局部可变权值神经网络原理

本文改进了传统神经网络进行学习后权值矩阵在工作时不变的缺,给出一种处理多对单式分类问题新思路;网络工作时,权值矩阵中的特定局部的取值可变。并通过此思路给出一种新型神经网络模型－局部可变权值神经网络。     

基于主元神经网络和K-均值的道路识别算法

为了提高道路识别算法的鲁棒性和自适应性，提出了基于局部统计特征和主元分析的道路识别算法．该方法用广义Hebb学习规则训练主元神经网络权值，然后将局部统计特征和图像像素值输入主元神经网络得到图像特征矢量，最后用K-均值分类器对该矢量进行分类，通过参考区域识别道路．仿真结果表明，该算法对于光照变化剧烈和阴影遮挡的道路图片均有较好的识别效果，以及较好的鲁棒性和自适应性．     

基于BP神经网络的MOCVD温度控制系统参数优化

为解决MOCVD设备温度控制的非线性、时变性以及大时滞等问题，提出改进的基于误差反向传播算法（BP）的神经网络控制方法．在传统BP算法基础上附加一个使搜索快速收敛全局极小的惯性项，在微调权值修正量的同时也使学习避免陷入局部最小．该方法不仅具有自学习自适应能力，而且具有自调整比例因子功能．仿真和试验表明，神经网络控制器具有很强的鲁棒性、自学习功能和自适应解耦．在整个温度控制范围基本误差可达到l℃％。，有效的改善MOCVD系统温度的控制性能，对实际温度控制具有较好的指导意义．     

采用优化神经网络的下肢肌电信号的识别

为了更好地识别下肢肌电信号的运动模式,采用遗传算法优化神经网络初始权值和阈值,构建了GA-Elman神经网络。选择Daubechies小波对肌电信号进行多尺度分解,提取各通道特征值组成特征编码,然后输入GA-Elman神经网络中进行训练、识别。仿真实验表明,采用遗传算法优化神经网络不仅能解决传统神经网络收敛速度慢且常受局部极小点的困扰,而且能提高运动模式分类识别率。     

基于混沌天牛群算法优化的神经网络分类模型

针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN（Improved Beetle Antennae Search and Back Propagation Neural Network）分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。     

一种基于决策树和遗传算法-BP神经网络的组合预测模型

设计了基于决策树和GA-BPNN(遗传算法-BP神经网络)组合预测模型,通过决策树分类贡献优先特征选择方法解决了BP神经网络的输入参数难选取的问题;利用改进遗传算法的全局择优能力,解决了BP神经网络由于随机选取初始权值导致易陷入局部极小值的缺陷。实验证明,组合预测模型能自学习专家经验,准确地对职业能力进行智能预测。     

粒子群算法在神经网络非线性函数拟合中的应用

针对传统神经网络学习算法中存在的收敛速度慢、容易陷入局部最优等缺点,设计了基于标准粒子群算法（SPSO）的神经网络非线性函数拟合系统。将神经网络中的权值看作一个粒子,通过粒子之间的竞争与合作以完成网络的学习过程。仿真结果表明,基于SPSO的神经网络学习算法在收敛速度、辨识精度等方面要优于传统的BP神经网络。     

基于遗传优化的粗糙神经网络模式识别器及应用

通过粗糙集获取知识表达系统的分类规则，用产生的规则对神经网络进行编码，并利用遗传算法对初步学习后的神经网络的权值进行优化，最终得到一个神经网络模式识别器。举例说明了采用这种方法得到模式识别器的过程及其对待识别对象的学习和分类效果。结果表明：采用粗糙规则对神经网络编码可以缩短神经网络的训练过程，遗传算化对神经网络权值的优化可在一定程度上提高模式识别的精度。     

多分辨正交多小波网络及其学习算法

利用多小波函数和多尺度函数的互补性,构造了一种具有分层、多分辨和局部学习特点的正交多小波神经网络.给出了调整网络权系数的算法并进行了计算机仿真,结果表明正交多小波神经网络的逼近性能优于正交单小波神经网络.     

基于关键词学习的文本分类方法

提出一种基于关键词学习的文本分类方法.采用LDA主题模型抽取文本的关键词,通过关键词的词袋构造文本的特征矩阵并进行PCA降维,将低阶特征矩阵输入由卷积神经网络和BP神经网络的混合网络中对文本分类进行学习.为提高文本分类效果,引入与BP神经网络同构的深度神经网络对BP神经网络的初始权值进行初始化.在多数据集上的实验表明,本文方法明显提高文本分类的准确率.     

Support vector machine based on chaos particle swarm optimization for fault diagnosis of rotating machine

The performance of the support vector machine models depends on a proper setting of its parameters to a great extent.A novel method of searching the optimal parameters of support vector machine based on chaos particle swarm optimization is proposed.A multi-fault classification model based on SVM optimized by chaos particle swarm optimization is established and applied to the fault diagnosis of rotating machines.The results show that the proposed fault classification model outperforms the neural network trai...     

