过程神经网络

摘要： 在中国自主研发北斗三号系统已经全面运行,实现全球定位的背景下。为了进一步提高移动机器人地面终端卫星导航定位功能,针对移动机器人数据接收解析的高频振荡随机干扰信号和系统高阶动态非线性对定位导航精度的影响,提出一种利用过程神经网络的时变特性,构建动态自适应RTK-GPS(Real Time Kinematic-Global Position System)定位算法。通过现有的卫星定位终端的输入输出数据构造出神经网络模型,再利用动态误差数据为样本对这个神经网络模型进行训练校正,在卫星信号受到干扰或失锁时利用训练好的过程神经网络预测输出来抑制位置和速度误差发散,从而提高定位和导航精度。实验表明本方法在定位干扰噪声为非定常量的条件下,仍然对定位精度的提高适用有效,能显著降低定位结果误差,尤其在可观察卫星数量变化时表现出较强的鲁棒性。

摘要： 目的为提高包装称量精度,利用FPGA控制器设计一种包装称量工作站控制系统。方法介绍包装称量工作站基本结构,包括称量传感器、核心控制器、称量仪表等。给出了基于FPGA的称量控制系统结构,主要包括传感器信号处理电路、模数转换电路、FPGA控制器、显示模块、存储模块以及通讯电路等。基于过程神经网络设计一种称量控制器,可在一定程度上提高称量精度。最后,进行实验研究。结果人工称量的平均误差为2.39 g,称量合格率只有65%;自动称量的平均误差为0.88 g,称量合格率则可以达到98.3%,称量精度明显提高。结论所述包装称量工作站的称量精度明显高于人工模式,可靠性高,具有一定的推广价值。

摘要： 为提高页岩的岩性识别精度,首先针对测井曲线连续变化、突变频繁的信号特征,利用脊波变换作为过程神经元的激励函数,提出一种脊波过程神经网络模型;其次通过AdaBoost的动态调整机制迭代调整模型和样本集权重,利用多个弱分类器的线性加权构建强分类器;最后为提高AdaBoost中的每个脊波过程神经网络模型的学习速度,提出一种基于满秩分解的极限学习算法,通过Moore-Penrose广义逆求解隐层输出权值.仿真实验以A区的B1井和B2井为例进行岩性识别,通过对比分析验证方法的有效性,识别效果优于其他过程神经网络模型,准确率最高可达90％左右.

摘要： 在光伏发电领域,面对复杂多变的天气,实现光伏发电量的准确预测是一个难点问题.光伏发电量的准确预测能为电网平稳调度提供参考依据,但传统方法进行光伏发电输出功率预测误差大、响应时间长,难以满足电网需求调度的问题.提出一种改进双并联过程神经网络的光伏功率预测方法,对神经元的聚合运算机制和激励方式向时间域进行扩展,利用动态增量来更新双并联过程神经网络的权值,避免因误差变化小而使网络陷入局部极小值.仿真结果表明,使用改进后的模型预测光伏发电功率能得到更高的预测精度.

摘要： 基于徐深气田取心井的取心、岩心实验分析资料,利用统计的方法对下白垩统营城组四段储层的岩性进行分析研究,将其分为砂质砾岩和砂岩两大类.基于统计的方法优选出识别这两类岩性的敏感测井响应曲线,依据优选的敏感测井响应曲线,建立了用于识别砂质砾岩和砂岩的测井响应交会图法和过程神经网络模型.通过对这两种模型的精度进行分析对比,结果表明过程神经网络模型优于交会图法.同时利用这两种方法对徐深A井进行岩性识别,并将识别结果与实际取心进行对比,结果表明过程神经网络模型可以很好地识别研究区的两种岩性.

摘要： 非线性复杂时变信号模式分类是信号处理和人工智能研究领域的重要课题.将稀疏自动编码器(SAE)与过程神经网络(PNN)栈式叠加,构建了一种深度过程神经网络模型(DPNN).在传统深度神经网络无监督逐层初始化与梯度下降相结合的算法基础上,通过引入一种时变输入信号和连接权函数,基于一组正交函数基,建立DPNN的综合训练算法.DPNN模型可保持样本特征的多样性,有效提高对信号结构特征的提取能力和不同类别样本特征的区分度.将传统深度神经网络在信息处理机制上扩展为时间域,实现对时变信号直接分类处理,应用于心脑血管疾病的预测分析和处理取得了良好结果.

