SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

基于神经网络的建筑行业投标报价研究

在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价之间的关系是一个棘手的问题．论文针对这两大难题提出了基于神经网络技术的解决方法．首先根据贡献变量分析理论确定出影响报价结果的9个报价因素，从而建立起基于神经网络的报价模型，然后在所确定模型的基础上改进传统的BP算法，进一步提高网络的泛化能力．从实际应用的结果可以看出，经过变量选择后所确定的报价因素是合理的，改进学习算法后的网络的泛化能力也有了很大的提高．     

提高预测精度的ELMAN和SOM神经网络组合

针对预测样本数量有限的问题,提出了对训练样本和要预测的样本先聚类、后分别训练和预测的方法。利用网络特性,对复杂信息进行预先分类,使后续信息处理和映射更精确迅速,采用ELMAN神经网络和SOM神经网络的组合提高预测精度。通过对天气和疾病的预测仿真实验表明,该方法增强了网络的局部泛化能力,预测精度高于BP网络和单一采用EMAN网络或SOM网络的精度。     

一种改进型神经网络算法NN-LMBP

提出最近邻Levenberg—Marquardt误差反向传播神经网络算法。针对BP神经网络收敛速度慢的不足，利用Levenberg—Marquardt优化算法进行改进。同时为了提高神经网络的泛化能力，进一步基于最近邻算法对样本进行修剪。试验表明，与一般神经网络算法相比，NN-LMBP在改善神经网络泛化能力的基础上，有效地提高了神经网络收敛的速度。     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

基于改进的CNN和数据增强的SAR目标识别

针对合成孔径雷达(synthetic aperture radar, SAR)图像目标识别问题, 提出了基于改进的卷积神经网络和数据增强的SAR目标识别方法。首先在训练阶段引入Dropout, 随机删除部分神经元, 增强网络的泛化能力。其次, 在网络中引入L2正则化, 简化模型的同时降低结构风险, 并且能有效地抑制过拟合。然后, 采用Adam优化网络, 提高模型的收敛效率。最后, 采用优选的数据增强方法, 扩充SAR目标数据集, 为网络训练提供更为充足的样本, 进一步提高识别的准确率和模型的泛化性。在运动和静止目标获取与识别(moving and stationary target acquisition and recognition, MSTAR)数据集上进行了实验, 结果表明设计的卷积神经网络识别准确率高, 且具有更好的泛化性。     

神经网络在预测编码中的应用

讨论如何有效地利用backpropagation(BP)神经网络进行预测编码。改进的BP算法可以提高BP神经网络地收敛速度、泛化能力和稳定性。一般而言 ,四层网络比三层网络具有更快地学习速度 ;二阶网络比一阶网络性能更优越。利用MATLAB程序 ,构造三层、四层和二阶BP神经网络进行预测编码。测试结果表明 ,利用规模足够大的三层BP网络进行预测编码可以取得较好效果 ;四层和二阶网络比等价的三层网络可以更有效地进行预测编码     

LS-SVM与多层前向网络的非线性回归性能比较

在阐述支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的原理并比较了两者的优缺点后,将LS-SVM与多层前向网络中的两种典型网络BP网络和RBF网络,分别应用于装载机载重动态测量的非线性函数回归估计中,对这三种网络在函数逼近和泛化能力两方面的性能进行比较研究。仿真结果表明,LS-SVM在精度和泛化性能两方面做到了最好的折衷,是用于非线性函数回归分析的一种很有效的方法。     

基于回归神经网络的氧乐果合成过程建模与仿真

氧乐果合成过程具有非线性、时变和不确定性的特点，难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模，但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法，用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明，该方法建立的模型误差较小、网络泛化能力较强，能较好的反应实际系统的动态特性，从而为培训操作人员的控制水平提供了低成本的仿真手段，也为自动控制算法的研究提供了仿真模型。     

一种优化的BP神经网络算法在石油储层预测中的应用

模型将GA、SA与BP3种算法有机地融合在一起,实现优势互补.采用二进制与实数混合编码,可以动态地根据样本特征对BP网络中的输入节点数、隐层节点数、转移函数、权值与阈值等进行自适应优化调整.在保证精度的前提下,采用较少的输入节点和隐层节点数,使网络的结构相对简单.采用自适应交叉率、变异率与学习率,以增强网络的自适应与泛化能力,极大地减少人为主观因素对网络设计的影响.     

