计算机工程与科学
計算機工程與科學
계산궤공정여과학
COMPUTER ENGINEERING & SCIENCE
2015年
5期
974-978
,共5页
K-均值%聚类分析%广义回归神经网络%神经网络集成%过程模拟
K-均值%聚類分析%廣義迴歸神經網絡%神經網絡集成%過程模擬
K-균치%취류분석%엄의회귀신경망락%신경망락집성%과정모의
K-means%clustering analysis%general regression neural network%neural network ensemble%process simulation
随着工业生产规模扩大、生产过程日趋复杂,人们对过程模拟提出了更高的要求.提出一种基于改进聚类分析的神经网络集成方法.首先,根据数据密度分布,改进传统K-均值聚类分析中初始中心点选取的不足,对样本进行分类,扩大样本间的差异性;第二,运用具有快速学习能力的广义回归神经网络算法对各类样本建立个体神经网络并进行训练;第三,对所有样本增加构造补偿神经网络,进行误差补偿,以消除由于选择错误造成的输出误差;最后,根据计算得到的聚类中心对输入样本进行数值分析,选择输出个体神经网络,并与构造的补偿网络输出进行比较,最终实现神经网络集成.通过人工数据Sinc验证模型,此方法有效提高了模型精度,对提高过程模拟准确性提供了新途径.
隨著工業生產規模擴大、生產過程日趨複雜,人們對過程模擬提齣瞭更高的要求.提齣一種基于改進聚類分析的神經網絡集成方法.首先,根據數據密度分佈,改進傳統K-均值聚類分析中初始中心點選取的不足,對樣本進行分類,擴大樣本間的差異性;第二,運用具有快速學習能力的廣義迴歸神經網絡算法對各類樣本建立箇體神經網絡併進行訓練;第三,對所有樣本增加構造補償神經網絡,進行誤差補償,以消除由于選擇錯誤造成的輸齣誤差;最後,根據計算得到的聚類中心對輸入樣本進行數值分析,選擇輸齣箇體神經網絡,併與構造的補償網絡輸齣進行比較,最終實現神經網絡集成.通過人工數據Sinc驗證模型,此方法有效提高瞭模型精度,對提高過程模擬準確性提供瞭新途徑.
수착공업생산규모확대、생산과정일추복잡,인문대과정모의제출료경고적요구.제출일충기우개진취류분석적신경망락집성방법.수선,근거수거밀도분포,개진전통K-균치취류분석중초시중심점선취적불족,대양본진행분류,확대양본간적차이성;제이,운용구유쾌속학습능력적엄의회귀신경망락산법대각류양본건립개체신경망락병진행훈련;제삼,대소유양본증가구조보상신경망락,진행오차보상,이소제유우선택착오조성적수출오차;최후,근거계산득도적취류중심대수입양본진행수치분석,선택수출개체신경망락,병여구조적보상망락수출진행비교,최종실현신경망락집성.통과인공수거Sinc험증모형,차방법유효제고료모형정도,대제고과정모의준학성제공료신도경.
