本文關鍵詞：改進的極限學習機在辨識及分類中的應用

  更多相關文章： 極限學習機 準線性 系統(tǒng)辨識 腦電信號分類 特征提取

【摘要】：隨著神經(jīng)網(wǎng)絡研究的深入,前饋神經(jīng)網(wǎng)絡收斂速度慢,參數(shù)難以調節(jié),過擬合等缺點限制了進一步的應用。針對上述問題,論文圍繞極限學習機對神經(jīng)網(wǎng)絡研究中常見的辨識和分類問題,展開研究。針對非線性系統(tǒng)辨識問題以及癲癇腦電信號非線性分類問題提出改進的新方法。論文主要研究成果如下：1、提出準線性極限學習機辨識算法利用ARX線性結構和極限學習機收斂速度快的優(yōu)點,設計準線性極限學習機辨識方法用于非線性系統(tǒng)辨識。Huang等人已經(jīng)證明隨著隱含層節(jié)點不斷增加,可以獲得最小的訓練誤差。但是隨著隱含層節(jié)點數(shù)的增加,輸出層權值會逐漸變小,所以很多節(jié)點對最終結果并無影響,屬于“無用節(jié)點”,反而增加運算復雜度。因此,為了降低網(wǎng)絡的復雜度,本文提出一種準線性辨識結構,使用一種宏觀線性方程嵌套非線性系數(shù)的表達方式,表示系統(tǒng)的輸入輸出關系,使用線性與非線性部分迭代辨識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)點個數(shù),簡化網(wǎng)絡結構,使得收斂速度增加。通過大量對比實驗和分析,證明了該辨識方法具有很好的辨識精度。2、提出準線性極限學習機算法內(nèi)�？刂苹谏鲜鎏岢龅臏示�性極限辨識方法,建立準線性內(nèi)模模型和逆模模型控制器。由于準線性極限學習機的辨識精度高,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,準確的建模效果,使得控制效果明顯,可以達到無穩(wěn)態(tài)偏差的定值控制,魯棒性能強。3、提出混合乘性節(jié)點極限學習機分類器針對非線性癲癇腦電信號分類問題,提出一種混合乘性節(jié)點極限學習機分類器,在傳統(tǒng)極限學習機節(jié)點中加入乘性節(jié)點,增加網(wǎng)絡的非線性表達。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以及奇異值分解相結合,將提取出的特征作為分類器輸入,特征提取算法能夠準確的提取出信號特征降低信息損失和空間維數(shù)�；旌铣诵怨�(jié)點分類器增加了極限學習機隱含層的表達,將其微小差別映射到更高維空間表現(xiàn)出來,對比傳統(tǒng)極限學習機,可以達到更高的分類精度。最后論文針對全文的研究成果進行總結,提出研究的進一步展望。
【關鍵詞】：極限學習機 準線性 系統(tǒng)辨識 腦電信號分類 特征提取
【學位授予單位】：北京化工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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16-20
• 1.2.1 神經(jīng)網(wǎng)絡與非線性系統(tǒng)辨識18-19
• 1.2.2 神經(jīng)網(wǎng)絡與內(nèi)�？刂�19-20
• 1.3 腦電信號的特點與特征提取方法20-23
• 1.3.1 癲癇腦電信號的特征提取方法21-22
• 1.3.2 神經(jīng)網(wǎng)絡與癲癇腦電信號分類22-23
• 1.4 本論文主要研究內(nèi)容及創(chuàng)新23-25
• 第二章 極限學習機理論及方法25-31
• 2.1 引言25
• 2.2 極限學習機的基本理論25-27
• 2.3 極限學習機的優(yōu)缺點及改進27-28
• 2.4 極限學習機研究現(xiàn)狀28-29
• 2.5 本章小結29-31
• 第三章 基于準線性極限學習機的非線性系統(tǒng)辨識31-41
• 3.1 引言31
• 3.2 基于準線性極限學習機的非線性系統(tǒng)辨識31-34
• 3.2.1 準線性極限學習機模型31-33
• 3.2.2 準線性極限學習機辨識算法33-34
• 3.3 實驗結果與分析34-39
• 3.3.1 數(shù)字實驗34-36
• 3.3.2 CSTR過程36-39
• 3.4 小結39-41
• 第四章 基于準線性極限學習機的內(nèi)�？刂�41-53
• 4.1 引言41
• 4.2 內(nèi)�？刂聘攀�41-42
• 4.3 基于準線性極限學習機的內(nèi)�？刂圃碓O計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 實驗結果與分析45-51
• 4.5 小結51-53
• 第五章 基于乘性節(jié)點極限學習機的腦電信號分類53-75
• 5.1 引言53
• 5.2 實驗數(shù)據(jù)53-54
• 5.3 基于乘性節(jié)點極限學習機的腦電信號分類器54-56
• 5.4 腦電信號的特征提取56-64
• 5.4.1 腦電信號特征提取方法56-57
• 5.4.2 離散小波變換57-59
• 5.4.3 相空間重構59-62
• 5.4.4 協(xié)方差矩陣和奇異值分解62-64
• 5.5 實驗結果與分析64-74
• 5.5.1 準備工作64-65
• 5.5.2 分類結果65-74
• 5.6 本章小結74-75
• 第六章 結論與展望75-77
• 6.1 研究成果總結75-76
• 6.2 后續(xù)工作展望76-77
• 參考文獻77-83
• 致謝83-85
• 研究成果及發(fā)表的學術論文85-87
• 作者和導師簡介87-88
• 附件88-89

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

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

2 萬峰;孫優(yōu)賢;;非線性系統(tǒng)辨識中模糊模型參數(shù)收斂問題的進一步研究[J];自動化學報;2007年01期

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

4 張蓉;馮斌;;更有效的非線性系統(tǒng)辨識新方法[J];計算機工程與設計;2008年16期

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

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

7 黃自元,李力雄,費敏銳;模糊規(guī)則在線提取及其在非線性系統(tǒng)辨識中的應用[J];自動化儀表;2001年10期

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

9 石宏理,蔡遠利,邱祖廉;一種基于小波分解的非線性系統(tǒng)辨識的新方法[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[J];系統(tǒng)仿真學報;2006年09期

中國重要會議論文全文數(shù)據(jù)庫 前5條

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

2 呂強;郝繼紅;段運波;許耀銘;;利用動態(tài)RBF網(wǎng)絡的非線性系統(tǒng)辨識[A];1994中國控制與決策學術年會論文集[C];1994年

3 榮海娜;張葛祥;張翠芳;;基于支持向量機的非線性系統(tǒng)辨識方法[A];中國自動化學會、中國儀器儀表學會2004年西南三省一市自動化與儀器儀表學術年會論文集[C];2004年

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

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

中國博士學位論文全文數(shù)據(jù)庫 前3條

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

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

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

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 薛瑞靜;非線性系統(tǒng)辨識在人體動態(tài)平衡建模中的應用[D];河北大學;2015年

2 謝倩雯;改進的極限學習機在辨識及分類中的應用[D];北京化工大學;2016年

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

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

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

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

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

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

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

10 佘遠俊;神經(jīng)網(wǎng)絡在非線性系統(tǒng)辨識中的應用[D];西南交通大學;2005年

  本文關鍵詞：改進的極限學習機在辨識及分類中的應用

  更多相關文章： 極限學習機 準線性 系統(tǒng)辨識 腦電信號分類 特征提取

，

本文編號：514169