检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

宽度学习系统增强方法的研究

宽度学习系统增强方法的研究

作者：吕树彬广东技术师范大学

学位级别：硕士

宽度学习系统是一种新型的神经网络框架,它依靠特征节点和增强节点的横向扩展实现性能的提升。因其快速求解的计算特性、增量学习的功能特性以及横向扩展的结构特性,宽度学习系统受到越来越多的研究人员的重视,目前已经被广泛应用于智... 详细信息

宽度学习系统是一种新型的神经网络框架,它依靠特征节点和增强节点的横向扩展实现性能的提升。因其快速求解的计算特性、增量学习的功能特性以及横向扩展的结构特性,宽度学习系统受到越来越多的研究人员的重视,目前已经被广泛应用于智能制造、医学数据分析、通信工程以及自然语言处理等多个领域。宽度学习系统的成功,与时下大数据对计算速度的要求有着密不可分的关系。但随着数据规模和复杂性的进一步扩大,宽度学习系统有限的建模能力将无法满足未来多样化任务场景的需求。本文主要针对增强宽度学习系统及其变体在表达能力、泛化能力和可解释性等方面的关键方法展开研究。在当前宽度学习系统的研究过程中,如何突破模型的精度瓶颈,增强模型的表达能力和泛化能力,是进一步提升模型有效性的关键。由于宽度学习系统的可扩展性,该模型的重要变体——模糊宽度学习系统,同样也存在类似的问题。并且由于模糊宽度学习系统引入了模糊子系统,因此除了上述问题之外,如何平衡模型的精度和推理能力,是当前模糊宽度学习系统发展的另一重要目标。综上所述,本文的研究问题和内容可以总结如下:（1）针对模糊宽度学习系统的增强层的贡献未知,参数组合次优的问题,提出一种基于多聚类的稀疏增强模糊宽度学习系统。模糊宽度学习系统在宽度学习系统的基础上嵌入了模糊子系统,多个子系统协同工作以提升模型的性能。然而,该模型的增强层使用随机映射,并没有为模型整体带来清晰而显著的增益。因此,本文提出一种基于主成分的稀疏自编码器,用于提取模型增强层的关键特征,同时重构因降维而损失的有效信息。此外,本文还通过探索模糊宽度学习系统的不同组件和参数,确定当前结构下的最优性能。实验结果表明,本文获得的不同模型组合可以进一步提升模糊宽度学习系统的精度,其中EPFCM-SEFBLS在Heart、Wine、Vehicle、WDBC和IS数据集上分别取得了91.43%、99.88%、87.84%、99.16%和95.18%的精度,这验证了所提出模型的有效性。（2）针对模糊宽度学习系统精度和推理能力难以权衡的问题,提出一种更为紧凑的混合模糊宽度学习系统。作为新型的神经模糊模型,模糊宽度学习系统相比于其他神经模糊模型拥有更多的模糊系统,因此显著增加了模糊规则的数量,导致模型面临模糊规则爆炸和模糊规则重复的问题。本文将深度学习中的关键方法引入模糊宽度学习系统,使用Dropout方法减少模糊规则和模糊子系统数量。同时设计了一种基于稀疏自编码器的注意力机制,用于提升模型的增强层有效性,以弥补模糊子系统因规则裁剪造成的性能下降的问题。最后,使用专家混合模型促进不同方法的融合与协调。实验结果表明,该模型能够较好的权衡精度和推理能力,同时提升泛化能力。（3）针对宽度学习系统建模能力有限的问题,提出一种基于稀疏多项式权重RBF神经网络级联的注意力宽度学习系统。当面对复杂而纠缠的数据时,要获得令人满意的性能结果是一项艰巨的任务。本文基于多项式RBF神经网络和注意力机制相关方法,对宽度学习系统的局部映射能力和特征层的表达能力进行增强。采用无监督训练和有监督训练的两阶段训练方法,以分步学习方式提升模型的泛化能力,并产生正则化效果。实验表明,所提出的神经网络框架是一种映射能力更强的宽度学习模型,可以在提升模型性能的同时,保持较为显著的抗噪鲁棒性。在70%椒盐噪声的Yale数据库上进行实验,所提出的模型依然可以取得70.67%的识别准确率,证明了模型抗噪的有效性。

