摘要：氮氧化物(nitrogen oxides,NO_(x))浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_(x)排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。

摘要：针对城市污水处理过程关键出水水质一些参数难以在线测量的问题,提出了一种基于经验模态分解(EMD)的自组织模块化神经网络(MNN)出水参数软测量模型。首先设计一种基于EMD的任务分解方法,将复杂的时间序列分解为若干子序列,并采用样本熵和欧氏距离分别计算子序列的复杂性及相似性,自适应调整子网络模块。然后针对子网络模块初始结构难以确定的问题提出一种前馈神经网络的结构自组织算法,实现子网络模型根据分配的子任务动态调整自身网络结构,更有效地对各子序列进行预测。最后通过基准时间序列预测和实际污水处理厂中出水水质参数检测实验验证了所提出的模型具有较好的预测精度和自适应性。

摘要：分析了模块化神经网络MATLAB仿真系统的设计和实现。该仿真系统充分运用MATLAB对数值计算、图形处理的强大功能,采用可扩展的图形用户界面,开发了一套适合模块化神经网络试验和研究平台。介绍了模块化神经网络(MNN)的子网动态集成方法,并提出了一种基于“一专多能”思想的集成训练方法。该仿真系统将算法、数据、仿真演示有机集成,为后期的设计开发提供了有力的支持。

摘要：接收信号场强预测对无线通信网络的设计与规划非常重要.为此,提出了一种基于模块化神经网络的场强预测模型.对于给定的区域,选取一定数量的接收样本点,根据接收信号场强数据的分布特点,使用K均值(K-Means)聚类方法对全部样本点聚类,以实现对输入样本空间的分解,并建立对应的子神经网络模块.以某学校宿舍区域为例,选取了训练集和测试集样本点,通过对比单一神经网络模型和模块化神经网络模型的预测误差,发现模块化神经网络的预测结果优于单一神经网络,证明了所提出模型的有效性.

摘要：研究对航空高光谱赤潮图像进行快速、准确地识别问题。传统单一BP网络在解决航空遥感高光谱图像大数据量问题时网络结构复杂、训练时间长、识别速度低。针对大数据量快速分析的需求,提出了一种集成结构的遗传模块化神经网络的航空高光谱赤潮识别方法。首先对学习任务进行划分,通过i/j分类方法组建训练样本集。然后,每个子神经网络模块仅仅针对特定小区域进行训练,为了避免传统BP网络在选择网络结构及参数时仅凭经验或反复大量实验的缺点,采用自适应遗传算法对网络结构及参数进行了优化。最后,通过模糊隶属度将分块学习的模块化神经网络进行集成。实验证明这种可以快速有效地对赤潮进行监测,为设计提供依据。

摘要：随着计算机科学技术的发展,将计算机技术应用在医疗方面进行疾病预测已经成为当前研究的热点.针对单一全互连前馈神经网络难以应对心血管疾病预测时的多维数据,并且参数和结构设计需要人工实验确定,泛化收敛的能力差等问题,本文提出一种自适应模块化神经网络结构模型(AMNN).首先,对训练数据集采用概率密度峰值聚类算法确定训练数据集的聚类中心,以此确定每个模块的训练样本集,然后每个模块采用训练BP神经网络算法,该算法可以利用分配来的训练样本数据自适应构建模块结构.实验结果表明,该模型相对标准的随机森林算法和传统单一全互连前馈神经预测心血管疾病准确率高,收敛速率快.

摘要：提出了一种基于模块化神经网络的人耳识别方法。对人耳图像进行一系列的预处理后,采用PCA方法对图像进行特征提取。构建了模块化神经网络模型,并用分层遗传算法对该模型进行优化,选择训练阶段样本和测试阶段样本对人耳图像进行训练和测试,得出识别率。实验结果表明,基于模块化神经网络的人耳识别相对于传统的神经网络优化了设计参数,得到最优体系结构,提高了人耳识别率。

摘要：针对模块化神经网络结构设计过程中子网络输出不能最优集成的问题,提出一种基于粒子群算法的动态模块化神经网络.首先,该网络采用数据密度辨识样本分布空间,并更新数据中心;然后,根据输入数据激活相应的子网络,利用PSO算法寻找子网络的最优网络贡献度,并依据贡献度计算子网络的输出权值;最后优化模块化神经网络的集成输出.通过对非线性函数和时变系统的逼近实验,验证了集成网络中子网络数目可以根据任务动态调整,网络输出的集成权值能够通过PSO算法寻找到最优值,并且训练精度和自适应能力较其他算法均有一定的提高.

摘要：针对全连接前馈神经网络不能有效应对时变系统的问题,提出一种动态自适应模块化神经网络结构.该网络采用减法聚类算法在线辨识工况数据的空间分布,利用RBF神经元实现对数据样本空间的划分,并结合模糊策略将不同子样本空间的数据动态分配给不同的子网络,最后对各子网络的输出进行集成.该模块化网络中子网络数量和子网络规模都能根据所学时变任务动态自适应调整.通过对不同时变系统的预测表明了该网络能够有效跟踪时变系统.

摘要：船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。