首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 406 毫秒

1.  协同神经网络聚类型学习算法  被引次数:6
   董火明  高隽  陈定国  陈迎春《合肥工业大学学报(自然科学版)》,2002年第25卷第4期
   协同神经网络是一类全新的神经网络 ,它可以根据竞争神经网络的一般原则划分为匹配子网和竞争子网。其中 ,匹配子网的学习是协同神经网络的一个中心问题。改善匹配子网的学习效率有 2种途径 :对伴随向量求解算法的改进和原型向量选取方法的改进。文章浅析了这 2种类型的学习算法 ,着重研究了聚类算法在原型向量选取中的应用 ,并以一组交通标志图像作为识别样本 ,验证了选取原型向量 2种思路的有效性。    

2.  基于极限学习机的中医脉象识别方法  
   陈星池  黄淑春  赵海  王晓漫《东北大学学报(自然科学版)》,2017年第38卷第9期
   针对中医脉象模糊性强、种类繁多、特征复杂的特点,以及传统模糊聚类方法、BP神经网络识别方法的不足,提出了一种基于极限学习机(extreme learning machine,ELM)的脉象识别方法.该方法通过提取脉象信号的特征向量,然后利用ELM对特征向量进行了训练和分类.实验结果表明,本文所提出的脉象识别方法与传统模糊聚类方法、BP神经网络方法和支持向量机方法相比,识别正确率分别提高21%,9%和5%.这表明所提出的方法对脉象的分类判别能取得良好的效果.    

3.  基于神经网络模型的聚类分析技术研究  
   李大辉  王永红《高师理科学刊》,2007年第27卷第2期
   聚类分析已成为数据挖掘,模式识别等应用领域研究中非常活跃的研究课题.在聚类分析方法中,基于神经网络的算法,由于考虑到“噪声”或异常数据,可以自动确定聚类个数,可以产生鲁棒的聚类方法,而竞争学习神经网络、SOFM神经网络方法是其中有代表性的方法,对其进行了分析研究,并给出了引入可变速度的训练算法。    

4.  一种新的协同模式识别学习算法  
   陈卫刚  戚飞虎《上海交通大学学报》,2004年第38卷第1期
   在协同模式识别中,学习可以归结为求原型向量和伴随向量.文中提出了一种基于核函数映射的学习算法,输入向量被隐式地映射到一个可分性有所提高的向量空间,然后计算变换后的原型向量.对伴随向量增加一个附加的约束以避免它的范数超过一定值,从而改善伴随向量的性能,减少误识别.通过对数字、英文字母和汉字等的训练实验表明,这种算法得到的伴随向量能更好地表示样本的特征,计算所得的初始序参量能更好地反映测试图像与训练样本之间的相似程度.    

5.  参数变化对Fuzzy ART神经网络特性的影响  被引次数:1
   祝捷  余英林《华南理工大学学报(自然科学版)》,1993年第21卷第4期
   本文描述Fuzzy ART神经网络算法,对网络的权向量初值C,选择因子α,学习率β以及警戒阈ρ在网络学习过程中的作用进行了研究并给出相应的实验结果,为Fuzzy ART神经网络更好地用于识别模式提供理论依据。    

6.  基于多元统计分析和机器学习的验证码识别  
   虞水磊  田新宇  王金燕《山东理工大学学报》,2019年第1期
   针对带有噪声点与粘连的验证码图像,使用DBSCAN聚类与竖直投影法做去噪与分割处理,提出了基于AdaBoost方法的半监督Kmeans聚类算法。基于此算法对分割的单个字符图像进行了批量标注,在聚类结果的基础上使用Fisher判别、随机森林、K近邻、神经网络、支持向量机等方法进行训练并识别验证码测试数据集,比较各算法的识别效果,揭示所研究的验证码不安全的可能性.    

