前馈神经网络

摘要： 柔性连续臂的设计研究近年来取得重大进展,但其建模研究一直相对滞后。为此,文章对柔性连续臂进行运动学建模研究,提出使用临时姿态矩阵求解逆运动学的方法,解决了逆运动学不易收敛的问题;利用前馈神经网络对基于模态振型函数(MSF)的模型进行拟合,建立一种端到端的正运动学模型和逆运动学模型,在保证模型精度的同时,显著提高了其逆运动学求解效率。该模型可以灵活更改前馈神经网络输入输出神经元的数量,从而将自身迁移到多节模型中。

摘要： 编译器模糊测试,是测试编译器功能性与安全性的常用技术之一.模糊测试器通过产生语法正确的测试用例,对编译器的深层代码展开测试.近来,基于循环神经网络的深度学习模型被引入编译器模糊测试用例生成过程.针对现有方法生成测试用例的语法正确率不足、生成效率低的问题,提出一种基于前馈神经网络的编译器模糊测试用例生成方法,并设计实现了原型工具FAIR.与现有的基于token序列学习的方法不同,FAIR从抽象语法树中提取代码片段,利用基于自注意力的前馈神经网络捕获代码片段之间的语法关联,通过学习程序设计语言的生成式模型,自动生成多样化的测试用例.实验结果表明,FAIR生成测试用例的解析通过率以及生成效率均优于同类型先进方法.该方法显著提升了检测编译器软件缺陷的能力,已成功检测出GCC和LLVM的20处软件缺陷.此外,该方法具有良好的可移植性,简单移植后的FAIR-JS已在JavaScript引擎中检测到两处软件缺陷.

摘要： 针对变速泵压力控制系统存在响应速度慢、输出误差大等问题,创建了液压缸变速泵压力驱动模型简图,推导了压力变化方程式。使用3层BP神经网络算法,设计出前馈神经网络控制方法。利用3层BP神经网络的逼近特性,使控制系统快速收敛到稳定状态。通过仿真验证变速泵压力控制输出效果,结果表明,采用前馈神经网络控制方法,系统达到稳定状态时,响应时间为0.2 s,超调量为5%,稳态误差较小,控制输出效果明显优于PID。

摘要： 随着激光雷达、立体相机和结构光传感器等点云数据采集设备的发展,点云配准在计算机视觉和机器人技术领域引起了广泛关注。参数变换预测作为点云配准的关键步骤之一,寻找一个较好的预测方法可以有效地提高配准的精度。使用深度学习TensorFlow框架构建前馈神经网络,充分分析点云提取地全局特征,从全局特征中自适应学习变换参数,代替传统数学方法,为点云配准变换参数预测提供了一种参考手段,具有一定的实际意义。

摘要： 乳腺癌一直是影响女性健康最重要的问题之一,已经成为全球女性发病率最高的恶性肿瘤。近年来,利用机器学习和深度学习方法来诊断癌症已经成为发展较快的一个分支。通过使用逻辑回归模型(LR)、高斯核函数支持向量机(SVM)、前馈神经网络(MLP)对同一数据集进行预测,得出其中SVM迭代时间最短,前馈神经网络预测准确率最高。为了减少前馈神经网络的迭代时间,提出了基于SVM优化的前馈神经网络分类乳腺癌模型,实验结果表明:基于SVM优化后的前馈神经网络模型与Logistic模型、传统SVM模型相比具有更高的分类准确率,且迭代时间相对减少。

摘要： 本文主要用前馈神经网络求解一维稳态对流扩散方程,因方程中含有一个小参数,所以用传统方法不容易达到理想效果,本文通过构造神经网络模拟方程并与其精确解作对比,选取ε={0.1,0.01}借助软件进行模拟,计算其误差,做出图像。

摘要： 限流策略、源源交互、故障及负荷水平多变等因素使得快速准确评估多虚拟同步机(VSG)微电网的暂态稳定性十分困难。针对现有难题,提出了基于深度学习的多VSG微电网在线暂态稳定评估方法。首先,通过分析VSG控制特性、电流限幅器、故障程度、负荷水平对系统稳定性的影响,以系统动态参数为主、稳态参数为辅,构建了一组具有强表征能力、可避免维数灾难的原始特征集。基于此,应用深度前馈神经网络及Levenberg-Marquardt算法,提出了多VSG微电网暂态稳定非线性评估模型。在多VSG微电网中的验证结果表明,相比现有方法,所提方法极大地提高了在线暂态稳定评估的准确率,可快速实现多VSG微电网在复杂工况下的稳定性准确判别,具有良好的评估性能。

