检索结果-维普期刊中文期刊服务平台

针对大规模数据的随机权值前馈神经网络模型优化: 1; 作者黄婷婷冯锋《计算机应用与软件》北大核心 2023年第3期302-307,共6页; 具有随机权值的前馈神经网络(FNNRWs)因其在大规模数据集处理中的潜能而受到广泛的关注。在具有随机权值的前馈神经网络的基础之上,将大规模数据分为大小相同的子集,每个子集派生出相应的子模型。根据激活函数计算出输入权值和偏置的最... 展开更多; 关键词具有随机权值的前馈神经网络大规模数据神经网络学习算法权值优化; 在线阅读下载PDF 职称材料

随机权神经网络研究现状与展望被引量：11: 2; 作者乔俊飞李凡军杨翠丽《智能系统学报》 CSCD 北大核心 2016年第6期758-767,共10页; 神经网络随机学习克服了传统梯度类算法所固有的收敛速度慢及局部极小问题,最近已成为神经网络领域的研究热点之一。基于随机学习的思想,人们设计了不同结构的随机权神经网络模型。本文旨在回顾总结随机权神经网络的研究现状基础上,给... 展开更多; 关键词随机权神经网络前馈神经网络递归神经网络级联神经网络随机学习算法; 在线阅读下载PDF 职称材料

基于多尺度卷积神经网络和LBP算法的浮选工况识别被引量：4: 3; 作者蒋小平刘俊威 +2 位作者王乐乐雷震彬胡明振《矿业科学学报》 CSCD 2023年第2期202-212,共11页; 针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺-度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K RV-FLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet... 展开更多; 关键词图像处理卷积神经网络非下采样Shearlet变换局部二值模式随机权神经网络; 在线阅读下载PDF 职称材料

奇异值分解下在线鲁棒正则化随机网络: 4; 作者于洋邓瑞 +1 位作者余刚庞新富《控制理论与应用》 EI CAS CSCD 北大核心 2024年第3期407-415,共9页; 在线鲁棒随机权神经网络(OR-RVFLN)具有较好的逼近性、较快的收敛速度、较高的鲁棒性能以及较小的存储空间.但是,OR-RVFLN算法计算过程中会产生矩阵的不适定问题,使得隐含层输出矩阵的精度较低.针对这个问题,本文提出了奇异值分解下在... 展开更多; 关键词随机权神经网络正则化奇异值分解磨矿过程磨矿粒度; 在线阅读下载PDF 职称材料

题名针对大规模数据的随机权值前馈神经网络模型优化: 1; 作者黄婷婷冯锋; 机构宁夏大学信息工程学院; 出处《计算机应用与软件》北大核心 2023年第3期302-307,共6页; 基金宁夏重点研发计划重点项目(2018BFG02003)。; 文摘具有随机权值的前馈神经网络(FNNRWs)因其在大规模数据集处理中的潜能而受到广泛的关注。在具有随机权值的前馈神经网络的基础之上,将大规模数据分为大小相同的子集,每个子集派生出相应的子模型。根据激活函数计算出输入权值和偏置的最优取值范围,输入权值和偏置在该范围中随机产生,采用迭代的方式来评估输出权值。在UCI标准数据集上的实验结果表明,该算法对处理大规模数据集具有很好的应用效果。; 关键词具有随机权值的前馈神经网络大规模数据神经网络学习算法权值优化; Keywords Feedforward neural network with random weights Large scale data Neural network Learning algorithm Weight optimization; 分类号 TP3 [自动化与计算机技术—计算机科学与技术]; 在线阅读下载PDF 职称材料

