时变过程神经元网络模型及动态预测应用

"一种过程神经元网络模型及其在动态预测中的应用 (2008年)，作者：刘显德、刘立伟、许少华、周继，发表于《大庆石油学院学报》，该研究提出了一种新型的过程神经元网络模型，适用于非线性动态系统的时变信号预测。网络模型的输入和输出以及连接权重都可以是时变函数，能够体现空间和时间上的聚合效应。通过学习函数基展开和LMS（最小均方）学习算法，网络可以识别动态系统的特性并进行有效预测。仿真结果证实了模型和算法的效能。" 本文主要探讨了非线性动态系统预测问题的解决方案，提出了一种创新的过程神经元网络模型。传统的神经网络模型通常基于MP神经元模型，处理时变信号时需要将其离散化，这在某种程度上限制了它们对动态系统表现的精确模拟。然而，新提出的模型克服了这一限制，允许输入和输出信号以及连接权重随时间变化，从而更好地适应时变信号预测。 过程神经元网络的核心在于其空间和时间聚合运算。空间聚合算子执行多输入时变信号的加权求和，而时间聚合算子则采用含时间变参数的积分形式，这种设计能够捕获输入信号的空间相互作用和时间积累效应。通过学习训练样本集，网络可以自动学习动态系统的信息变换规律和输入输出之间的关系，提高了对时变信号预测的适应性。 为了实现这一模型，研究者采用了函数基展开结合LMS学习算法。函数基展开用于表示复杂的时变信号，而LMS算法则用于在线更新网络权重，以最小化预测误差，从而提高预测精度。通过这种方法，模型能够根据实际数据不断调整自身，以适应动态系统的变化。 仿真实验部分，研究者选取了化工生产过程预测问题作为实例，证明了所提出模型和算法的有效性。实验结果表明，该过程神经元网络模型在动态预测任务中表现出了优异的性能，能够准确预测非线性动态系统的未来状态。 总结来说，该研究为非线性动态系统的预测提供了一个强大的工具，通过过程神经元网络模型和相应的学习算法，能够在复杂、不确定的环境中实现高效和准确的预测，对工程领域的预测问题具有重要的实践意义。