摘要： 非线性复杂时变信号模式分类是信号处理和人工智能研究领域的重要课题。将稀疏自动编码器（SAE）与过程神经网络（PNN）栈式叠加,构建了一种深度过程神经网络模型（DPNN）。在传统深度神经网络无监督逐层初始化与梯度下降相结合的算法基础上,通过引入一种时变输入信号和连接权函数,基于一组正交函数基,建立DPNN的综合训练算法。DPNN模型可保持样本特征的多样性,有效提高对信号结构特征的提取能力和不同类别样本特征的区分度。将传统深度神经网络在信息处理机制上扩展为时间域,实现对时变信号直接分类处理,应用于心脑血管疾病的预测分析和处理取得了良好结果。

摘要： 由于传统神经网络存在收敛速度慢的缺陷,导致对船舶主机温度预测精度低,为了对船舶主机温度进行精确的预测,设计了基于改进神经网络的船舶主机温度预测模型。首先对当前船舶主机温度预测研究现状进行分析,找到引起预测效果差的因素,然后采集船舶主机温度变化的时间序列,并采用过程神经网络对船舶主机温度变化趋势进行估计,实现船舶主机温度预测,最后进行船舶主机温度预测验证性实验。结果表明,改进神经网络可以提高船舶主机温度预测精度,船舶主机温度预测误差远远小于传统神经网络,获得了比较满意的船舶主机温度预测结果。

摘要： 为解决非线性复杂时间序列在线预测问题,提出了一种基于过程神经网络模型的在线预测方法.首先,在历史数据的基础上建立双并联离散过程神经网络模型;然后,根据在线更新的数据样本,采用递推极限学习算法对过程神经网络隐层到输出层的权值进行相应的更新;最后,应用权值更新后的过程神经网络模型对时间序列进行预测.文中给出了具体的过程神经网络学习算法与权值更新机制,并以混沌时间序列与液体火箭发动机的状态预测为例对方法进行了验证.研究结果表明:该方法在预测精度和适应能力上较单一的离线模型有显著提高,可以为非线性复杂时间序列在线预测问题提供一种有效的解决方法.%Aiming at the issue about online prediction of the complicated nonlinear time series, an online prediction method based on process neural network ( PNN) was proposed. The prediction model of double parallel feedforward discrete input process neural network ( DPFDPNN ) , which was trained by off-line data, was firstly established to make prediction of the complicated nonlinear time series. In order to improve the accuracy and efficiency of the DPFDPNN for the time series prediction, the weight connecting, the hidden layer and output layer were then directly updated by the recursion extreme learning algorithm ( REL) based on recursive algorithm with the real data stream. Finally, the DPFDPNN with the updated weight was adopted to predict the time series. The corresponding learning algorithm for DPFDPNN and the updating mechanisms were obtained in this paper. The prediction method mentioned above was verified by a test case with chaotic time series, and an example of method application in condition pre-diction of liquid propellant rocket engine was given. The results show that the proposed method outperformed the DPFDPNN without weight updated at accuracy and adaptability. It ' s an effective way to solve the failure online prediction problem of the complicated nonlinear time series.

摘要： 针对某厂氧化铝蒸发过程静态模型预测精度随工况漂移不断下降的问题,提出了基于自回归滑动平均模型的过程神经网络误差补偿的集成预测模型,并用蒸发过程生产数据进行验证,实现了铝酸钠溶液成分的动态预测.

摘要： 为了解决航空发动机气路参数偏差值时间序列中突变值难以预测的问题,基于有理式函数具有更好的非线性逼近能力的理论,提出一种分式非线性聚合过程神经网络模型.该网络结构在隐层中存在一个过程神经元对偶层,通过分式非线性空间聚合的方式分别实现信号对神经元的激励和抑制作用.根据采样点离散化的特点,采用离散沃尔什变换对的内积运算替代积分算子,简化计算过程的同时消除了数据拟合中的精度损失.采用基于离散沃尔什变换LM算法进行网络训练,将训练好的模型应用在气路参数偏差值时间序列预测中,从预测结果中可以看出,该模型对于存在突变值的时间序列预测具有更高的效率和灵敏性.