题名随机权神经网络研究现状与展望被引量：11: 2; 作者乔俊飞李凡军杨翠丽; 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济南大学数学科学学院; 出处《智能系统学报》 CSCD 北大核心 2016年第6期758-767,共10页; 基金国家自然科学基金项目(61533002 61603012) +2 种基金 KZ201410005002); 文摘神经网络随机学习克服了传统梯度类算法所固有的收敛速度慢及局部极小问题,最近已成为神经网络领域的研究热点之一。基于随机学习的思想,人们设计了不同结构的随机权神经网络模型。本文旨在回顾总结随机权神经网络的研究现状基础上,给出其发展趋势。首先,提出随机权神经网络简化模型,并基于简化模型给出神经网络随机学习算法;其次,回顾总结随机权神经网络研究现状,基于简化模型分析不同结构随机权神经网络的性能及随机权初始化方法;最后,给出随机权神经网络今后的发展趋势。; 关键词随机权神经网络前馈神经网络递归神经网络级联神经网络随机学习算法; Keywords neural network with random weights feedforward neural network recurrent neural network cascade neural network randomized learning algorithm; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于多尺度卷积神经网络和LBP算法的浮选工况识别被引量：4: 3; 作者蒋小平刘俊威王乐乐雷震彬胡明振; 机构中国矿业大学(北京)机电与信息工程学院广西华锡集团股份有限公司; 出处《矿业科学学报》 CSCD 2023年第2期202-212,共11页; 文摘针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺-度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K RV-FLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特-征的方法提高了3.76%,结合K RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。; 关键词图像处理卷积神经网络非下采样Shearlet变换局部二值模式随机权神经网络; Keywords image processing convolutional neural networks non-downsampled shearlet transform local binary mode random vector functional-link networks; 分类号 TD982 [矿业工程—选矿] TD981 [矿业工程—选矿]; 在线阅读下载PDF 职称材料

题名奇异值分解下在线鲁棒正则化随机网络: 4; 作者于洋邓瑞余刚庞新富; 机构沈阳航空航天大学自动化学院矿冶过程自动控制技术国家重点实验室矿冶自动控制技术北京市重点实验室沈阳工程学院自动化学院; 出处《控制理论与应用》 EI CAS CSCD 北大核心 2024年第3期407-415,共9页; 基金矿冶过程自动控制技术国家重点实验室、矿冶过程自动控制技术北京市重点实验室项目(BGRIMM–KZSKL–2021–03) 国家自然科学基金项目(61773269) 辽宁省自然科学基金项目(2021–BS–189)资助.; 文摘在线鲁棒随机权神经网络(OR-RVFLN)具有较好的逼近性、较快的收敛速度、较高的鲁棒性能以及较小的存储空间.但是,OR-RVFLN算法计算过程中会产生矩阵的不适定问题,使得隐含层输出矩阵的精度较低.针对这个问题,本文提出了奇异值分解下在线鲁棒正则化随机网络(SVD-OR-RRVFLN).该算法在OR-RVFLN算法的基础上,将正则化项引入到权值的估计中,并且对隐含层输出矩阵进行奇异值分解;同时采用核密度估计(KDE)法,对整个SVD-OR-RRVFLN网络的权值矩阵进行更新,并分析了所提算法的必要性和收敛性.最后,将所提的方法应用于Benchmark数据集和磨矿粒度的指标预测中,实验结果证实了该算法不仅可以有效地提高模型的预测精度和鲁棒性能,而且具有更快的训练速度.; 关键词随机权神经网络正则化奇异值分解磨矿过程磨矿粒度; Keywords random vector functional link network regularization singular value decomposition grinding process grinding particle size; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	针对大规模数据的随机权值前馈神经网络模型优化	黄婷婷冯锋	《计算机应用与软件》北大核心	2023	0	在线阅读下载PDF 职称材料
2	随机权神经网络研究现状与展望	乔俊飞李凡军杨翠丽	《智能系统学报》 CSCD 北大核心	2016	11	在线阅读下载PDF 职称材料
3	基于多尺度卷积神经网络和LBP算法的浮选工况识别	蒋小平刘俊威王乐乐雷震彬胡明振	《矿业科学学报》 CSCD	2023	4	在线阅读下载PDF 职称材料
4	奇异值分解下在线鲁棒正则化随机网络	于洋邓瑞余刚庞新富	《控制理论与应用》 EI CAS CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料