摘要：连续学习(Continual learning,CL)多个任务的能力对于通用人工智能的发展至关重要.现有人工神经网络(Artificial neural networks,ANNs)在单一任务上具有出色表现,但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象,即联结主义模型在学习新任务时会迅速地忘记旧任务.为了解决这个问题,将随机权神经网络(Random weight neural networks,RWNNs)与生物大脑的相关工作机制联系起来,提出一种新的再可塑性启发的随机化网络(Metaplasticity-inspired randomized network,MRNet)用于类增量学习(Class incremental learning,Class-IL)场景,使得单一模型在不访问旧任务数据的情况下能够从未知的任务序列中学习与记忆融合.首先,以前馈方式构造具有解析解的通用连续学习框架,用于有效兼容新任务中出现的新类别;然后,基于突触可塑性设计具备记忆功能的权值重要性矩阵,自适应地调整网络参数以避免发生遗忘;最后,所提方法的有效性和高效性通过5个评价指标、5个基准任务序列和10个比较方法在类增量学习场景中得到验证.

摘要：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。

摘要：磨浆过程作为制浆和造纸工业最为重要的生产环节之一,其输出纤维长度随机分布(Fiber length stochastic distribution,FLSD)形状直接决定着后续造纸过程的能耗和纸品质量.针对传统的均值和方差难以描述输出FLSD特征,即具有非高斯分布特性,本文提出一种磨浆过程输出FLSD的预测概率密度函数(Probability density function,PDF)控制方法.首先,采用径向基函数(Radical basis function,RBF)神经网络逼近输出FLSD的PDF,在采用迭代学习方法完成基函数参数整定基础上对相应权值向量进行估计.其次,针对权值之间存在强耦合特点,利用随机权神经网络(Random vector functional-networks,RVFLNs)建立表征输入变量和权值之间关系的预测模型.最后,基于建立的输出FLSD模型设计预测PDF控制器,最终实现对期望输出PDF的跟踪控制.基于工业数据实验验证了所提方法的有效性,为磨浆过程优化运行和控制提供理论依据.