学位论文 > 优秀研究生学位论文题录展示
神经网络的优化与用于优化的神经网络
作 者: Atlas Khan
导 师: 吴微
学 校: 大连理工大学
专 业: 计算数学
关键词: 神经网络 基于自组织映射的优化算法 双并联前馈神经网络的算法 极端学习机 L1/2正则化算法
分类号: TP183
类 型: 博士论文
年 份: 2013年
下 载: 487次
引 用: 0次
阅 读: 论文下载
内容摘要
本文研究用于求解优化问题的神经网络以及神经网络本身的优化。对于前一问题,我们考虑一种用于连续优化问题的无监督神经网络算法SOMO,给出一种改进方案.对于后一问题,我们考察由一个单层和一个多层前馈神经网络的并行连接而成的双并联前馈神经网络(DPFNN),研究其基于极端学习机(ELM)及L1/2的权值正则化。本文第一章介绍SOM、SOMO、DPFNN神经网络以及ELM算法。在第二章,我们研究SOMO算法。由Kohonen提出的自组织映射神经网络(SOM)被广泛用在信息科学领域。特别地,Mu-Chun Su等研究者提出了一种SOMO算法。这种算法是通过一种竞争学习过程来找到一个获胜单元,而这个获胜单元代表了目标函数的最小值。在这章中,我们通过使用m个胜利单元把SOMO算法推广到ISOMO-m算法。数值实验表明,当m>1时,对于寻找函数的最小值问题,SOMO-m算法比基于SOM的优化算法(SOMO)收敛得更快。更重要的是,当m>1时,SOMO-m算法可以在一步学习迭代过程中同时寻找2个或者更多个最小值,而原始的基于SOM的优化算法(SOMO)要通过2次或者更多次重新开始学习迭代过程来完成这个相同的任务,效率较低。在第三章,我们研究了最大最小SOMO算法。在这章中,我们把SOMO算法推广到最大最小SOMO算法。这种算法可以同时找到2个胜利单元,其中一个胜利单元代表目标函数最小值,另外一个代表目标函数最大值。数值实验表明,当我们对目标函数的最大最小值都感兴趣时,最大最小SOMO算法比普通SOMO算法效率更高。在第四章,我们给出了基于SOM的优化算法(SOMO)的收敛性分析。更具体地,对于SOMO神经网络,我们在一定条件下证明了其神经元在每步迭代之后会变得越来越近,最后收敛到一点,并且每步迭代之后胜利单元的函数值也是下降的。在第五章,对于DPFNN,我们提出了基于ELM及L1/2正则化的一种学习机制。对于带有单隐层的前馈神经网络,ELM作为一种快速学习算法被广泛使用。对于ELM算法,一个重要问题是隐层单元数目的选择。为了解决这个问题,我们把近来流行的L1/2正则化和极端学习机(ELM)结合起来,使得隐单元数目以自组织方式大为减小,同时网络的推广精度有所提高。
|
全文目录
摘要 4-5 Abstract 5-7 CONTENTS 7-10 CHINESE CONTENTS 10-12 List of figures 12-13 List of tables 13-14 1 Introduction 14-48 1.1 Neural networks 14 1.2 Models of a neuron 14-15 1.3 Types of neural networks 15-16 1.3.1 Single layer feedforward neural network 15-16 1.3.2 Multi layer feedforward neural network 16 1.3.3 Recurrent network 16 1.4 Learning proces 16-20 1.4.1 Error-correction learning 17-18 1.4.2 Supervised learning 18 1.4.3 Unsupervised learning 18-20 1.5 Learning tasks 20-22 1.5.1 Pattern recognition 20-21 1.5.2 Function approximation 21-22 1.6 Self Organizing Map (SOM) 22-27 1.7 SOM-based Optimization (SOMO) 27-32 1.8 Regularization methods 32-34 1.9 L_(1/2) Regularization algorithm 34-35 1.10 Double Parallel Feedforward Neural Network (DPFNN) 35-36 1.11 Extreme Learning Machine (ELM) 36-42 1.12 Regularized Extreme Learning Machine (ELM) 42-48 1.12.1 A Methodology for Building Regression Models using ELM: OP-ELM 42-43 1.12.2 A double-regularized ELM using LARS and Tikhonov regularization 43 1.12.3 Pruned-ELM (P-ELM) 43-44 