摘要： 大柔性飞行器因结构重量低、柔性大使得机翼等部件在受载时产生较大的弹性变形,呈现显著的几何非线性效应,因此准确的结构大变形建模方法对于几何非线性气动弹性分析至关重要,而神经网络对非线性系统具有强大的拟合能力,可通过将神经网络应用于非线性结构建模,构造适用于结构大变形的前馈神经网络预测模型,在样本特征和数据结构相对较优的条件下结合曲面涡格法,搭建非线性气动弹性分析框架,对某机翼模型进行阵风响应计算;结果表明神经网络模型能准确预测大柔性机翼结构大变形,应用到气动弹性分析后能进行准确的阵风响应计算,验证了将神经网络应用到结构大变形预测的可行性,为以后机器学习技术与气动弹性分析结合的研究提供思路和方法。

摘要： 精准高效的土地覆盖分类不仅能提高土地利用类型研究与制图质量,也有助于有序地组织土地的保护与开发。以2020年7月28日银川市三区的美国陆地卫星8号陆地成像仪(Landsat8 OLI)影像为数据源,建立最佳指数法(OIF)辅助前馈(BP)神经网络的模式识别模型,借助遥感影像处理平台(ENVI)选取训练样本集,对银川市三区土地覆盖类型进行分类。结果表明,OIF辅助BP神经网络模式识别的总体精度为86.95%,Kappa系数为0.8435,优于最大似然法和支持向量机(SVM)分类法;从生产者精度来看,该方法在林地、草地、水域和未利用地的分类中优势明显,精度都超过了90.00%,但在建设用地的分类中精度较低,只有70.73%。实验证明,OIF辅助BP神经网络的模式识别在遥感影像的监督分类中是一种精准高效的分类方法。

摘要： 针对传统室内固定资产定位方法存在定位时间长、定位误差较大以及定位成本高等问题,提出一种基于射频识别技术和机器学习的室内固定资产定位方法。首先,构建基于长短记忆神经网络的固定资产感知识别模型,完成对固定资产设备的区域级识别粗定位,实现对某个区域内固定资产设备数量的自动清点;其次,面向粗定位结果在区域内的固定资产设备,设计基于粒子群优化反向传播神经网络的定位模型,实现对固定资产设备的精准定位;最后,在高校实验室环境下开展了实测实验。实验结果表明,该方法对室内固定资产的识别F1值可达0.98,平均定位误差约0.5 m,满足建筑智能中对室内固定资产的管理要求,具有资产管理成本低、定位精度高、抗干扰能力强等特点。

摘要： 该文针对传统的潮汐预报多以前几日的水文数据结合气象资料为依据进行推算的方法,这样的结果是预报准确度不高.该文介绍了一种新的预测方法,利用感知器神经网络所具有的通过学习获取知识来解决问题以及能对任意连续映射进行逼近的能力,通过搭建在计算机平台的前馈神经网络模型和水文站提供的历史潮汐数据,对涌潮到达江河沿岸各观测点的时间和水位进行预报.

摘要： 本文阐述了组合预测方法的基本原理,并从理论上论证了组合预测方法相对于单一预测模型的优越性.针对神经网络难以优化问题,提出了一种新的基于重置的变结构前馈神经网络模型的最优权重确定方法:首先构造基于拟牛顿法(Quasi.NewtonAlgorithm)的前馈神经网络模型,为了优化神经网络结构,尝试引入重置算法(EarlyRestartAlgorithm),得到基于重置的拟牛顿动态前馈神经网络.最后将应用于电力系统短期负荷的预测中,通过分析和比较,此模型具有很强的自适应性和较高的预测精度.

摘要： 由于传统故障录波启动判据算法具有一定局限性,本文提出一种权限学习机算法,该算法是在单隐层前馈神经网络的基础上提出的.以电流越限为例进行了算法的研究,依次完成数据处理、选取训练和测试数据、权限学习机的创建和训练、权限学习机测试验证、误差分析及性能评价和结果输出,将输入向量输入到训练好的ELM模型中,输出结果以曲线的方式直观地表示出来,当输出结果为1时,表示正常状态,为2或3时表示电流越限,进行判据启动开始录波.为了验证模型的正确性,将测试数据输入到训练好的ELM模型,最后将结果和传统算法相比较,此外,为了更加直观地表示结果,采用了command window打印方式将正确率呈现出来.经验证,ELM算法可以很好地完成故障录波,能够有效地对录波数据进行分类,分类误差很小,各项参数值处于很高水平.