改进的模糊神经网络应用于投标报价

针对模糊神经网络规则膨胀导致的网络训练速度慢和泛化能力弱的缺陷,提出了一种改进的基于T-S模型的模糊神经网络的结构和算法。网络结构包括前件和后件网络二部分,本文在后件网络中增加了一个隐含层以提高计算能力,在前件网络中运用了有效模糊规则选取的方法以提高收敛速度。最后将提出的网络结构应用于建筑工程的投标报价中,仿真结果证明:该网络能达到更高的误差精度、更快的训练速度和更好的泛化能力。     

有限样本下模型选择理论与方法研究

从理论上给出有限样本下模型选择的方法,详细讨论了样本噪声对模型选择的影响,提出了一种次优模型选择算法,并进一步给出了一种推挽式模型选择算法,它能够有效地提高模型选择的学习速度。两种算法具有很强的抗噪声能力,预测模型也具有很好的推广性。最后通过具体数值试验验证了上述理论和方法的可行性和优越性。     

前向神经网络泛化问题研究

针对前向神经网络泛化问题,从函数论的角度分析了影响前向神经网络泛化性能的因素。为了提高网络的泛化性能,从理论上分析指出,在网络学习过程中通过增加隐含层神经元来降低网络最大固有误差和最大样本误差的同时,要求确保网络泛化定义域尽可能接近网络输入定义域,否则将有可能降低网络的泛化性能。通过数值试验验证了上述结论。     

权值光滑BP算法：一种改善网络推广性能的方法

推广性能是人工神经网络研究的重要方向。在推广性能的研究中，改进学习算法是提高前向网络推广性能的重要方法之一。本文对一特殊的权值光滑BP算法的理论基础进行了仔细的研究，并将该算法首次应用于水声目标的分类问题。实验结果表明，具有权值光滑BP算法的前向网络不仅具有较光滑的连续权值，而且其推广性能也优于具有标准BPM算法的前向网络。     

基于核主元分析和最小二乘支持向量机的软测量建模

软测量技术是工业过程控制和分析的有力工具，它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析（KPCA）和最小二乘支持向量机（LSSVM）的软测量建模方法，利用核主元分析提取软测量输入数据空间中的非线性主元，然后用最小二乘支持向量机进行建模，不但降低模型复杂性，而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模，仿真结果表明：与SVM、PCA-SVM建模方法相比，该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。     

一种新型复合神经网络模型

本文首先详细地阐述了ＢＰ神经网络和ＣＭＡＣ神经网络各自的结构，原理以及算法。提出了一种ＢＰ神经网络与ＣＭＡＣ神经网络组合起来的新型复合神经网络模型，并利用误差逆向传播原理推导出复合网络的学习法。仿真实验结果表明，这种复合神经网络在保留了ＢＰ和ＣＭＡＣ各自特长的基础上，同时具有学习速度快，泛化能力强等特点     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.     

基于支持向量机的青霉素发酵过程建模

由于微生物发酵过程的复杂性和高度非线性,更多的简单的数学模型不能很好地描述这类生化系统。支持向量机(SVM)是近几年发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数和局部极小点等实际问题。SVM方法建立了青霉素效价预估模型,此模型具有良好的拟合和泛化能力。通过实验分析了SVM参数调整对支持向量机建模的影响。通过由现场数据建立的各种模型可以发现,SVM建模方法优于神经网络(ANN)建模方法。     

多输入模糊神经网络及其应用

为了提高神经网络的训练速度和泛化能力 ,同时解决一般模糊神经网络由于输入增多而导致模糊规则膨胀的问题 ,提出了多输入模糊神经网络的结构和算法。此算法用取大取小运算部分代替网络的积和运算 ,同时提出一种获取重要规则的方法。最后将多输入模糊神经网络应用于建筑投标报价系统。仿真结果表明 ,本网络具有较快的训练速度和较高的泛化能力。