摘要： 对航空发动机性能参数预测，有助于提前掌握航空发动机的健康状态，确保飞行安全。针对传统方法难于对性能参数进行有效预测的问题，提出一种基于过程神经网络的性能参数预测方法。为了解决反向传播学习算法收敛速度慢、易陷于局部极小点等问题，开发了一种基于正交基函数展开的Levenberg-Marquardt学习算法。为了提高过程神经网络的泛化能力，从提高训练样本的质量和规模入手，研究了实际测量数据的预处理方法，并提出一种基于样条函数拟合和相空间重构理论的训练样本集构造方法。最后将该方法用于某型航空发动机性能参数的预测，取得了满意的结果。

摘要： 为解决污水处理过程出水水质指标（如BOD）难以在线测量的问题，同时考虑到污水处理过程与时间有关的特点，本文提出一种基于过程神经网络的在线水质指标软测量方法。该方法基于正交基展开的学习算法基础上关进行改进，加入动量项以提高收敛速度;采用遗传算法对模型训练的学习速率进行优化，实现自适应变速率学习算法。通过实测数据对过程神经网络软测量模型进行训练，仿真和实验结果表明，该方法效果良好，可实现污水处理过程的闭环、实时控制，具有广阔的应用前景。

摘要： 异构双腿机器人是一种新型的仿人机器人研究平台,它由人工腿和智能仿生腿组成,人工腿用来模拟残疾人的健康腿,智能仿生腿用来模拟智能假肢。本文主要研究的是基于过程神经网络的智能仿生腿步态识别系统,依靠六维力传感器检测出不同路况下的地面反力信息,由过程神经网络辨识出当前路况,根据不同路况对应的步态信息控制阻尼器的输出力,实现仿生腿对人工腿的步态跟随。文中给出了过程神经网络模型并推导了相应的算法,实验结果充分证实了该方法的合理性和可行性。

摘要： 本文对基于过程神经网络的飞机发动机状态监控进行了探讨，采用过程神经网络方法,给出了基于正交基函数的学习算法。以Mackey-Glass时间序列验证了网络的有效性，将网络应用于发动机排气温度预测,取得了满意的结果。

摘要： 为从宏观层面直观化、动态化、系统化的快速剖析航空发动机预期性能,提出了一种基于动态标准彩色图谱的预期性能解析方法.通过对发动机数据样本的预处理和相空间重构,基于过程神经网络预测模型,构建性能参数的预测矩阵,采用归一化的方法,实现预测矩阵的标准化;将标准预测矩阵映射到彩色相空间,转换为动态标准彩色图谱,宏观地展示发动机预期性能参数之间复杂的耦合关系及其时空分布全貌.设计并开发了航空发动机彩色图谱性能预测分析系统,支持多个型号的发动机预期性能的解析.结合某航空单位的应用实例,证明该方法的有效性和实用性.

摘要： 异构双腿机器人是一种新型的仿人机器人研究平台,它由人工腿和智能仿生腿组成,人工腿用来模拟残疾人的健康腿,智能仿生腿用来模拟智能假肢.主要研究了基于过程神经网络的智能仿生腿步态识别系统,依靠6维力传感器检测出不同路况下的地面反力信息,由过程神经网络辨识出当前路况,根据不同路况对应的步态信息控制阻尼器的输出力,实现仿生腿对人工腿的步态跟随.给出了过程神经网络模型并推导了相应的算法,实验结果充分证实了该方法的合理性和可行性.