关键词：宽度学习系统模糊宽度学习系统注意力机制稀疏自编码器 Dropout方法

基于宽度学习系统的气动波纹管驱动器无模型跟踪控制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

控制与决策 2024年第1期39卷 121-128页

作者：赵诗影闫泽孟庆鑫肖怀赖旭芝吴敏中国地质大学(武汉)自动化学院武汉430074 中国地址大学(武汉)复杂系统先进控制与智能自动化湖北省重点实验室武汉430074 中国地址大学(武汉)地球探测智能化技术教育部工程研究中心武汉430074

针对一款具有波纹管外形的充气伸长型气动软体驱动器(简称“气动波纹管驱动器”),提出一种基于宽度学习系统的无模型跟踪控制方法,使该驱动器有效跟踪期望轨迹.首先,介绍气动波纹管驱动器结构,以及气动波纹管驱动器整体实验平台工作原理... 详细信息

针对一款具有波纹管外形的充气伸长型气动软体驱动器(简称“气动波纹管驱动器”),提出一种基于宽度学习系统的无模型跟踪控制方法,使该驱动器有效跟踪期望轨迹.首先,介绍气动波纹管驱动器结构,以及气动波纹管驱动器整体实验平台工作原理.根据驱动器实时位置信息提出一种基于宽度学习系统的跟踪控制方法,受PID跟踪控制方法中积分项作用的启发,所提出控制方法不仅采用系统跟踪误差作为宽度学习系统的输入之一,还将跟踪误差对时间的积分项作为另一输入以消除期望轨迹与实际轨迹间的恒定偏差.然后,采用宽度学习系统计算得到控制气压,同时,利用基于梯度下降法的学习律在线调整宽度学习系统权值,进而减小驱动器跟踪误差.最后,通过实验验证所提出方法的有效性.所提出方法无需建立驱动器模型,能够简化控制器设计步骤,且与深度神经网络控制方法相比,能在避免计算量过大的前提下实现较高的跟踪控制精度.

关键词：气动软体驱动器气动波纹管驱动器软体机器人宽度学习系统无模型跟踪控制梯度下降

在线全文

学校读者我要写书评

暂无评论

宽度学习系统研究进展

计算机应用研究 2021年第8期38卷 2258-2267页

作者：任长娥袁超孙彦丽刘竹琳陈俊龙首都师范大学信息工程学院北京100048 华南理工大学计算机科学与工程学院广州510006

当数据规模庞大时,深度学习模型会遇到权重调整耗时,容易陷入局部最优解的问题。为了解决这些问题,宽度学习系统应运而生,宽度学习系统不仅结构简单、训练速度快、准确率高,而且还具有增量学习的优势。介绍了宽度学习系统的产生背景和... 详细信息

当数据规模庞大时,深度学习模型会遇到权重调整耗时,容易陷入局部最优解的问题。为了解决这些问题,宽度学习系统应运而生,宽度学习系统不仅结构简单、训练速度快、准确率高,而且还具有增量学习的优势。介绍了宽度学习系统的产生背景和发展历程,阐述了宽度学习系统的基础理论与实现方法,对比了它与深度网络的异同;介绍了宽度学习系统在图像分类、数值回归、脑电信号处理等应用中的改进算法,分析了这些算法的优势和不足。最后总结了现有宽度学习算法存在的缺陷,并对未来研究方向进行了展望。

关键词：宽度学习系统神经网络深度学习图像分类增量学习

基于EMD-AR与改进宽度学习系统的滚动轴承故障诊断方法

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2023年第22期43卷 8944-8954页

作者：于春雨张文韬张庆海陈佳伟欧阳福浩青岛理工大学机械与汽车工程学院山东省青岛市266520

滚动轴承内、外圈和滚动体的故障振动信号通常伴随噪声,并且频率不尽相同,同时具有非线性、非平稳性等特点,传统的滚动轴承故障诊断方法效率较低,且大多未考虑变负载、噪声情况。针对上述问题,提出基于经验模态分解自回归模型和改进的... 详细信息