1.12.4 Evolutionary Extreme Learning Machine (E-ELM) 44-46 1.12.5 Regularized Least-Squares Extreme Learning Machine (RLS-ELM) 46-48 2 SOMO-m Optimization with Multiple Winners 48-57 2.1 Introduction 48 2.2 SOMO-m for finding one minimum 48-50 2.3 SOMO-2 for two minima 50-51 2.4 Simulation results 51-57 2.4.1 Objective functions 51 2.4.2 Parameters of simulation 51-52 2.4.3 Simulations of SOMO-m for one minimum 52-54 2.4.4 Simulations of SOMO-2 for two minima 54-57 3 MaxMin-SOMO Algorithm 57-63 3.1 Introduction 57 3.2 MaxMin-SOMO 57-59 3.3 Simulation results 59-63 3.3.1 Objective functions 59 3.3.2 Parameters of simulation 59 3.3.3 Discussions 59-63 4 Convergence of the SOM-based Optimization (SOMO) by Using a Specific Distance Measure 63-75 4.1 Introduction 63 4.2 Convergence of SOMO 63-70 4.3 Experimental results 70-75 4.3.1 Example 1 70 4.3.2 Objective functions 70-71 4.3.3 Parameters of simulation 71 4.3.4 Discussion 71-72 4.3.5 Example 2: Neural network training problem for the XOR data set 72-75 5 Double Parallel Feedforward Neural Network Based on the Extreme Learning Machine with L_(1/2) Regularizer 75-82 5.1 Introduction 75-76 5.2 DPFNN based on ELM with L_(1/2):regularization 76-77 5.3 Performance evaluation 77-82 5.3.1 Example 1:Parity problem 77-78 5.3.2 Example 2:A real world prediction problem 78-82 6 The Summarize and Prospect 82-84 Innovations 84-85 References 85-92 The Papers Published as a P.H 92-94 Thanks 94-96 Author Introduction 96-98
|
相似论文
- 天然气脱酸性气体过程中物性研究及数据处理,TE644
- 压气机优化平台建立与跨音速压气机气动优化设计,TH45
- 调频式电容位移传感器高速测频与非线性校正技术研究,TH822
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 红外超光谱图像的虚拟探测器研究,TP391.41
- 模糊控制、神经网络在平面二级倒立摆中的应用,TP273.4
- 基于神经网络的水厂投药预测控制研究,TP273.1
- 视觉伺服四自由度机械臂的研究,TP242.6
- 机械臂视觉伺服系统的研究,TP242.6
- 压电驱动微工作台的控制与校正技术研究,TP273
- 某武器检测装置的控制系统设计,TP183
- 市级旅游用地规划环境影响评价研究,X820.3
- 珠三角地区高性能混凝土配合比智能化系统,TU528
- 大学生综合素质测评研究,G645.5
- 不具备全局Lipschitz条件的时滞细胞神经网络的反周期解研究,TP183
- 基于并行算法的模糊综合评价模型的设计与应用,TP18
- 基于神经网络的牡蛎呈味肽制备及呈味特性研究,TS254.4
- 基于神经网络辨识的同步发电机励磁控制研究,TM31
- 基于BP神经网络的水稻干燥智能控制研究,S226.6
- 基于遗传算法优化的BP网络对生物柴油制备工艺的优化,TE667
- 海上平台消防系统研究,U698.4
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 人工神经网络与计算
© 2012 www.xueweilunwen.com
|