Support vector machine based on chaos particle swarm optimization for fault diagnosis of rotating machine

The performance of the support vector machine models depends on a proper setting of its parameters to a great extent. A novel method of searching the optimal parameters of support vector machine based on chaos particle swarm optimization is proposed. A multifault classification model based on SVM optimized by chaos particle swarm optimization is established and applied to the fault diagnosis of rotating machines. The results show that the proposed fault classification model outperforms the neural network trained by chaos particle swarm optimization and least squares support vector machine, and the precision and reliability of the fault classification results can meet the requirement of practical application. It indicates that chaos particle swarm optimization is a suitable method for searching the optimal parameters of support vector machine.     

一种耗散型混沌神经元及其延时分类

讨论了离散的、耗散型非线性神经元模型动力学·数值模拟表明模型中带有非零衰减系数时,自抑制神经元呈现出复杂的动力学模式,其中包括倍周期分叉通往混沌·利用混沌神经元对BP网络结果进行后处理,组成BP/CNN混合神经网络,利用其倒分岔特性实现延时分类·构建的BP/CNN对典型的具有延时特性行为的SYNflooding滥用入侵进行检测,结果表明该混合神经网络具有灵活的延时分类能力,扩展了BP神经网络的计算能力,提供了一种新的分类处理方法,可以推广到识别其他延时分类的事件中·     

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。     

混沌和神经网络相结合预测短波通信频率参数

为提高短波通信的可靠性 ,提出了一种将混沌和神经网络相结合的方法预测短波通信频率参数。利用混沌方法重构相空间系统吸引子 ,用前向多层神经网络拟合吸引子上的全局整体映射 ,构成混合预测模型。实验结果表明 ,将此混合模型用于预测短波通信频率参数如 F2 层临界频率 ffo F 2 ,能达到较好的预测效果 ,可以应用到实际预测系统中。还将基于奇异值分解的噪声消减滤波算法应用到数据预处理中 ,预测结果表明了这种办法能提高预测精度     

基于RBF神经网络的混沌背景下瞬态弱信号检测

针对海杂波背景下瞬态弱信号检测的问题,采用海杂波混沌模型,基于神经网络重构混沌序列相空间,提出了基于RBF神经网络预测混沌时间序列和瞬态弱信号检测方案。理论分析和仿真结果表明这种方法能够有效实现混沌背景噪声中瞬态弱信号的检测。     

基于正则约束的分层仿射图神经网络文本分类模型

文本分类是自然语言处理中一个重要的研究课题。近年来，图神经网络（graph neural network，GNN）在这一典型任务中取得了良好的效果。目前基于图结构的文本分类方法存在边噪声和节点噪声干扰、缺乏文本层次信息和位置信息等问题。为了解决这些问题，提出了一种基于正则约束的分层仿射图神经网络文本分类模型Text-HARC，该模型融合了图注意力网络（graph attention network，GAT）与门控图神经网络（gated graph neural network，GGNN），引入正则约束过滤节点与边噪声，分别使用仿射模块与相对位置编码补充词语表示。通过实验，该方法在TREC、SST1、SST2、R8四个基准数据集上的准确率提升明显，消融实验结果也验证了该方法的有效性。     

粗糙集模糊神经网络味觉信号识别系统

针对C-means聚类算法和减法聚类算法的不足,提出了一种模糊神经网络味觉信号识别系统模型,该模型利用粗糙集的离散化算法和规则提取算法获得数量较少的分类规则,将这些分类规则转化为模糊IF-THEN规则,进而通过这些模糊IF-THEN规则确定网络结构.网络输出采用投票机制,使用粒子群优化方法精炼网络参数,与常用的提取模糊if-then规则的算法相比,该方法只有一个参数且易于实现.实验结果表明:该方法可获得更简洁的系统表示,并且通过选择合适的系统参数可使系统对加噪声训练样本的错误识别率降低5%左右.     

基于小波神经网络的数字信号调制方式识别

针对当前数字信号调制方式识别方法易受噪声影响、 识别误差较大等问题, 设计一种基于小波神经网络的数字信号调制方式识别方法. 首先采集数字信号, 并从信号中提取调制识别特征, 作为数字信号调制方式分类依据; 然后采用小波神经网络建立数字信号调制方式识别的分类器, 并选择粒子群优化算法确定神经网络的参数, 实现数字信号调制方式识别; 最后在MATLAB[KG*6]2016平台上实现数字信号调制方式识别的仿真测试. 测试结果表明, 即使数字信号的信噪比较低时, 小波神经网络仍可获得较理想的数字信号调制方式识别结果, 且数字信号调制方式识别率高于对比方法, 从而提高了数字信号调制方式识别性能.     

任务分配问题的瞬态沸混沌神经网络解法

采用具有瞬态混沌特性的神经网络（TCNN）解任务分配问题,该方法利用神经元的自反馈产生混沌动态,由于混沌动态特性具有很强的搜索全局最优妥的能力,有效地避免了传统Hopfield神经网络（HNN）极易陶入局部极小的缺陷,同时利用时变参数控制混沌行为,使网络在经过一个矩暂的混沌倒分岔后逐渐于一般的Hopfield神经网络,保证网络收敛到一个最优或近似最优的稳定平衡点。仿真结果表明,TCNN解任务分配问题时,总能收敛到全局最优或几乎接近全局最优,同时具有更高的搜索效率,另外,还用此方法求解了属于NP－完全问题的实时分布处理系统的任务分配问题。