本文關(guān)鍵詞：改進(jìn)的極限學(xué)習(xí)機(jī)在辨識(shí)及分類中的應(yīng)用

  更多相關(guān)文章： 極限學(xué)習(xí)機(jī) 準(zhǔn)線性 系統(tǒng)辨識(shí) 腦電信號(hào)分類 特征提取

【摘要】：隨著神經(jīng)網(wǎng)絡(luò)研究的深入,前饋神經(jīng)網(wǎng)絡(luò)收斂速度慢,參數(shù)難以調(diào)節(jié),過擬合等缺點(diǎn)限制了進(jìn)一步的應(yīng)用。針對(duì)上述問題,論文圍繞極限學(xué)習(xí)機(jī)對(duì)神經(jīng)網(wǎng)絡(luò)研究中常見的辨識(shí)和分類問題,展開研究。針對(duì)非線性系統(tǒng)辨識(shí)問題以及癲癇腦電信號(hào)非線性分類問題提出改進(jìn)的新方法。論文主要研究成果如下：1、提出準(zhǔn)線性極限學(xué)習(xí)機(jī)辨識(shí)算法利用ARX線性結(jié)構(gòu)和極限學(xué)習(xí)機(jī)收斂速度快的優(yōu)點(diǎn),設(shè)計(jì)準(zhǔn)線性極限學(xué)習(xí)機(jī)辨識(shí)方法用于非線性系統(tǒng)辨識(shí)。Huang等人已經(jīng)證明隨著隱含層節(jié)點(diǎn)不斷增加,可以獲得最小的訓(xùn)練誤差。但是隨著隱含層節(jié)點(diǎn)數(shù)的增加,輸出層權(quán)值會(huì)逐漸變小,所以很多節(jié)點(diǎn)對(duì)最終結(jié)果并無影響,屬于“無用節(jié)點(diǎn)”,反而增加運(yùn)算復(fù)雜度。因此,為了降低網(wǎng)絡(luò)的復(fù)雜度,本文提出一種準(zhǔn)線性辨識(shí)結(jié)構(gòu),使用一種宏觀線性方程嵌套非線性系數(shù)的表達(dá)方式,表示系統(tǒng)的輸入輸出關(guān)系,使用線性與非線性部分迭代辨識(shí)方法即可以逼近常見的非線性系統(tǒng),又可以壓縮隱含層節(jié)點(diǎn)個(gè)數(shù),簡化網(wǎng)絡(luò)結(jié)構(gòu),使得收斂速度增加。通過大量對(duì)比實(shí)驗(yàn)和分析,證明了該辨識(shí)方法具有很好的辨識(shí)精度。2、提出準(zhǔn)線性極限學(xué)習(xí)機(jī)算法內(nèi)�？刂苹谏鲜鎏岢龅臏�(zhǔn)線性極限辨識(shí)方法,建立準(zhǔn)線性內(nèi)模模型和逆模模型控制器。由于準(zhǔn)線性極限學(xué)習(xí)機(jī)的辨識(shí)精度高,可以減少建模誤差帶來的影響。將該方法用于化工非線性CSTR過程,準(zhǔn)確的建模效果,使得控制效果明顯,可以達(dá)到無穩(wěn)態(tài)偏差的定值控制,魯棒性能強(qiáng)。3、提出混合乘性節(jié)點(diǎn)極限學(xué)習(xí)機(jī)分類器針對(duì)非線性癲癇腦電信號(hào)分類問題,提出一種混合乘性節(jié)點(diǎn)極限學(xué)習(xí)機(jī)分類器,在傳統(tǒng)極限學(xué)習(xí)機(jī)節(jié)點(diǎn)中加入乘性節(jié)點(diǎn),增加網(wǎng)絡(luò)的非線性表達(dá)。提出一系列的特征提取方法,包括離散小波變換和相空間重構(gòu)以及奇異值分解相結(jié)合,將提取出的特征作為分類器輸入,特征提取算法能夠準(zhǔn)確的提取出信號(hào)特征降低信息損失和空間維數(shù)。混合乘性節(jié)點(diǎn)分類器增加了極限學(xué)習(xí)機(jī)隱含層的表達(dá),將其微小差別映射到更高維空間表現(xiàn)出來,對(duì)比傳統(tǒng)極限學(xué)習(xí)機(jī),可以達(dá)到更高的分類精度。最后論文針對(duì)全文的研究成果進(jìn)行總結(jié),提出研究的進(jìn)一步展望。