摘要： 本文对多目标优化算法NSGA-II 与前馈神经网络的耦合优化方法进行了验证分析,提出了一种改进的拥挤距离和coarse-to-fine的迭代策略.通过典型的数学问题验证了改进策略的有效性。在此基础上,提出了基于数值模拟和耦合优化方法的多目标气动优化框架,并对跨音速轴流压气机转子NASARotor37进行了三目标优化.优化结果表明,多目标优化的结果效率和喘振遇到均优于单目标优化结果,而且保持堵塞流量不变.同时,多目标优化可以提供多种可选择方案,具有很高实用性。

摘要： 从连续时间动力学的角度，研究了多层前馈神经网络的学习问题。基于李雅普诺夫稳定性分析方法，建立了一种神经网络权重参数连续调整的学习算法，并基于连续时间系统仿真的思想，给出了一种算法实现的自适应策略。算法实现中，通过估计截断误差估计自动调整步长，几乎不需要人工确定任何参数，而且可以保证算法的稳定性及计算精度。最后，给出了一个典型的应用算例。

摘要： 针对常规的前馈神经网络因采用梯度下降法进行参数学习而容易陷入局部极小值，且由于算法的局限性，其网络的推广性能较差，容易出现过学习现象的问题，提出了一种新的单隐层前馈神经网络(SLFNs)学习算法。该算法对于输入层权值采用随机数生成，对于输出层权值由算法最优生成，因而能从理论上保证网络结构具有最好的推广特性和最小的经验风险。回归估计和分类试验表明了其优越性。

摘要： 从信息存储记忆的角度观察,神经系统借助感官可存储和记忆外界信息,免疫系统则在抗原识别等方面表现出记忆功能.该文将生物免疫系统中的免疫应答识别原理应用到前馈神经网络中,利用免疫识别算法训练前馈神经网络,能够使网络优化过程趋于全局最优.将该算法对一组实验数据进行分类,仿真结果表明该方法具有良好的可行性和实用性.

摘要： 将动量项引入到Ridge Polynomial神经网络异步梯度训练算法的误差函数中,有效地改善了算法的收敛效率,并从理论上分析了Ridge Polynomial神经网络的带动量项的异步梯度算法的收敛性,给出了算法的单调性和收敛性(包括强收敛性和弱收敛性).算法的这些收敛性质对于如何选取学习率和初始权值来进行高效的网络训练是非常重要的.最后通过计算机仿真实验验证了带动量项的异步梯度算法的高效性和理论分析的正确性.

摘要： 将动量项引入到Ridge Polynomial神经网络异步梯度训练算法的误差函数中,有效地改善了算法的收敛效率,并从理论上分析了Ridge Polynomial神经网络的带动量项的异步梯度算法的收敛性,给出了算法的单调性和收敛性(包括强收敛性和弱收敛性).算法的这些收敛性质对于如何选取学习率和初始权值来进行高效的网络训练是非常重要的.最后通过计算机仿真实验验证了带动量项的异步梯度算法的高效性和理论分析的正确性.

摘要： 将动量项引入到Ridge Polynomial神经网络异步梯度训练算法的误差函数中,有效地改善了算法的收敛效率,并从理论上分析了Ridge Polynomial神经网络的带动量项的异步梯度算法的收敛性,给出了算法的单调性和收敛性(包括强收敛性和弱收敛性).算法的这些收敛性质对于如何选取学习率和初始权值来进行高效的网络训练是非常重要的.最后通过计算机仿真实验验证了带动量项的异步梯度算法的高效性和理论分析的正确性.

摘要： 形成神经网络的方法包括指定神经网络神经元层。参数基因组是利用数值参数定义的，这些数值参数表征神经网络神经元层中的神经网络神经元之间的连接，其中从当前层中的神经元到一组相邻层中的神经元定义连接，并且参数基因组具有由数千字节的数值参数表征的唯一表示。参数基因组被组合成连接组，该连接组表征连接组中所有神经网络神经元之间的所有连接，其中连接组具有超过数百万个神经网络神经元和神经网络神经元之间的数十亿个连接。

摘要： 本发明提供一种不需要偏置的神经网络电路装置、神经网络、神经网络处理方法和神经网络的执行程序。二值化神经网络电路(100)具有：输入输入值x1～xn(xi)(二值)的输入节点和输入权重w1～wn(wi)(二值)的输入部(101)；XNOR门电路(102)，其接收输入值x1～xn和权重w1～wn，且进行XNOR逻辑运算；求和电路(103)，其求出各XNOR逻辑值的总和；批归一化电路(41)，其通过扩大归一化范围且使中心位移的处理来修正由二值化导致的分布不平衡；和激活函数电路(35)，其使用激活函数fsgn(B)对信号B进行转换，其中所述信号B是对求出总和之后的信号Y进行批归一化得到的信号。

摘要： 本发明提供一种无需批归一化电路的神经网络电路装置、神经网络、神经网络处理方法及神经网络的执行程序。二值化神经网络电路(100)具备：输入输入值x1～xn(xi)(二值)的输入节点及输入加权w1～wn(wi)的输入部(101)、接收输入值x1～xn及加权w1～wn并采用XNOR逻辑的XNOR门电路(102)、输入多位偏置W'的多位偏置W'输入部(110)、取各XNOR逻辑值和多位偏置W'的总和的求和电路(103)及对于取总和后的信号Y仅输出符号位的激活电路(120)。

