据有限元模型计算的理论模态参数之间的拟合函数(即损伤识别目标函数)，并采用智能优化算法求解最优的结构参数，实现了结构损伤的定位与量化。

摘要： 本发明公开了一种基于贝叶斯正则化的超声波层析成像方法，涉及无损检测技术领域，能够提高超声波层析成像反问题的求解速度和精度。本发明包括：布置超声波发射器和接收器，对待检测截面进行网格划分，获取超声波层析成像数据；通过层次化贝叶斯建模，建立解向量X在超声波传播时间测量值向量支持下的后验概率密度函数p(X,σ

摘要： 基于贝叶斯正则化的深度学习网络图像识别方法属于人工智能和机器学习领域。深度信念网络越来越多的在数字检测及图像识别领域发挥重要作用。为了解决该网络在训练过程中的过拟合问题，本文基于网络的稀疏特性及连接权值的变化，提出一种基于贝叶斯正则化的深度信念网。通过将贝叶斯正则化应用到网络训练过程中，有效地调节误差减小与权值增大之间的平衡。本文使用数字手写体数据库的分类实验来证明该改进算法的有效性。实验结果表明在深度信念网中，该方法能够有效克服过拟合现象，提高数字识别的正确率。

摘要： 本发明公开了一种基于半监督贝叶斯正则化混合Student’s t模型的鲁棒软测量方法，属于工业过程预测和控制技术领域。该方法在有监督混合Student’s t模型的基础上，设计了半监督的混合Student’s t模型结构，并将质量变量和辅助变量之间的回归系数贝叶斯化，通过变分贝叶斯期望最大化算法来更新模型参数，进而实现软测量模型的建立。本发明不仅能够有效的解决有标签样本稀少导致的软测量建模不准的问题，还能够在一定程度上缓解了过拟合，提高了模型的预测精度。

摘要： 本发明提供了一种基于贝叶斯正则化的智能网络安全系统、装置及存储介质，涉及人工智能与网络安全技术领域。本发明通过人工智能分析模块内部的子模块实时监测识别网络安全攻击与漏洞并消除或隔离，预测可能存在的网络安全威胁，给出预警提示和实时防护措施，尽可能地避免用户在接触数据信息后受到影响，为授权用户提供安全可靠的网络环境；基于贝叶斯正则化的人工智能神经网络算法模型，可避免在实际应用场景中训练算法模型的过度拟合问题，提高判别网络安全威胁、漏洞与攻击的准确性；通过反馈补偿模块使神经网络算法的训练不局限于历史数据集，同时通过实时网络安全数据集进行反馈更新，使神经网络模型贴近实际网络环境。

摘要： 本发明提出的基于贝叶斯正则化的桥梁影响线识别与不确定性量化方法，包括：基于桥梁影响线识别模型建立贝叶斯系统识别中的预测误差；利用预测误差的分布特性，构造似然函数和模型参数先验概率；根据似然函数和模型参数先验概率，基于贝叶斯层次模型建立后验概率密度函数，且通过后验概率密度函数，将桥梁影响线识别转化为目标函数优化；计算桥梁影响线的最优值(MPVs)；量化桥梁影响线最优值的后验不确定性信息；计算标准化置信区间指标，评估不同类型桥梁影响线之间的识别质量，本发明方法可以快速、准确、自动地确定正则化系数进行桥梁影响线的识别，并且该方法能够不依赖基准影响线，仅通过影响线识别的后验不确定性信息定性评价识别质量。

摘要： 本发明提供一种基于贝叶斯正则化的土壤重金属定量分析方法，利用离散小波对土壤样品的X荧光光谱样品进行去噪和背景扣除，得到处理后的光谱信息；利用康普顿归一化法计算处理后的光谱信息中重金属元素及预设的干扰元素的组分信息，将重金属元素和干扰元素的组分信息分别作为BP神经网络的输入，并将对应重金属元素的实际含量作为模型的输出；其中，完成BP神经网络训练的超参数通过贝叶斯正则化确定，训练过程中BP神经网络采用正则化修正的误差函数作为目标函。本发明提出的方法可以有效提高土壤重金属元素定量分析的准确性，与传统BP神经网络的方法相比具有优势。

摘要： 本申请公开了一种贝叶斯正则化反向传播神经网络坐标转换方法及装置，用以解决坐标转换过程中，整个区域采用一套坐标转换参数会使局部区域在坐标转换中损失精度，影响转换后的坐标的准确性的问题。该方法确定控制点的2000国家大地坐标系平面坐标与工程独立坐标系平面坐标，创建学习集；根据所述学习集，训练神经网络模型，直至所述神经网络模型的性能指数达到预设值时，确定完成训练；根据训练完成的神经网络模型，以及待测点的2000国家大地坐标系平面坐标，确定转换得到的所述待测点的工程独立坐标系平面坐标。本方法通过贝叶斯正则化算法对反向传播神经网络的网络权值进行限制，有效改善网络结构，有利于提高坐标转换的准确性。

摘要： 本发明公开了一种贝叶斯正则化的LM‑BP神经网络的锂电池SOC预测方法，包括如下步骤：a、建立BP神经网络模型；b、构建贝叶斯正则化的LM‑BP神经网络算法；c、样本数据的获取以及样本SOC的计算；d、数据的归一化处理。神经网络具有很好的非线性拟合能力，不需要考虑电池内部复杂的化学结构，可以很好的拟合锂电池的动态特性，而结合贝叶斯正则化算法可以提高网络的泛化能力，再与LM算法结合则加快了网络的收敛速度提高了其逼近精度，因此，本发明具有预测精度高、收敛速度快、泛化能力强的特点，适用于多种动力电池。

摘要： 本发明公开了一种基于贝叶斯正则化神经网络的电力负荷预测方法，包括以下步骤：获取电量历史数据，分析影响用电量增长的关键因数；确定BP神经网络结构；用BP算法训练网络使总误差F(W)达到最小；计算有效参数个数γ；使用贝叶斯方法计算超参数α和β的新的估计值；重复执行上述直到达到所需精度，从而完成贝叶斯正则优化神经网络建立；输入新的影响用电量增长的关键因数，得到该时段的全社会电力负荷情况。本发明的优点是：将贝叶斯方法用于神经网络的建模过程中，通过正则化方法修正神经网络的训练性能函数来提高其泛化能力，其收敛速度快，能得到更小的训练误差。