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： 本发明提高数据并行型分散学习的吞吐量。神经网络系统具有存储器和访问存储器的多个处理器，多个处理器中的每一个处理器在多次学习中的每一次学习中，基于训练数据的输入和神经网络内的参数执行神经网络的运算来计算神经网络的输出，计算计算出的输出与训练数据的教师数据的差分相对于参数的梯度或者基于梯度的更新量，(1)在梯度或者更新量的累积不小于阈值的第一情况下，执行多个处理器将分别计算出的多个梯度或者更新量的累积发送到多个处理器内的其它的处理器来汇集多个梯度或者更新量的累积，接收汇集后的梯度或者更新量的累积，用汇集后的梯度或者更新量的累积更新参数的第一更新处理，(2)在梯度或者更新量的累积小于阈值的第二情况下，执行多个处理器不进行基于发送的多个梯度或者更新量的累积的汇集，用多个处理器分别计算出的梯度或者更新量更新各自的参数的第二更新处理。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 根据本发明的分布式处理用人工神经网络运算加速装置可以具有：外部主存储器，存储针对输入神经元的输入数据和突触权重；内部缓冲存储器，存储构成所述人工神经网络运算的各个循环所需的突触权重和输入数据；DMA模块，用于与所述外部主存储器及内部缓冲存储器直接发送和接收数据；神经网络运算装置，针对构成人工神经网络运算的各个循环重复地处理以下一系列顺序过程：读取存储在所述内部缓冲存储器的突触权重和输入数据、执行人工神经网络运算、将运算结果存储在所述外部主存储器；CPU，用于控制在所述外部主存储器和内部缓冲存储器存储针对输入神经元的输入数据和突触权重的操作和所述神经网络运算装置的运行；及通用通信中介块，可以与无关集成电路的类型地以物理方式连接的其他加速装置发送和接收针对所述输入神经元的输入数据和突触权重以及在所述神经网络运算装置执行的运算结果。

摘要： 一种卷积神经网络(CNN)处理装置(1)，设置有：输入缓冲器(10)，用于存储要对CNN应用的输入信号A；权重缓冲器(11)，用于存储权重U；卷积运算单元(12)，执行包括输入信号A与权重U之间的乘积‑求和运算的卷积运算；存储单元16，存储表(160)，在该表中，转换‑量化处理的输入与输出彼此相关联，其中，转换‑量化处理接受卷积运算的运算结果作为所述输入，基于预定条件来转换输入值，通过降低转换后的数据的比特精度来进行量化，并且输出结果；以及处理单元(14)，参考表(160)以获取转换‑量化处理的与卷积运算的运算结果相对应的输出。

摘要： 本发明提供一种能够通过减少存储器数量而将其配置在芯片上的神经网络电路装置、神经网络处理方法和神经网络的执行程序。三状态神经网络电路(200)具有非零卷积运算电路(21)、求和电路(22)和激活函数电路(23)，其中，所述非零卷积运算电路(21)在中间层中接收用于进行卷积的输入值Xi和权重Wi来进行卷积运算；所述求和电路(22)求取通过卷积运算得到的各运算值和偏置W0的总和；所述激活函数电路(23)用激活函数f(u)对求取总和得到的信号Y进行转换。非零卷积运算电路(21)跳过权重Wi为零的权重，来根据非零权重和与该非零权重对应的输入值Xi进行卷积运算。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。

摘要： 一种用于处理包括运算处理图在内的神经网络模型的神经网络系统，该神经网络系统包括运算处理器，其中该运算处理图包括多个运算，该运算处理器包括存储第一模块输入特征图的内部存储器。该运算处理器被配置为：基于所存储的第一模块输入特征图，通过执行多个运算中的第一运算来获得第一分支输出特征图；以及基于所存储的第一模块输入特征图，通过执行多个运算中的第二运算来获得第二分支输出特征图。该内部存储器在执行第一运算时保持对第一模块输入特征图的存储。

摘要： 一种对根据来自旧任务的数据训练的人工神经网络进行再训练的方法，包括：利用来自不同于旧任务的新任务的数据对人工神经网络进行训练，在利用新任务对人工神经网络进行训练期间，利用S l i ced Wasserste i nD i stance计算一系列隐藏层节点的激活分布中的漂移，基于激活分布中的漂移计算要添加到至少一个隐藏层的附加节点的数量，将输入层节点、隐藏层节点和输出层节点之间的连接权重重置为在利用来自新任务的数据对人工神经网络进行训练之前的值，将附加节点添加到至少一个隐藏层，以及利用来自新任务的数据对人工神经网络进行训练。