论文部分内容阅读
建模是分析问题和解决问题的一种重要的手段。对于复杂且具有严重非线性的系统,应用一般的单模块的神经元网络建立的系统模型往往不能满足要求。因此,本文在动态委员会机器的框架基础上,结合判别分析和单模块二阶神经元网络的优势,建立了一种具有训练速度快、泛化能力强、对复杂函数逼近能力强等优点的组合网络——新型分层混合专家网络。分层混合专家各个模块的性能直接影响网络的整体性能。在新型分层混合专家模型中,专家网络采用二阶网络模型;以判别分析为基础,借鉴模块化设计理念,改进了门网结构。这种门网抛弃了传统网状结构,结构清晰,模块分工明确,训练参数少。专家和门网模块的改进与设计,从根本上降低了分层混合专家网络的训练难度,提高了网络的训练速度和泛化能力。以典型的包含严重非线性的化工过程——pH值混合槽为仿真对象,对新型分层混合网络模型进行实验。结果表明:利用这种新的网络模型,对于静态系统过程和动态系统过程,都有很快的学习速度和较高的精度逼近系统模型。针对这种新型物理模型结构的分层混合专家网络应用和实现,在算法方面,提出了划分输入空间的交叉分类模式,并采用分步训练的方式对整个网络训练。首次提出负数概率概念,并建立了合理的门网数学模型,以降低模型误差。在BP算法中加入了自适应方法,并给出了相应的准则;对初始权值的设计进行了初步探讨,给出了初始权值选择方法。以pH值混合槽模型为仿真对象进行实验,实验结果表明,算法各方面的改进和设计,有效的降低了网络的训练难度和模型误差,提高了模型的逼近精度,说明了方法改进的有效性。基于新方法的新型分层混合专家模型网络融合了各种方法的优点,具有学习速度快、逼近精度较高、泛化能力好、网络的复杂度低和令人满意的动态组合网络的整体性能,实验证明,它适合解决环境信息复杂、背景知识不清楚和推理规则不明确的建模问题,为解决现实中困难的建模问题提供了一种行之有效的方法。