【關(guān)鍵詞】：極限學(xué)習(xí)機(jī) 準(zhǔn)線性 系統(tǒng)辨識(shí) 腦電信號(hào)分類 特征提取
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-15
• 第一章 緒論15-25
• 1.1 選題背景及意義15-16
• 1.2 非線性系統(tǒng)辨識(shí)16-20
• 1.2.1 神經(jīng)網(wǎng)絡(luò)與非線性系統(tǒng)辨識(shí)18-19
• 1.2.2 神經(jīng)網(wǎng)絡(luò)與內(nèi)�？刂�19-20
• 1.3 腦電信號(hào)的特點(diǎn)與特征提取方法20-23
• 1.3.1 癲癇腦電信號(hào)的特征提取方法21-22
• 1.3.2 神經(jīng)網(wǎng)絡(luò)與癲癇腦電信號(hào)分類22-23
• 1.4 本論文主要研究內(nèi)容及創(chuàng)新23-25
• 第二章 極限學(xué)習(xí)機(jī)理論及方法25-31
• 2.1 引言25
• 2.2 極限學(xué)習(xí)機(jī)的基本理論25-27
• 2.3 極限學(xué)習(xí)機(jī)的優(yōu)缺點(diǎn)及改進(jìn)27-28
• 2.4 極限學(xué)習(xí)機(jī)研究現(xiàn)狀28-29
• 2.5 本章小結(jié)29-31
• 第三章 基于準(zhǔn)線性極限學(xué)習(xí)機(jī)的非線性系統(tǒng)辨識(shí)31-41
• 3.1 引言31
• 3.2 基于準(zhǔn)線性極限學(xué)習(xí)機(jī)的非線性系統(tǒng)辨識(shí)31-34
• 3.2.1 準(zhǔn)線性極限學(xué)習(xí)機(jī)模型31-33
• 3.2.2 準(zhǔn)線性極限學(xué)習(xí)機(jī)辨識(shí)算法33-34
• 3.3 實(shí)驗(yàn)結(jié)果與分析34-39
• 3.3.1 數(shù)字實(shí)驗(yàn)34-36
• 3.3.2 CSTR過程36-39
• 3.4 小結(jié)39-41
• 第四章 基于準(zhǔn)線性極限學(xué)習(xí)機(jī)的內(nèi)模控制41-53
• 4.1 引言41
• 4.2 內(nèi)�？刂聘攀�41-42
• 4.3 基于準(zhǔn)線性極限學(xué)習(xí)機(jī)的內(nèi)�？刂圃碓O(shè)計(jì)42-45
• 4.3.1 建立系統(tǒng)內(nèi)模43-44
• 4.3.2 建立系統(tǒng)逆模44-45
• 4.4 實(shí)驗(yàn)結(jié)果與分析45-51
• 4.5 小結(jié)51-53
• 第五章 基于乘性節(jié)點(diǎn)極限學(xué)習(xí)機(jī)的腦電信號(hào)分類53-75
• 5.1 引言53
• 5.2 實(shí)驗(yàn)數(shù)據(jù)53-54
• 5.3 基于乘性節(jié)點(diǎn)極限學(xué)習(xí)機(jī)的腦電信號(hào)分類器54-56
• 5.4 腦電信號(hào)的特征提取56-64
• 5.4.1 腦電信號(hào)特征提取方法56-57
• 5.4.2 離散小波變換57-59
• 5.4.3 相空間重構(gòu)59-62
• 5.4.4 協(xié)方差矩陣和奇異值分解62-64
• 5.5 實(shí)驗(yàn)結(jié)果與分析64-74
• 5.5.1 準(zhǔn)備工作64-65
• 5.5.2 分類結(jié)果65-74
• 5.6 本章小結(jié)74-75
• 第六章 結(jié)論與展望75-77
• 6.1 研究成果總結(jié)75-76
• 6.2 后續(xù)工作展望76-77
• 參考文獻(xiàn)77-83
• 致謝83-85
• 研究成果及發(fā)表的學(xué)術(shù)論文85-87
• 作者和導(dǎo)師簡介87-88
• 附件88-89

