极限学习机结构自组织的研究与应用
随着人工智能技术的兴起和发展，人工神经网络算法被广泛应用于数据挖掘、模式识别、图像检测、人脸识别等领域，并且在建模分析中取得了非常不错的效果。极限学习机（ExtremeLearningMachine）是一种典型的单隐层前馈神经网络，由于极限学习机随机确定初始权值和阈值，只要合理设置隐含层节点数，便能拥有较快的运行速度和较低的计算复杂度，以及良好的泛化性能。极限学习机的隐含层节点数需要根据经验确定，不同的节点数对建模结果影响较大。以及随机确定输入层到隐含层权值和阈值，也会影响模型的稳定性。因此，本文提出了一种新的自组织神经网络SO-CSLN(self-organizingcosinesimilaritylearningnetwork)算法，可以自组织确定隐含层节点数并获得稳定的结构。 本文所做的研究内容如下: 1.针对极限学习机的隐含层节点数依赖于经验确定，不同的隐含层节点数对结果影响较大的问题。本文基于中心极限定理的研究成果，根据样本自组织确定极限学习机网络隐含层节点数，实验结果证明了该方法可以较为准确的确定最佳隐含层节点数。 2.针对极限学习机随机产生输入层与隐含层节点数，造成的极限学习机性能不稳定的问题。基于信息熵和余弦相似定理，优化输入层到隐含层，隐含层到输出层的权值设定，优化极限学习机的网络结构。并在不同的UCI数据集上进行验证其准确性和有效性，将新提出的SO-CSLN算法与传统的极限学习机、BP相比，新提出的SO-CSLN具有回归和分类精度更高，泛化能力更强的优点。 3.将本文所提出的SO-CSLN算法应用于石化行业乙烯生产的生产预测模型的构建。实验结果表明了该方法的有效性和实用性。同时可用于指导乙烯生产，提高能源利用率。 4.设计并开发了基于B/S架构的化工生产建模与分析原型系统，对化工数据可视化展示，并进行预测、分类建模。
自组织神经网络;极限学习机;乙烯生产;可视化展示;隐含层节点数
北京化工大学
硕士
计算机科学与技术
耿志强
2018
中文
TP183
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）