简介:摘要:为了能够及时发现齿轮表面缺陷以及缺陷类型,我们提出了一种自适应分类框架,该框架根据任务需求调整分类粒度,并基于混合神经网络(AHNN)。AHNN结合了一维卷积和注意机制,增强了特征和通道之间的关系,并抑制了不敏感信息的影响,引入了个体特征选择方法,生成适合不同个体的特征子集,减小个体差异。实验结果表明,齿面磨损的细粒度和粗粒度分类的准确率分别为91.27%和96.31%,缺齿的细粒度和粗粒度分类的准确率分别为92.67%和97.28%,正常齿的细粒度和粗粒度分类的准确率分别为92.33%和96.39%。AHNN能够适应不同的分类粒度,降低个体差异,提高框架的通用性。
简介:落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系.人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法.基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究.结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快;该预测模型的应用可为采掘工作面瓦斯涌出量的动态预测提供可靠的基础数据,为采掘工作面落煤残存瓦斯量的确定提出了一种全新的方法和思路.
简介:基于后推设计方法,Nussbaum函数的性质及积分型李亚普诺夫函数,提出了一种自适应神经网络控制器的设计方案。通过引入示性函数,提出一种简化死区模型,取消了死区模型的倾斜度相等的条件。此外,该方法取消了函数控制增益符号已知和死区模型参数上界、下界已知的条件。理论分析证明了闭环系统是半全局一致终结有界。
简介:链路预测是网络信息挖掘的主要研究内容,通过对网络结构和其他信息的分析,挖掘缺失的链接或预测未来可能出现的链接。链路预测在推荐系统、社会网络和生物网络分析中有着十分广泛的应用。本文首先介绍了基于公共邻居、路径和随机游走的8种常用的链路预测指标.并在此基础上提出了一种基于这8种指标线性组合的度量指标,并经过实验找出了较好的优化参数。然后,提出了基于这8种指标的神经网络模型.并分别基于Weka平台和FANN库进行了实现。在社会网络的4个公开测试集上的实验结果表明.基于FANN库的神经网络模型的预测结果最好,在4个数据集上最高的AUC值分别达到了0。95l8、0.9289、0.7480和0.8677,与单一指标最好的AUC值相比分别提高了3.92%、1.45%、7.06%和24.35%。
简介:Dynamicnodecreationandfastlearningalgorithmforahybridfeedforwardneuralnetwork.Flight-pathanglecontrolvianeuro-adaptiveBackstepping.Locallearningframeworkforhandwrittencharacterrecognition.Maximizingmarginsofmultilayerneuralnetworks.ModularnetworkSOMself-orgmlizingmapofasystemsgroupinfunctionspace.