滚动轴承内、外圈和滚动体的故障振动信号通常伴随噪声,并且频率不尽相同,同时具有非线性、非平稳性等特点,传统的滚动轴承故障诊断方法效率较低,且大多未考虑变负载、噪声情况。针对上述问题,提出基于经验模态分解自回归模型和改进的宽度学习系统(broad learning system,BLS)的滚动轴承故障诊断方法。首先,对滚动轴承振动信号进行经验模态分解(empirical mode decomposition,EMD),得到一组固有模态函数(intrinsic mode function,IMF);对每个IMF建立自回归(autoregressive model,AR)模型,求得AR模型参数和残差余项,以此作为各类状态信号的特征矩阵;将该特征矩阵输入至改进的BLS,判断滚动轴承的故障位置及故障尺寸,实现滚动轴承的故障诊断与定位;并将该方法应用于变负载、有噪声工况下滚动轴承故障诊断与定位。同时设计2种对比方法,并将所提方法与两种对比方法的预测结果进行比较,实验结果表明所提方法诊断识别能力更强,为变负载、有噪声工况下的滚动轴承故障诊断与定位提供参考。

关键词：滚动轴承旋转机械故障诊断故障特征提取宽度学习系统

在线全文

学校读者我要写书评

暂无评论

基于自编码器和超图的半监督宽度学习系统

电子学报 2022年第3期50卷 533-539页

作者：王雪松张翰林程玉虎地下空间智能控制教育部工程研究中心江苏徐州221116 中国矿业大学信息与控制工程学院江苏徐州221116

常规宽度学习系统(Broad Learning System,BLS)通常采用的线性稀疏特征提取方法难以对数据的复杂非线性特征进行有效表征.此外,当标记样本量较少时,BLS的泛化性能难以得到保证.为此,提出一种基于自编码器和超图的半监督宽度学习系统(Aut... 详细信息

常规宽度学习系统(Broad Learning System,BLS)通常采用的线性稀疏特征提取方法难以对数据的复杂非线性特征进行有效表征.此外,当标记样本量较少时,BLS的泛化性能难以得到保证.为此,提出一种基于自编码器和超图的半监督宽度学习系统(Autoencoder and Hypergraph-based Semi-supervised BLS,AH-SBLS).主要步骤为:首先,使用包括标记样本和无标记样本在内的全部样本训练自编码器,利用训练好的自编码器自动提取数据的复杂非线性特征;其次,将自编码器特征层中的特征作为AH-SBLS的特征节点并对其进行宽度拓展;然后,构造半监督超图以挖掘标记样本和无标记样本间的高阶流形关系,并将超图正则项引入宽度学习系统的目标函数中;最后,利用岭回归对目标函数进行求解,实现对无标记样本的类别预测.在图像分类实验上的结果表明,AH-SBLS能够实现半监督分类且获得较高的分类精度.

关键词：半监督宽度学习系统自编码器超图图像分类

基于Frobenius和L_(2,1)范数的多输出宽度学习系统

在线全文

学校读者我要写书评

暂无评论

控制与决策 2023年第10期38卷 2919-2924页

作者：褚菲卢新宇苏嘉铭王雪松马小平中国矿业大学人工智能研究院江苏徐州221116 中国矿业大学信息与控制工程学院江苏徐州221116

宽度学习系统(broad learning system,BLS)因其特征提取能力强、计算效率高而被广泛应用于众多领域.然而,目前BLS主要用于单输出回归,当BLS存在多个输出时,BLS无法有效发掘多个输出权重之间的相关性,会导致模型预测性能的下降.鉴于此,通... 详细信息

宽度学习系统(broad learning system,BLS)因其特征提取能力强、计算效率高而被广泛应用于众多领域.然而,目前BLS主要用于单输出回归,当BLS存在多个输出时,BLS无法有效发掘多个输出权重之间的相关性,会导致模型预测性能的下降.鉴于此,通过Frobenius和L_(2,1)矩阵范数的联合约束,提出多输出宽度学习系统(multi-output broad learning system,MOBLS).首先,在原有BLS的基础上构建新的目标函数,将L2损失函数替换为L_(2,1)形式,L_(2)正则化项替换为Frobenius和L_(2,1)两项;然后,利用交替方向乘子法(alternating direction method of multipliers,ADMM)对新目标函数BLS的输出权重优化求解.利用11个公共数据集和1个实际过程数据集验证了所提系统的有效性.