摘要： 本发明公开了一种前馈网络拓扑数模混合神经网络电路，包括m个输入端、m行n列神经节点、主控制器模块、n‑1个寄存器模块、互连网络模块以及互连总线。m个输入端分别与第一列对应神经节点的输入端相连；每个所述神经节点均包括神经形态单元和微控制器单元。所述神经节点中的微控制器单元，用于实现多种软件定义的突触可塑性规则及蛋白调控规则；神经节点之间通过所述互连网络进行相互连接，形成具有前馈拓扑结构特性的数模混合神经网络电路。所述主控制器模块的输出端与n‑1个寄存器模块的输入端相连接，主控制器模块通过控制n‑1个寄存器模块，来调整互连网络的结构，从而实现不同前馈拓扑结构的数模混合神经网络电路。

摘要： 本发明涉及AI行为网络算法技术领域，公开了一种基于AI人体行为的多层前馈人工神经网络并行算法，包括视频特征码输入层、隐含层、模型激励输出层和Spark底层，所述框架PANN由一个视频特征码输入层，多个隐含层，一个模型激励输出层构成，采用后向传播的误差调整公式，所述视频特征码输入层、隐含层和模型激励输出层之间通过单向的权值网连接，所述Spark底层由Scala语言实现，神经网络的深度与隐含层的数目有关，且与时间长度有关。该基于AI人体行为的多层前馈人工神经网络并行算法，采用神经网络模型的方法，完成人体行为识别的任务，保证了对人体样本行为识别的正确率，并充分提高了系统完成人体在线行为识别任务的能力，运行系统时顺畅。

摘要： 本实用新型公开了一种前馈网络拓扑数模混合神经网络电路，包括m个输入端、m行n列神经节点、主控制器模块、n‑1个寄存器模块、互连网络模块以及互连总线。m个输入端分别与第一列对应神经节点的输入端相连；每个所述神经节点均包括神经形态单元和微控制器单元。所述神经节点中的微控制器单元，用于实现多种软件定义的突触可塑性规则及蛋白调控规则；神经节点之间通过所述互连网络进行相互连接，形成具有前馈拓扑结构特性的数模混合神经网络电路。所述主控制器模块的输出端与n‑1个寄存器模块的输入端相连接，主控制器模块通过控制n‑1个寄存器模块，来调整互连网络的结构，从而实现不同前馈拓扑结构的数模混合神经网络电路。

摘要： 本发明公开了一种基于神经元显著性的前馈神经网络结构自组织方法，涉及神经网络技术领域，针对传统前馈神经网络结构选取困难的问题，本发明提出的方法根据隐含层神经元的显著性大小动态调整神经网络的网络结构。实验结果表明：改进后的算法能够降低网络结构选取的盲目性，实现了网络结构的动态优化调整，提高了网络识别的精度。其在非线性系统辨识、数据分类和工程类缺陷类型识别上均具备较高的精度。

摘要： 本发明公开了一种基于神经元显著性的前馈神经网络结构自组织方法，涉及神经网络技术领域，针对传统前馈神经网络结构选取困难的问题，本发明提出的方法根据隐含层神经元的显著性大小动态调整神经网络的网络结构。实验结果表明：改进后的算法能够降低网络结构选取的盲目性，实现了网络结构的动态优化调整，提高了网络识别的精度。其在非线性系统辨识、数据分类和工程类缺陷类型识别上均具备较高的精度。

摘要： 本发明提出一种基于前馈神经网络的生物组织内含异常组织特征预测方法，引入了前馈神经网络技术，配合生物传热数学模型以及正常组织与异常组织产热不同建立模型等，通过对建模产生的数据用以训练前馈神经网络，使之达到最佳拟合状态，来提高对新数据的预测准确率。在此基础上，对数据进行扁平化处理，使得其中一个模型产生多个数据构成的矩阵成为一个向量，建立多个模型，得到一个含多个模型数据组成的数据集，同时增加异常组织在正常组织内的角度参数，提高对异常组织的状态预测。本发明可使给定比例椭球体异常组织大小和位置的预测准确率大于98%，并发现异常组织姿态角度准确程度的预测则与异常组织不规则程度显著相关，起到了辅助科研的作用。

摘要： 本发明提供了一种基于早癌筛查问卷与前馈神经网络的癌症预测系统，包括：数据获取模块，其被配置为：获取调查问卷的样本数据，其中，所述样本数据包括：调查问卷收集到的患者生活方式、个人患病史、癌症家族史、环境因素和病理数据；特征提取模块，其被配置为：提取所述样本数据的特征数据；癌症概率预测模块，其被配置为：基于所述特征数据，采用训练好的癌症预测模型，得到预测癌症的概率。