Resumen

Los grandes conjuntos de datos de muestras de alta dimensión, entre las variables de características y entre las muestras, pueden causar algunos factores correlativos o repetitivos, ocupar mucho espacio de almacenamiento y consumir mucho tiempo de computación. Si se utiliza la red neuronal de Elman para tratarlos, un número excesivo de entradas influirá en la eficiencia operativa y en la precisión del reconocimiento; demasiadas muestras de entrenamiento simultáneas, además de no poder obtener un modelo preciso de la red neuronal, también restringen la precisión del reconocimiento. Para resolver estos problemas, introducimos los mínimos cuadrados parciales (PLS) y el análisis de conglomerados (CA) en el algoritmo de la red neuronal de Elman, mediante el PLS para la reducción de la dimensión que puede eliminar los factores correlativos y repetitivos de las características. El uso de CA elimina los factores correlativos y repetitivos de la muestra. Si alguna subclase se convierte en una muestra pequeña, con características de alta dimensión y menos números, PLS muestra una ventaja única. Cada subclase se considera una muestra de entrenamiento para entrenar los diferentes modelos de redes neuronales precisas. A continuación, las muestras de simulación se discriminan y clasifican en diferentes subclases, utilizando la red neuronal correspondiente para reconocerla. Se establece un algoritmo optimizado de clasificación de redes neuronales de Elman basado en PLS y CA (algoritmo PLS-CA-Elman). El nuevo algoritmo tiene como objetivo mejorar la eficiencia operativa y la precisión de reconocimiento. Según el análisis del caso, el nuevo algoritmo tiene una superioridad única, digna de una mayor promoción.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:factores repetitivos, modelo de red neuronal, precisión de reconocimiento, pls, nuevo algoritmo, red neuronal correspondiente, mínimos cuadrados parciales, muestra de entrenamiento simultánea, algoritmo de red neuronal, mucho tiempo de cálculo
• Keywords:repetitive factors, neural network model, recognition accuracy, pls, new algorithm, corresponding neural network, partial least square, simultaneous training sample, neural network algorithm, much computing time