关键词：宽度学习系统多输出回归 Frobenius范数 L_(2,1)范数

基于M-estimator的鲁棒宽度学习系统

在线全文

学校读者我要写书评

暂无评论

控制与决策 2023年第4期38卷 1039-1046页

作者：郭威徐涛盐城师范学院江苏省心理与认知科学大数据重点建设实验室江苏盐城224002 盐城师范学院信息工程学院江苏盐城224002 南京航空航天大学计算机科学与技术学院南京210016

宽度学习系统(BLS)是最近提出的一种准确且高效的新兴机器学习算法,已在分类、回归等问题中展现出优越的学习性能.然而,传统BLS以最小二乘作为学习准则,易受到离群值的干扰从而生成不准确的学习模型.鉴于此,提出一种基于M-estimator的... 详细信息

宽度学习系统(BLS)是最近提出的一种准确且高效的新兴机器学习算法,已在分类、回归等问题中展现出优越的学习性能.然而,传统BLS以最小二乘作为学习准则,易受到离群值的干扰从而生成不准确的学习模型.鉴于此,提出一种基于M-estimator的鲁棒宽度学习系统(RBLS).与BLS不同,RBLS在学习模型中使用具有鲁棒特性的M-estimator代价函数替代传统的最小二乘代价函数,并采用拉格朗日乘子法和迭代加权最小二乘方法进行优化求解.在迭代学习过程中,正常样本和离群值样本将根据其训练误差的大小而被逆向赋予不同的权重,从而有效地抑制或消除离群值误差对学习模型的不利影响.实验结果表明,作为一种统一的鲁棒学习框架,RBLS可以融合使用不同的M-estimator加权策略,且能够取得更好的泛化性能和鲁棒性.

关键词：宽度学习系统离群值鲁棒性 M估计迭代加权最小二乘拉格朗日乘子法

基于压缩因子的宽度学习系统的虚拟机性能预测

在线全文

学校读者我要写书评

暂无评论

自动化学报 2022年第3期48卷 724-734页

作者：邹伟东夏元清北京理工大学自动化学院北京100081

在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性... 详细信息

在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点,通过引入压缩因子,构建基于压缩因子的宽度学习系统,使预测结果更逼近输出样本,能够减少BLS的冗余特征节点与增强节点,从而加快BLS的网络收敛速度,提高BLS的泛化性能.

关键词：虚拟机性能预测宽度学习系统压缩因子网络收敛速度泛化性能

基于AdaBoost集成加权宽度学习系统的不平衡数据分类

在线全文

学校读者我要写书评

暂无评论

计算机工程 2022年第4期48卷 99-105,112页

作者：王萌铎续欣莹阎高伟史丽娟郭磊太原理工大学电气与动力工程学院太原030024

宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通... 详细信息

宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通过迭代实现权重的动态更新,获得更符合数据特征的权重,提升集成模型对少数类的识别能力。基于KKT条件,对加权宽度学习系统的加权优化过程进行推导,验证了对角权重对BLS模型误差的抑制作用。在AdaBoost-WBLS模型集成初始化时,采用基于类别信息的初始化权值策略,使模型具有更高的集成训练效率。在集成权重更新时,不同数据类别采用不同的正则化更新方式,保留数据的类内特征并增加类间区分度。在实验过程中,对AdaBoost-WBLS模型的不同参数进行寻优,得到相关参数在有限范围内的最优取值。实验结果表明,AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力,并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点,明显提升了不平衡数据的识别能力。

关键词：宽度学习系统 AdaBoost模型不平衡数据加权宽度学习系统集成学习