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 侯志祥,申群太,李河清;基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的非線性系統(tǒng)辨識(shí)[J];系統(tǒng)工程與電子技術(shù);2005年01期

2 萬峰;孫優(yōu)賢;;非線性系統(tǒng)辨識(shí)中模糊模型參數(shù)收斂問題的進(jìn)一步研究[J];自動(dòng)化學(xué)報(bào);2007年01期

3 朱耀春;白焰;蔣毅恒;;基于基因表達(dá)式編程的非線性系統(tǒng)辨識(shí)研究[J];系統(tǒng)仿真學(xué)報(bào);2008年07期

4 張蓉;馮斌;;更有效的非線性系統(tǒng)辨識(shí)新方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2008年16期

5 朱全民;非線性系統(tǒng)辨識(shí)[J];控制理論與應(yīng)用;1994年06期

6 王秀峰;非線性系統(tǒng)辨識(shí)及其應(yīng)用[J];天津科技;1996年03期

7 黃自元,李力雄,費(fèi)敏銳;模糊規(guī)則在線提取及其在非線性系統(tǒng)辨識(shí)中的應(yīng)用[J];自動(dòng)化儀表;2001年10期

8 張?jiān)?鄭南寧,賈新春;基于支持向量回歸的非線性系統(tǒng)辨識(shí)[J];信息與控制;2003年05期

9 石宏理,蔡遠(yuǎn)利,邱祖廉;一種基于小波分解的非線性系統(tǒng)辨識(shí)的新方法[J];信息與控制;2004年05期

10 王軍;彭宏;肖建;;尺度核支持向量回歸的非線性系統(tǒng)辨識(shí)[J];系統(tǒng)仿真學(xué)報(bào);2006年09期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前5條

1 陳大慶;楊軍;周鳳歧;;基于神經(jīng)元網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)[A];1991年控制理論及其應(yīng)用年會(huì)論文集（上）[C];1991年

2 呂強(qiáng);郝繼紅;段運(yùn)波;許耀銘;;利用動(dòng)態(tài)RBF網(wǎng)絡(luò)的非線性系統(tǒng)辨識(shí)[A];1994中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1994年

3 榮海娜;張葛祥;張翠芳;;基于支持向量機(jī)的非線性系統(tǒng)辨識(shí)方法[A];中國自動(dòng)化學(xué)會(huì)、中國儀器儀表學(xué)會(huì)2004年西南三省一市自動(dòng)化與儀器儀表學(xué)術(shù)年會(huì)論文集[C];2004年

4 郝萬君;喬焰輝;強(qiáng)文義;;基于自適應(yīng)競爭聚類和OLS算法的非線性系統(tǒng)辨識(shí)[A];2009中國控制與決策會(huì)議論文集（1）[C];2009年

5 張濤;謝林柏;丁鋒;;輸出信號(hào)量化的雙率采樣Hammerstein非線性系統(tǒng)辨識(shí)[A];2009中國控制與決策會(huì)議論文集（1）[C];2009年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 高學(xué)輝;遲滯Hammerstein非線性系統(tǒng)辨識(shí)與控制[D];北京理工大學(xué);2016年

2 朱耀春;基于基因表達(dá)式編程技術(shù)的非線性系統(tǒng)辨識(shí)研究[D];華北電力大學(xué)（北京）;2008年

3 施建中;基于模糊聚類的非線性系統(tǒng)辨識(shí)研究[D];華北電力大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 薛瑞靜;非線性系統(tǒng)辨識(shí)在人體動(dòng)態(tài)平衡建模中的應(yīng)用[D];河北大學(xué);2015年

2 謝倩雯;改進(jìn)的極限學(xué)習(xí)機(jī)在辨識(shí)及分類中的應(yīng)用[D];北京化工大學(xué);2016年

3 杜寶慶;延遲系統(tǒng)控制及非線性系統(tǒng)辨識(shí)與仿真[D];曲阜師范大學(xué);2007年

4 田宏潔;基于粒子群方法的非線性系統(tǒng)辨識(shí)問題研究[D];西安電子科技大學(xué);2011年

5 孫建良;Hammerstein模型非線性系統(tǒng)辨識(shí)算法研究[D];浙江大學(xué);2013年

6 鄧楊;基于參數(shù)化時(shí)頻分析的非線性系統(tǒng)辨識(shí)[D];上海交通大學(xué);2014年

7 范偉;一類維納非線性系統(tǒng)辨識(shí)（Ⅰ）[D];江南大學(xué);2008年

8 楊韜;基于改進(jìn)人工蜂群算法的神經(jīng)網(wǎng)絡(luò)非線性系統(tǒng)辨識(shí)研究[D];西南交通大學(xué);2013年

9 張園園;基于聚類分析和LSSVM的非線性系統(tǒng)辨識(shí)[D];河南師范大學(xué);2014年

10 佘遠(yuǎn)俊;神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)辨識(shí)中的應(yīng)用[D];西南交通大學(xué);2005年

  本文關(guān)鍵詞：改進(jìn)的極限學(xué)習(xí)機(jī)在辨識(shí)及分類中的應(yīng)用

  更多相關(guān)文章： 極限學(xué)習(xí)機(jī) 準(zhǔn)線性 系統(tǒng)辨識(shí) 腦電信號(hào)分類 特征提取

，

本文編號(hào)：514169