7.  基于免疫算法的前向神经网络学习方法  被引次数:2
   宫新保  臧小刚  周希朗《系统工程与电子技术》,2004年第26卷第12期
   提出了一种采用免疫算法训练多层前向神经网络的方法。该方法利用免疫算法训练前向神经网络,能够使网络优化过程趋于全局最优。利用基于遗传策略的聚类机制确定前向神经网络的初始权值,增加了网络训练算法收敛于全局最优的概率。将这种神经网络用于雷达模拟调制信号的调制方式识别的仿真结果表明,采用该算法设计的前向神经网络达到了较高的性能。    

8.  基于改进模糊神经网络的电力系统短期负荷预测  
   杨华芬《长春工程学院学报(自然科学版)》,2009年第10卷第1期
   提出了基于改进聚类算法的模糊神经网络的短期负荷预测方法。首先,利用改进聚类算法确定模糊神经网络的结构,然后利用混合学习算法训练该网络的前件和结论参数,最后向训练好的模糊神经网络输入相关的影响因素数据进行预测。预测结果显示,改进的模糊神经网络可以获得较高的预测精度,所以有更好的使用价值。    

9.  一种新的基于梯度动力学的协同神经网络学习算法  
   陈丽  戚飞虎《东华大学学报(自然科学版)》,2004年第30卷第5期
   在研究协同神经网络梯度动力学过程的基础上,针对学习过程收敛速度缓慢的缺点,介绍了一种改进的基于梯度动力学的协同神经网络学习算法。该算法分析了非平衡注意参数对学习过程的影响,简化了初始伴随向量的选取;并引入最优化理论,将该问题归结为求解非线性最优化问题,提出了适时地用共轭梯度法代替梯度下降法的算法,加快了学习过程的收敛。通过对标准人脸图像库的图像识别实验表明该算法较之其他学习算法有较高的识别率,并能较快地收敛到极小值。    

10.  基于仿生模式识别的孤立性肺结节检测  被引次数:1
   何中市  王健  陈永锋  张杰慧《广西师范大学学报(自然科学版)》,2008年第26卷第2期
   提出基于仿生模式识别理论的孤立性肺结节检测神经网络模型.实现了基于仿生模式识别、基于支持向量机和基于BP神经网络的孤立性肺结节检测,并对它们的性能进行比较分析,结合ROC曲线评价,结果表明:基于仿生模式识别的检测性能优于其他两种方法.    

11.  基于协同神经网络的网络流量异常检测  
         《华中师范大学学报(自然科学版)》,2012年第46卷第5期
   针对网络流量具有复杂的动力学特性,提出了一种应用自上而下的协同神经网络进行网络流量异常检测的方法.首先选择包含正常网络流量和异常攻击流量的数据集作为原型模式,然后通过协同神经网络进行序参量的动力演化,最终根据原型模式对应的序参量的演化结果来判定检测结果.实验结果证明,该方法能有效的识别出正常流量和异常攻击的种类.    

12.  协同模式识别方法综述  被引次数:16
   刘秉瀚  王伟智  方秀端《系统工程与电子技术》,2003年第25卷第6期
   介绍协同学理论的基本原理及常见的协同模式识别算法 ,有助于模式识别理论的进一步发展。介绍了相关的基本概念 ,重点对协同识别算法中的原型模式的选择及注意参数的设置等关键技术进行了综述。分析了各种常见方法的应用效果并进行了初步的评价 ,展望了协同模式识别算法的发展方向。协同模式识别方法是协同学原理应用于模式识别领域的一种新方法 ,该算法有着很好的发展前景    

13.  基于模糊自组织神经网络的入侵识别方法  被引次数:1
   金一泓《华中科技大学学报(自然科学版)》,2003年第Z1期
   将模糊聚类和神经网络技术相结合 ,提出了基于模糊自组织神经网络的入侵识别方法 .数据样本的分类结果映射到 4 0个神经元的输出平面上 ,连接权矢量图反映了输入模式的统计特征和各聚类的神经元范围 .聚类层求出各分类的隶属函数 ,对端口扫描类型的攻击进行了成功的仿真识别    

14.  基于有监督学习的概率神经网络的脑电信号分类方法  被引次数:1
   吴婷  颜国正  杨帮华  孙虹《上海交通大学学报》,2008年第42卷第5期
   针对脑机接口(BCI)研究中脑电信号(EEG)的模式识别问题,提出了一种基于有监督学习的概率神经网络(PNN)的分类方法.该方法用学习矢量量化对各类训练样本进行聚类,对平滑参数和距离各类模式中心最近的聚点构造区域,并采用遗传算法在构造的区域内训练网络.利用BCI2003竞赛的标准数据,该方法使得EEG的识别正确率达到93.8%,与竞赛的最好结果(88.7%)相比提高了5.1%,为BCI研究中脑电信号的分类提供了有效的手段.    

