混合神經網絡論文范文

本站小編為你精心準備了混合神經網絡論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

1混合神經網絡

1.1混合神經網絡的結構本文提出的混合神經網絡是在CC神經網絡的基礎上，在隱含層的生成中增加了乘算子的部分以提高神經網絡非線性辨識能力。乘算子和加算子結構上的自增長基本相互獨立，既保留了原CC神經網絡的優點，同時也使得乘算子的特點得到發揮。混合神經網絡的結構如圖3所示，網絡的隱含層由兩種不同類型的算子(乘算子和加算子)共同構成。這種混合隱含層根據構成的算子類型分為加法部分和乘法部分。通過相關性s來確定其中一個隱含層部分增加節點，加法部分采用級聯結構與原CC神經網絡相同，乘法部分采用單層結構避免其階數過高，最后兩個隱含層的輸出同時作為輸出節點的輸入進行輸出。

1.2引導型粒子群算法針對混合隱含層的結構、權值和閾值的求取,本文提出了一種新的引導型粒子群算法（GQPSOI）。GQPSOI通過控制粒子i和j之間的距離來保證粒子不會收斂得太快從而陷入局部極小值，同時根據各粒子p(i,:)和p(j,:)之間的距離D(i,j)以及粒子間平均距離D來計算淘汰度Ew決定淘汰粒子并對其進行量子化更新。

1.3混合神經網絡算法流程混合神經網絡的自增長過程如圖4所示。網絡增長的具體步驟如下。（1）網絡結構初始化。網絡中只有輸入層和輸出層，無隱含層，如圖4(a)所示。（2）使用GQPSOI算法訓練輸出權值。（3）對網絡性能進行判斷，如滿足要求，則算法結束，網絡停止增長，如圖4(d)所示，否則轉到下一步。（4）建立隱含層節點候選池(內含一個乘算子和一個加算子)，分別將候選隱含層節點代入網絡結構并使用GQPSOI算法以最大相關性原理訓練兩個候選節點，分別計算兩個候選節點與現有殘差Ep,o的相關性s。（5）選擇相關性s最大的候選節點，作為新的隱節點加入網絡結構，如圖4(b)、(c)所示，并固定新隱節點的輸入權值。轉移到步驟（2），對整個網絡的輸出權值進行調整。

2混合神經網絡網絡性能測試

2.1GQPSOI算法性能測試首先應用幾個經典函數[9]對GQPSOI算法的性能進行了評價，并將實驗結果與幾種常見的算法進行了對比。這些函數包括：F1（Sphere函數）、F2(Rosenbrock函數)、F3(Rastrigin函數)、F4(Griewank函數)、F5(Ackley函數)，評價函數的維數為10。經過30次獨立運行實驗，每次的函數評價次數（FEs）[12]為100000。表1給出了GQPSOI算法與離子群算法（PSO），遺傳算法（GA）以及差分進化法（DE）在30次獨立運行評價試驗中得到最優值的平均值和標準差。從表1中可以看出，在F2的實驗中GQPSOI算法在30次獨立運行中的平均值為7.746×10−12，這一結果明顯優于PSO算法的29.55和GA算法的97.19，略優于DE的2.541×10−11。從F1、F3、F4、F5的實驗結果也都可以看出GQPSOI算法明顯優于其他算法。實驗證明了GQPSOI算法的有效性和適用性，能夠應用于神經網絡的參數和結構調整。

2.2燃料電池的建模實驗

2.2.1基于燃料電池輸出電壓的模型質子交換膜燃料電池[13-15]作為一種高效的清潔能源，在過去的幾十年里取得了巨大的進展。在正常操作條件下，一片單電池可以輸出大約0.5～0.9V電壓。為了應用于實際能源供應，有可能需要將多片單電池串聯在一起。具有級聯結構的質子交換膜燃料電池實驗裝置如圖5所示。從圖5可以看出，電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓。將混合神經網絡用于質子交換膜燃料電池的軟測量建模，選用電池引出電流I，電池溫度T，H2和O2壓力PH2和PO2會影響電池電壓的變量作為輸入變量。將56片單電池的串聯輸出電壓作為其輸出，模型的目標函數取實際輸出值與模型輸出值得均方根誤差(使其最小)。混合神經網絡中加法部分以及輸出層的神經元傳遞函數采用S型函數，GQPSOI算法中設置種群數30，最大迭代步長為1000，引導粒子起作用的概率設置為2%。圖6為5kW質子交換膜燃料電池堆的實驗裝置。該實驗系統采用增濕器與電池堆分體設置，參數檢測采用傳感器-直讀式儀表方式，氣體和水的流量測量采用轉子流量計，電堆采用電阻負載，可直接測量電堆的輸出電流、電壓或功率。電池堆參數見表2。

2.2.2結果與分析實驗條件如表3所示。取燃料電池裝置輸出的前100個值作為訓練樣本，后100個值作為測試樣本。分別用CC神經網絡，CC-GQPSOI和混合神經網絡進行訓練，當訓練目標函數小于0.1或最大隱含層節點數達到30時網絡停止增長，訓練結束。表4給出了其最大相對誤差和均方根誤差的對比。圖7顯示了最終訓練預測數據與輸出數據之間的對比。從表4可以看出CC-GQPSOI和混合神經網絡分別在隱含層節點數為4和6時達到訓練要求，相較于CC神經網絡的30個隱含層節點具有較小的網絡結構。同時CC-GQPSOI和混合神經網絡的均方根誤差(3.0723×10−2和3.8606×10−2)也相較于CC神經網絡的均方根誤差(1.0354)具有更高的精度。從圖8和圖9的泛化結果來看，混合神經網絡的預測誤差保持在0.7以內，相對誤差(絕對誤差與被測量真值之比)保持在1.25%以內。CC-GQPSOI的誤差在1以內。相對誤差保持在3%以內。從實驗結果可以看出，混合神經網絡可以精確地預測出燃料電池裝置的輸出，反映了實際工況，具有良好的應用前景。

3結論

本文提出了一種新的自增長混合神經網絡的建模方法。利用該方法對燃料電池進行了建模，結果證明了該方法的有效性。混合神經網絡充分的利用了乘算子的優勢，提高了神經網絡的精確度并精簡了網絡結構。GQPSOI算法也體現了自身在尋找全局最優值方面的價值。隱節點的選取及GQPSOI算法的簡化是下一步努力的目標。

作者：李大字劉方靳其兵單位：北京化工大學信息科學與技術學院