-
题名一种改进的在线自适应模块化神经网络
被引量：2
- 1
-
-
作者
郭鑫
李文静
乔俊飞
-
机构
北京工业大学信息学部
计算智能与智能系统北京市重点实验室
-
出处
《控制与决策》
EI
CSCD
北大核心
2020年第7期1597-1605,共9页
-
基金
国家自然科学基金项目(61533002,61603009)
北京市自然科学基金项目(4182007)
北京工业大学日新人才计划项目(2017-RX(1)-04)。
-
文摘
针对在线模块化神经网络难以实时有效划分样本空间,提出一种改进的在线自适应模块化神经网络.首先,基于距离与密度实时更新样本局部密度及RBF神经元中心,实现样本空间在线划分;然后,将子网络模块数根据划分样本空间的个数进行自适应增减,每个子网络模块对属于对应样本空间的样本进行学习;最后,集成模块对子网络模块的输出结果进行集成,输出最终结果.针对在线梯度下降法要求样本有足够的随机性问题,提出一种具有固定记忆的在线梯度下降法对网络进行在线学习.通过对典型非线性时变系统及污水处理过程中出水氨氮浓度进行预测,验证了该模块化神经网络能够实时有效地更新RBF神经元中心,并减少学习过程中子网络模块不必要的增减,且网络结构更加简洁,能够准确预测不同的时变系统.
-
关键词
自适应
模块化神经网络
局部密度
固定记忆
在线梯度下降
时变系统
-
Keywords
self-adaption
modular neural network
local density
fixed memory
online gradient descent
time-varying
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名混合超记忆梯度法多尺度全波形反演
被引量：1
- 2
-
-
作者
胡勇
韩立国
张盼
白璐
张天泽
-
机构
吉林大学地球探测科学与技术学院
-
出处
《石油物探》
EI
CSCD
北大核心
2016年第4期559-567,605,共10页
-
基金
国家高技术研究发展计划(863计划)项目(2014AA06A605)资助~~
-
文摘
超记忆梯度类优化算法具有全局收敛性和超线性收敛速度,计算内存需求小,适合求解大规模无约束优化问题。将超记忆梯度类优化算法应用到全波形反演中,结合超记忆梯度类方法优点,提出混合超记忆梯度法全波形反演策略,并给出详细的实施流程。数值试算结果表明,混合超记忆梯度法优于共轭梯度法。含不同强度噪声的地震数据及不同精度初始模型的反演结果表明,混合超记忆梯度法反演精度较高。反演效率分析结果表明,混合超记忆梯度法反演耗时较短,证明了该混合策略在全波形反演应用中有一定的优势。
-
关键词
全波形反演
共轭梯度法
超记忆梯度法
固定步长超记忆梯度法
混合超记忆梯度法
-
Keywords
full waveform inversion
conjugate gradient method
super memory gradient method
fixed step length super memory gradient method
hybrid super memory gradient method
-
分类号
P631
[天文地球—地质矿产勘探]
-