15.  基于聚类的多运行方式下电力系统稳定器设计  被引次数:1
   李静耘  杜正春  楚国莉  方万良《西安交通大学学报》,2008年第42卷第2期
   将模式识别中的聚类算法用于电力系统多运行方式的分类,提出了一种多运行方式下电力系统稳定器的设计方法.选择所有节点注入功率或所有机电振荡阻尼比为表征系统运行方式的特征向量,基于基本顺序聚类算法确定类的数目,用层次聚类和 C 均值聚类算法得到每类的中心运行方式.电力系统稳定器的参数设计仅针对各类的中心运行方式进行,将此问题转化为一个非光滑优化问题,用信赖域法加以求解,求得的参数可用于该类别其余运行方式.示例系统的仿真结果表明,提出的方法可以显著降低多运行方式下控制器参数设计问题的规模,从而大大减小计算量.    

16.  基于自适应协同聚类的支持向量预选算法  
   李仁兵  李艾华  王声才  刘太阳《系统仿真学报》,2011年第23卷第6期
   为提高支持向量机在大规模数据集上的训练效率,提出一种基于自适应协同聚类的支持向量预选算法。该方法通过对两类样本进行自适应协同聚类,寻找少量具有协同关系的类中心对,替代支持向量进行训练,从而减少参训样本数量。其中,中心对数量由算法自动确定。与其他支持向量预选算法的对比实验结果表明,自适应协同聚类算法能够在不影响分类性能的情况下,有效提高训练速度,是一种行之有效的快速支持向量预选算法。    

17.  基于递推k-均值聚类算法的RBF神经网络及其在系统辨识中的应用  被引次数:3
   李鑫滨  杨景明  丁喜峰《燕山大学学报》,1999年第4期
   提出了一种基于k-均值聚类算法的RBF神经网络递推快速学习算法,并用此对动态非线性过程进行辩识。仿真结果表明了本文方法的可行性。    

18.  基于递推K—均值聚类算法的RBF神经网络及其在系统辨识的应用  被引次数:1
   李鑫滨 杨景明《燕山大学学报》,1999年第23卷第4期
   提出了一种基于k-均值聚类算法的RBF神经网络递推快速学习算法,并用此对动态非线性过程进行辨识。仿真结果表明了本文方法的可行性。    

19.  基于径向基函数神经网络的语音识别  
   夏妍妍  黄健  尹丽华《大连海事大学学报(自然科学版)》,2007年第33卷第z1期
   提出一种基于径向基函数神经网络的改进聚类方法,并将此改进的神经网络应用于语音识别领域,建立一个非特定人的孤立词语音识别系统.此聚类方法采取有监督的学习方式,将训练样本的形心作为隐节点的质心,训练样本的分类数作为隐节点的个数.利用该方法对小词表汉语孤立词进行语音识别.结果表明,采用此算法的径向基函数的神经网络具有更好的分类能力,训练速度和识别率均优于传统的径向基函数网络.    

20.  基于粗糙集和自组织神经网络的聚类方法  
   段文影  朱敏《江西科学》,2009年第27卷第4期
   自组织神经网络在学习过程中采取竞争机制选取最优匹配神经元获胜,然而实际情况可能有一组神经元都非常匹配输入向量。引入粗糙集的上近似与下近似理论,选择一组最匹配神经元获胜。实验证明基于粗糙集和自组织神经网络的聚类算法,较之传统的自组织神经网络聚类算法聚类结果更平均,死神经元更少,是一种良好的聚类算法。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号